David Lareau, Πρόεδρος και Διευθύνων Σύμβουλος της Medicomp Systems – Σειρά Συνεντεύξεων

David Lareau, Πρόεδρος και Διευθύνων Σύμβουλος της Medicomp Systems, είναι ένας εκτελεστικός της υγειονομικής τεχνολογίας και επιχειρηματίας με καριέρα που διαρκεί σχεδόν πέντε δεκαετίες. Μετά την έναρξη της καριέρας του στην επιθεώρηση υπολογιστών και διαχείριση, ίδρυσε την Dexcom Systems το 1987, βοηθώντας στην ανάπτυξη некоторых από τα πρώτα εταιρικά δίκτυα επικοινωνιών και μεγάλης κλίμακας περιβάλλοντα LAN για οργανισμούς όπως η Παγκόσμια Τράπεζα, η DuPont και το Νοσοκομείο Sinai. Προσλήφθηκε στην Medicomp Systems το 1995 ως Διευθύνων Σύμβουλος και διορίστηκε Διευθύνων Σύμβουλος το 2012, οδηγώντας την εξέλιξη της εταιρείας από einen πρωτοπόρο παρόχου κλινικής γνώσης σε μια σύγχρονη εταιρεία υγειονομικής τεχνολογίας AI και διαλειτουργικότητας. Υπό την ηγεσία του, η Medicomp έχει επεκτείνει την παγκόσμια της παρουσία, έχει προχωρήσει τις λύσεις κλινικής νοημοσύνης βασισμένες σε αποδεικτικά στοιχεία και έχει επικεντρωθεί στην βελτίωση της παραγωγικότητας των κλινικών, της χρησιμότητας των δεδομένων και της φροντίδας των ασθενών μέσω πιο έξυπνης υγειονομικής τεχνολογίας.

Medicomp Systems είναι μια εταιρεία υγειονομικής τεχνολογίας που είναι γνωστή για την κλινική της νοημοσύνη και την τεχνολογία γνώσης που μετατρέπει сложные, θραυσματικές υγειονομικές δεδομένα σε δομημένα, κλινικά σχετικά στοιχεία. Ιδρυμένη γύρω από το πατενταρισμένο κλινικό μηχανισμό γνώσης MEDCIN, η πλατφόρμα Quippe της εταιρείας βοηθά τις υγειονομικές οργανώσεις να βελτιώσουν την κλινική τεκμηρίωση, τη διαλειτουργικότητα, τη μέτρηση ποιότητας, τη διόρθωση κινδύνου και την υποστήριξη λήψης αποφάσεων με τη βοήθεια του AI. Σχεδιασμένη για να αντικατοπτρίζει τον τρόπο με τον οποίο οι κλινικοί σκέφτονται και εργάζονται, οι λύσεις της Medicomp χρησιμοποιούνται από νοσοκομεία, συστήματα υγείας, παρόχους Ηλεκτρονικών Ιατρικών Αρχείων και υγειονομικές οργανώσεις σε όλο τον κόσμο για να ροηματοποιήσουν τις ροές εργασίας, να μειώσουν το διοικητικό φορτίο και να παρέχουν πιο σημαντικές πληροφορίες ασθενών στο σημείο φροντίδας. Η εταιρεία έχει γίνει αναγνωρισμένος ηγέτης στην συνδυαστική κλινικής γνώσης, δομημένων δεδομένων και AI για την υποστήριξη πιο ακριβών, αποτελεσματικών και αξιόπιστων υγειονομικών αποφάσεων

Έχετε περάσει σχεδόν τέσσερις δεκαετίες εργαζόμενες σε όλο το φάσμα της υγειονομικής τεχνολογίας, από τα πρώτα εταιρικά δίκτυα επικοινωνιών και συστήματα ιατρικής βιομηχανίας έως την ηγεσία της Medicomp Systems για περισσότερες από 30 χρόνια. Βλέποντας πίσω σε αυτήν την εξέλιξη, ποιο είναι το θεμελιώδες πρόβλημα υγειονομικών δεδομένων που πιστεύετε ότι η βιομηχανία ακόμη δεν έχει λύσει;

Η υγειονομική βιομηχανία ακόμη δεν έχει ένα ολοκληρωμένο πρότυπο για κλινικά δεδομένα. Τα πρότυπα ορολογίας που βασίζονται ήταν κάθε ένα δημιουργημένα για να λύσουν προβλήματα κωδικοποίησης σε ένα μόνο domaine: ICD-10 για διαγνώσεις, CPT και HCPCS για διαδικασίες και εξετάσεις, LOINC για αποτελέσματα εργαστηρίου και άλλες μετρήσεις, RxNorm για φάρμακα και SNOMED CT για κλινικές ευρέσεις. Κάθε ένα από αυτά χτίστηκε για να οργανώσει μια φροντίδα ασθενή.

Τα συστήματα υγειονομικής πληροφόρησης χρησιμοποιούν αυτά τα πρότυπα για να ολοκληρώσουν συγκεκριμένες συναλλαγές, οι περισσότερες από τις οποίες συνδέονται με την αμοιβή, παρά να δώσουν στους παρόχους μια ολοκληρωμένη άποψη της κατάστασης του ασθενή. Σκεφτείτε έναν ασθενή με διαβήτη. Τα δεδομένα του ασθενή είναι διασκορπισμένα σε ξεχωριστές καρτέλες στο σύστημα υγειονομικής πληροφόρησης, χωρίς μια seule “άποψη διαβήτη” που να τραβήξει όλα τα σχετικά με την πάθηση μαζί. Οι κωδικοποιητικές συστήματα δεν μοιράζονται κανένα κοινό σχήμα, το οποίο τα κάνει υπολογιστικά ανεπάρκεια, και αυτή η ανεπάρκεια γίνεται ένα πολύ μεγαλύτερο πρόβλημα σε ένα κόσμο κλινικής AI. Η AI εξαρτάται από καλά δεδομένα, και η βιομηχανία μας δεν έχει ακόμη αυτά.

Παρατηρήστε ένα αποθήκη του Amazon (AMZN ) που προσπαθεί να λειτουργήσει χωρίς μονάδες αποθήκευσης (SKUs), βασισμένο αντίθετα σε κειμενικές περιγραφές κάθε αντικειμένου, κάθε περιγραφή συνδεδεμένη με μια δομή δεδομένων που αλλάζει από ένα είδος αντικειμένου στο επόμενο.几乎 κάθε βιομηχανία έχει κάποια έκδοση του SKU. Η υγειονομική βιομηχανία δεν έχει, και έτσι τα δεδομένα της παραμένουν θραυσματικά και ασυνεπή.

Έχετε περιγράψει πολλές σύγχρονες υγειονομικές αποθήκες ως “έλκη” αντί για δράσιμες λίμνες δεδομένων. Ποια είναι τα μεγαλύτερα αρχιτεκτονικά λάθη που οι υγειονομικοί οργανισμοί έκαναν κατά τη διάρκεια του αγώνα για την κεντρικοποίηση των δεδομένων;

Το κεντρικό λάθος ήταν η οργάνωση του αποθετηρίου με τον ίδιο τρόπο που οργανώνονταν τα συστήματα πηγής, γύρω από domaine και συναλλαγές αντί για τον ασθενή. Οι περισσότερες υγειονομικές οργανώσεις ainda χωρίζουν τις κλινικές πληροφορίες σε διακριτά domaine όπως εργαστήρια, φάρμακα, διαδικασίες και διαγνώσεις. Οι χρήστες, και το λογισμικό που βασίζονται σε αυτά, πρέπει να φτάσουν σε διαφορετικά αρχεία και τοποθεσίες για να συναρμολογήσουν μια εικόνα του ασθενή, που κάνει κάθε διαδικασία πιο αργή και πιο δυσχερή.

Το βαθύτερο ζήτημα είναι ότι κάθε συναλλαγή, είτε是一個 λογαριασμός, μια συνταγή, μια παραγγελία εξέτασης ή ένα αποτέλεσμα εργαστηρίου, αποθηκεύεται ως ένα αυτοτελές αντικείμενο αντί για ένα μέρος μιας ολοκληρωμένης άποψης της κατάστασης του ασθενή. Η κεντρικοποίηση αυτών των δεδομένων σε ένα σημείο δεν λύνει το πρόβλημα. Eine λίμνη δεδομένων γεμάτη με θραυσματικά, domaine-δεσμευμένα αρχεία γίνεται ένα έλκη因为 το όγκο μόνο, χωρίς κλινική οργάνωση, δεν οδηγεί σε κατανόηση.

Μια μεγάλη ποσοστό κλινικά σημαντικών πληροφοριών vẫn ζει μέσα στις ιατρικές σημειώσεις, τις αναφορές εικόνων και τις περίληψεις εξόδου αντί για δομημένα πεδία. Γιατί η βιομηχανία έχει δυσκολευτεί τόσο πολύ να λειτουργήσει τα μη δομημένα κλινικά δεδομένα σε κλίμακα;

Αυτό αλλάζει, και γρήγορα. Μεγάλες γλωσσικές μοντέλα (LLM) μπορούν τώρα να δημιουργήσουν κειμενικές περίληψεις συναντήσεων ελεύθερες από συντομογραφίες και ιδιοσυγκρασιακές συντομογραφίες, καθιστώντας πιο εύκολο για την κλινική φυσική γλωσσική επεξεργασία (NLP) να εξάγει δομημένα, κωδικοποιημένα δεδομένα από αυτό το κείμενο. Στο παρελθόν, η κατοχή δομημένων δεδομένων σήμαινε να ζητήσετε από τους κλινικούς να εργαστούν μέσω λιστών ελέγχου ή φορμών, τις οποίες βρήκαν δυσχερείς και σε μεγάλο βαθμό αχρήστους.

Σήμερα, η ακολουθία λειτουργεί διαφορετικά. Η ατμόσφαιρα ακρόασης παράγει ένα λογικά καθαρό κειμενικό σημείωμα, ένα LLM συνοψίζει αυτό το σημείωμα σε μια ημι-δομημένη μορφή, και η NLP τότε λειτουργεί στη σύνοψη. Όταν η NLP είναι κατευθυνμένη σε einen σωστό κλινικό στόχο δεδομένων, που αντιπροσωπεύει κλινικές έννοιες αντί για μια επίπεδη λίστα κωδικών, μπορεί να παράγει καλά δομημένα δεδομένα από αφηγηματικό κείμενο. Η επίτευξη αυτού ainda απαιτεί μια συνδυασμένη τεχνολογία που λειτουργεί μαζί, και εξαρτάται完全 από το να έχει αυτόν τον σωστό κλινικό στόχο δεδομένων στη θέση.

Υποστηρίζετε ότι το βασικό πρόβλημα δεν είναι η “ποιότητα δεδομένων” αλλά η θραυσματικότητα δεδομένων. Μπορείτε να εξηγήσετε τη διαφορά, και γιατί αυτή η διάκριση έχει σημασία για τα συστήματα υγειονομικής AI;

Τα δύο είναι στενά συνδεδεμένα, ωστόσο περιγράφουν διαφορετικά προβλήματα, και αυτή η διαφορά έχει μεγάλη σημασία για την AI. Η ποιότητα δεδομένων αφορά το αν ένα μεμονωμένο κομμάτι πληροφόρησης είναι ακριβές, πλήρες και σωστά καταγεγραμμένο. Η θραυσματικότητα δεδομένων είναι δομική. Η θραυσματικότητα συμβαίνει όταν κλινικές πληροφορίες, ανεξάρτητα από την ποιότητα τους, χωρίζονται σε διαφορετικά domaine και κωδικοποιητικά συστήματα και αποθηκεύονται σε διαφορετικές μορφές και τοποθεσίες.

Αυτό το πρόβλημα της θραυσματικότητας είναι η τρέχουσα πρακτική επειδή κάθε κωδικοποιητικό σύστημα σχεδιάστηκε για μια ξεχωριστή συναλλαγή. Η προσέγγιση ήταν επαρκής για τη δημιουργία μιας συνταγής, τη δημιουργία ενός λογαριασμού ή την αντιμετώπιση άλλων διακριτών εργασιών. Η συνολική φροντίδα του ασθενή είναι ένα διαφορετικό πρόβλημα, που απαιτεί πληροφορίες από πολλά domaine να συνδυαστούν, να επεξεργαστούν και να εμφανιστούν ως μια seule, διαγνωστικά συνδεδεμένη άποψη του ασθενή. Ein αρχείο μπορεί να είναι γεμάτο με ακριβή δεδομένα και να αποτύχει τον κλινικό, επειδή τίποτα δεν συνδέει αυτά τα δεδομένα σε αυτήν την άποψη.

Έχετε υπογραμμίσει τρεις μεγάλες лакκές στις περισσότερες υγειονομικές λίμνες δεδομένων: εξαγωγή αφηγημάτων μέσω NLP, κλινικές γνώσης γραφήματα και συμφωνία αντικρουόμενων εγγραφών. Ποια από αυτές τις λείπουν ικανότητες προκαλεί τώρα την μεγαλύτερη επιρροή στην φροντίδα του ασθενή;

Δύο από τις τρεις είναι στενά συνδεδεμένες: η συμφωνία αντικρουόμενων εγγραφών, και το γεγονός ότι ένα κλινικό γράφημα γνώσης είναι τόσο καλό όσο τα δεδομένα που λειτουργεί. Από τις τρεις, η συμφωνία είναι αυτή που προκαλεί τη μεγαλύτερη επιρροή, επειδή βρίσκεται πάνω από όλα τα άλλα.

Ένα μεγάλο μέρος του τι ζει σε ένα αρχείο ασθενή εισήχθη με αντίγραφο και επικόλληση από προηγούμενες συναντήσεις ή με συνδυασμό πληροφοριών από πολλούς παρόχους. Η μετακίνηση αυτής της πληροφόρησης μεταξύ συστημάτων με Fast Healthcare Interoperability Resources (FHIR) κάνει πιο εύκολο να στείλετε και να λάβετε, ωστόσο δεν κάνει τίποτα για να βελτιώσει την υποκείμενη ποιότητα. Τρέξτε AI ή ένα κλινικό γράφημα γνώσης σε αυτήν την πληροφορία και τα αποτελέσματα θα είναι πιθανότατα να μεταφέρουν τις ίδιες ασυνεπείς πληροφορίες вперед.

Σκεφτείτε έναν ασθενή με διαβήτη που αξιολογείται για ρετινopathy ή καταρράκτη. Αυτή η αξιολόγηση δεν σημαίνει ότι ο ασθενής έχει διαβητικό καταρράκτη, επειδή ο καταρράκτης μπορεί να είναι ηλικιακός καταρράκτης που δεν σχετίζεται με τον διαβήτη. Ein LLM μπορεί να χάσει αυτήν τη διάκριση, και η ψευδής σύνδεση τότε εισέρχεται στο αρχείο του ασθενή και παραμένει εκεί καθώς μετακινείται από σύστημα σε σύστημα. Ein γράφημα γνώσης που δίνεται σε κακά δεδομένα θα επιστρέψει κακά αποτελέσματα.

Πρότυπα όπως SNOMED CT, LOINC, RxNorm, FHIR και C-CDA συχνά συζητούνται ως λύσεις διαλειτουργικότητας. Σε πρακτική, γιατί πολλές οργανώσεις ακόμη δυσκολεύονται να μετατρέψουν την συμμόρφωση με πρότυπα σε κλινικά χρήσιμα συστήματα;

Πολλά συστήματα και οργανώσεις φέρουν καλά κωδικοποιημένα δεδομένα επειδή οι διεπαφές τους κάνουν πιο εύκολο να επιλέξουν το πρώτο αντικείμενο που παρουσιάζεται. Αυτές οι διεπαφές είναι χτισμένες για να κάνουν την κωδικοποίηση να προχωρήσει για αμοιβή όσο το δυνατόν γρηγορότερα, αντί να προσφέρουν κλινικό контέκστ που θα επέτρεπε στον χρήστη να καταγράψει την κατάσταση ακριβώς.

ICD-10, για παράδειγμα, περιλαμβάνει einen κωδικό για “κληρονομική κινητική και αισθητική νευροπάθεια”, μια κατηγορία που δεν διακρίνει τη νόσο Charcot-Marie-Tooth από τη νόσο Roussy-Lévy, mặc dù και οι δύο πέφτουν μέσα σε αυτήν. Αν μια διεπαφή παρουσιάζει αυτήν την κατηγορία πρώτα και κάνει την ειδική κατάσταση πιο δύσκολο να επιλεγεί, ο χρήστης θα επιλέξει πιθανότατα την κατηγορία. Η κατηγορία μπορεί να είναι αρκετή για να έχει μια απαίτηση πληρωμής, ωστόσο είναι πολύ λιγότερο κλινικά χρήσιμη από την ειδική κατάσταση. Όλα τα συστήματα κωδικοποίησης συναλλαγών μοιράζονται κάποια έκδοση αυτού του προβλήματος.

Η Medicomp έχει περάσει χρόνια κατασκευάζοντας κλινικά συνδεδεμένα ορολογία και μηχανές σχετικότητας γύρω από συστήματα όπως το MEDCIN. Πόσο σημαντική είναι μια κλινική γνώση γραφήματος για να κάνει την υγειονομική AI αξιόπιστη και контέκστ-παρατηρήσιμη;

Ein κλινικό γράφημα γνώσης είναι απαραίτητο επειδή κάνει τα δεδομένα χρήσιμα στο σημείο που ένας κλινικός ή αναθεωρητής πραγματικά τα χρειάζεται. Ο έλεγχος είναι απλός. Όταν ένας ασθενής έχει μια συγκεκριμένη κατάσταση που διαχειρίζεται, μπορεί ο χρήστης να δει όλα τα σχετικά με αυτήν την κατάσταση αμέσως, ή πρέπει να διασχίσει όλο το αρχείο, καρτέλα προς καρτέλα, για να ανασυνθέσει το κλινικό контέκστ; Ein κλινικό γράφημα γνώσης που χτίστηκε σε καθαρά κλινικά δεδομένα μπορεί να επιφέρει αυτόν τον контέκστ σε μια στιγμή. Χωρίς αυτό, η εύρεση της ίδιας πληροφορίας παίρνει πολύ χρόνο.

Αυτό είναι το γιατί, κάθε φορά που επισκέπτομαι το mega-νοσοκομείο μου, με ζητούν να ολοκληρώσω ένα τετράσελιδο, εξασελιδο ιατρικό ιστορικό με τις ίδιες πληροφορίες που παρείχα τον προηγούμενο μήνα. Η εύρεση οτιδήποτε σε τρέχοντα συστήματα υγειονομικής πληροφόρησης είναι απλά πολύ δύσκολο. Η Medicomp έχει περάσει περισσότερα από 45 χρόνια κατασκευάζοντας το MEDCIN και το κλινικό γράφημα γνώσης για να κλείσει именно αυτήν τη лакκή, ώστε η AI που λειτουργεί πάνω από καθαρά, συνδεδεμένα δεδομένα να μπορεί να είναι και αξιόπιστη και συνειδητή του κλινικού контέκστ του ασθενή.

Πολλές υγειονομικές οργανώσεις αναπτύσσουν τώρα γεννητικές AI συν-πιλότους και συστήματα παρασκηνίου τεκμηρίωσης. Ποια рисκ προκύπτουν όταν αυτά τα συστήματα AI εκπαιδεύονται ή λειτουργούν σε θραυσματικά, κακώς контέκστ-παρατηρήσιμα κλινικά δεδομένα;

Η ψευδής σύνδεση και η λανθασμένη κατηγοριοποίηση της πληροφορίας είναι δύο από τα πιο κοινά ρίσκα, και και τα δύο γίνονται πιο πιθανά όταν τα υποκείμενα δεδομένα είναι θραυσματικά και κακώς контέκστ-παρατηρήσιμα.

Ein προσωπικό παράδειγμα: ο πατέρας μου πέθανε από καρκίνο του ήπατος σε ηλικία 78 ετών, ωστόσο κατά τη διάρκεια μιας πρόσφατης επίσκεψης, μου ζητήθηκε πόσο καιρό είχα σε ανάμνηση. Το σύστημα παρασκηνίου τεκμηρίωσης είχε καταγράψει ένα προσωπικό ιστορικό καρκίνου του ήπατος στο δικό μου αρχείο. Ein συνάδελφός μου συνάντησε κάτι παρόμοιο. Είχε χρόνια αποφρακτική πνευμονοπάθεια (COPD) καταγεγραμμένη στο αρχείο του, επειδή ο πάροχός του, χρησιμοποιώντας το σύστημα παρασκηνίου τεκμηρίωσης, είχε παραγγείλει μια ακτίνωση θώρακος για να αποκλείσει την COPD. Όταν αργότερα αιτήθηκε ασφάλεια ζωής, του αρνήθηκαν, και ο λόγος που δόθηκε ήταν η διάγνωση COPD που η προηγούμενη παραγγελία ακτίνων είχε απρόσκοπτα δημιουργήσει.

Τα λάθη του контέκστ peuvent να είναι ακόμη πιο περίεργα. Σε μια πρόσφατη περίπτωση, ένας αρσενικός ασθενής που ανέφερε ότι έτρωγε αυγά για πρωινό ανακατατάχθηκε ως θηλυκός, πιθανότατα επειδή το σύστημα συνδέθηκε τη λέξη “αυγά” με θηλυκή βιολογία. Κάθε ένα από αυτά τα λάθη είναι εύκολο να γελάσει σε απομόνωση. Μόλις γραφτούν σε ένα αρχείο και ανταλλαχθούν μεταξύ συστημάτων, σταματούν να είναι αστεία.

Υπάρχει μια αυξανόμενη ενθουσιασμός γύρω από την εθνική διαλειτουργικότητα, με εκατομμύρια αρχείων που ανταλλάσσονται ετησίως. Τι πρέπει ακόμη να συμβεί πριν οι κλινικοί να μπορέσουν πραγματικά να εμπιστεύονται ότι τα ανταλλαγμένα δεδομένα είναι πλήρη, ακριβή και κλινικά σχετικά στο σημείο φροντίδας;

Δύο πράγματα πρέπει να συμβούν. Πρώτον, οι πάροχοι που υπογράφουν τις συναντήσεις, οι οποίες παράγονται όλο και περισσότερο από εργαλεία παρασκηνίου με LLM, χρειάζονται γρήγορες και εύκολες φρουρές που θα είναι διαθέσιμες πριν υπογράψουν, στο σημείο ακριβώς πριν τα δεδομένα εισέλθουν στο αρχείο του ασθενή. Μόλις τα λανθασμένα δεδομένα εισέλθουν στο αρχείο, κάθε μεταγενέστερη χρήση τους κληρονομεί το παλιό πρόβλημα “σκουπίδι μέσα, σκουπίδι έξω”, και η διόρθωση τους μετά είναι δύσκολο.

Δεύτερον, ακόμη και όταν τα δεδομένα είναι ακριβή, ένας κλινικός πρέπει να μπορεί να βρει αυτό που χρειάζεται χωρίς να διασχίσει όλα τα άλλα στο αρχείο. Η ανταλλαγή εκατομμυρίων αρχείων δεν κάνει καλό αν ο λήπτης κλινικός δεν μπορεί να εντοπίσει τις σχετικές πληροφορίες ή να εμπιστευτεί ότι αντανακλούν την πραγματική κλινική εικόνα του ασθενή. Η επικύρωση στο σημείο φροντίδας και η εύκολη ανάκτηση είναι αυτά που κάνουν τα ανταλλαγμένα δεδομένα κάτι που ένας κλινικός μπορεί πραγματικά να βασιστεί.

Βλέποντας μπροστά πέντε χρόνια, τι μοιάζει ένα “ενεργοποιημένο” περιβάλλον υγειονομικών δεδομένων όταν η AI, τα πρότυπα διαλειτουργικότητας, το κλινικό контέκστ και οι ροές εργασίας των γιατρών τελικά ευθυγραμμίζονται με έναν σημαντικό τρόπο;

Η ευθυγράμμιση θα εξαρτηθεί από κάθε πλευρά να έχει πρόσβαση σε μια αξιόπιστη κλινική βάση δεδομένων, μια που σχεδιάστηκε για να διαχειρίζεται κάθε ασθενή αποτελεσματικά και, συλλογικά, να κάνει πραγματική διαχείριση πληθυσμιακής υγείας μια πραγματικότητα. Με αυτήν τη βάση, η ευθυγράμμιση αρχίζει από τον个ικό ασθενή.

Πριν από κάθε συνάντηση, ένας AI-παράγοντας συναρμολογεί όλα τα διαθέσιμα δεδομένα για αυτόν τον ασθενή από δίκτυα υγειονομικής πληροφόρησης, ανταλλαγές, ασφαλιστές και επιχειρήσεις, ενώ ένας άλλος αφαιρεί διπλότυπα και οργανώνει τα υπόλοιπα δεδομένα. Μέσω μιας εφαρμογής, ενός κιόσκου ή ενός συναλλασσόμενου παράγοντα, ο ασθενής τότε επιβεβαιώνει τις τρέχουσες διαγνώσεις, τα φάρμακα, τα πρόσφατα αποτελέσματα εργαστηρίου και οποιαδήποτε νέα ζητήματα, διορθώνοντας τυχόν λάθη κατά τη διαδικασία. Ein προσχέδιο αυτών των αλλαγών στέλνεται σε einen κλινικό για αναθεώρηση.

Στη συνάντηση, εικονική ή φυσική, ο κλινικός αναθεωρεί αυτές τις πληροφορίες με τον ασθενή και στρέφεται στις καταστάσεις που απαιτούν προσοχή. Ein παράγοντας επιφέρνει διαγνωστικά σχετικά στοιχεία για κάθε υφιστάμενη κατάσταση ή νέα καταγγελία, και η ατμόσφαιρα ακρόασης καταγράφει τη συζήτηση. Ein δεύτερος παράγοντας συνοψίζει την για τον κλινικό να αναθεωρήσει, να διορθώσει και να εγκρίνει.

Από εκεί, οι παράγοντες χειρίζονται το μεταγενέστερο έργο: εξασφαλίζουν τις απαραίτητες εξουσιοδοτήσεις, στέλνουν συνταγές στη φαρμακεία, υποβάλλουν αιτήσεις, προγραμματίζουν follow-up φροντίδα και συσκευάζουν πληροφορίες για τους εγκεκριμένους φορείς. Σε όλη τη διαδικασία, παρασκηνικοί παράγοντες αξιολογούν κλινικό κίνδυνο και προτρέπουν για ποιότητα, ρύθμιση κινδύνου και ρυθμιστική τεκμηρίωση. Το όλο μοντέλο βασίζεται σε καθαρά, αξιόπιστη δεδομένα σε κάθε βήμα, με κλινικούς που διατηρούνται στην πορεία, παράγοντας πληροφορίες που υποστηρίζουν τόσο την ατομική φροντίδα του ασθενή όσο και την αποτελεσματική διαχείριση πληθυσμιακής υγείας.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Medicomp Systems.