Kai sveikatos priežiūros subjektai pereina prie dirbtinio intelekto (AI) modelių diegimo, kad supaprastintų pacientų įsitraukimą, kad būtų išteisintas geras ryšių su klientais valdymo (CRM) sistemos duomenys, yra didėjančios svarbos, sakė ekspertas.
2025 m. Balandžio mėn. JK nacionalinė sveikatos tarnyba (NHS) paskelbė patarimus, kaip svarbu naudoti aukštos kokybės duomenis mokant AI modelius. Rekomendacijos pabrėžė, kad dėl prastos kokybės duomenų gali kilti nenumatytas šališkumas ir kiti netikslumai, kurie gali sukelti AI modelių, naudojamų skirtingoms funkcijoms sveikatos priežiūros sistemose, efektyvumą.
CRM duomenys apima informaciją apie pacientų demografinius rodiklius, asmenų ligos istoriją, draudimo informaciją, išsamią sąskaitų išsamią informaciją ir dar daugiau. Šių duomenų konsolidacija skirta pagerinti pacientų įsitraukimą, suasmeninti priežiūrą ir sekti asmenų ligos istoriją.
2022 m. Ataskaitoje nurodoma, kad pajamų srautai iš 44% sveikatos priežiūros respondentų buvo tiesiogiai paveikti mokesčių mokesčių kokybės CRM duomenimis. Be to, 69% respondentų teigė, kad jų organizacijos nesiekė ar visiškai vertingų iniciatyvų, dėl žemos kokybės CRM duomenų.
Anot Rachel Mak-McCully, „Digital Twin“ kūrėjo „Undearn.ai“ vyresniojo duomenų mokslininko, CRM duomenų rinkinių valymas ir suderinimas nėra sritis, kuriai reikia pakankamai atsižvelgti-nepaisant didelės įtakos AI modeliams, kurie yra naudojami sveikatos priežiūros srityje.
„Galvodamas apie švarius duomenis, yra keletas klausimų, įskaitant tai, kiek tikslūs ir išsamūs duomenys“,-pasakojo Mak-McCully Medicinos prietaisų tinklas.
„JAV turime labai suskaidytą medicinos sistemą, todėl informacija, kurią gaunate apie ką nors, gali būti gana suskaidyta“.
Suskaidyti duomenys gali būti susiję su trūkstamais duomenimis, nes jie nebuvo surinkti tuo pačiu metu ar saugoti kartu, sakė Mak-McCully arba ta prasme, kad jis buvo matuojamas skirtingais būdais.
„Įsivaizduokite duomenų valymo procesą kaip skaičiuoklę. Galbūt turite daugybę skirtingų stulpelių, kurie įvardijami skirtingai, tačiau jie yra tas pats. Norite įsitikinti, kad visi jie yra suderinti į tą patį stulpelį”,-teigė Mak-McCully.
„Ir jūs norite įsitikinti, kad vienetai, kuriuos matote įvairiuose duomenų šaltiniuose, yra vienodi. Pagrindinis tikslas yra turėti švarų, lentelių duomenų rinkinį gale, kuriame yra visi susiję duomenų šaltiniai, kad vienas, švarus duomenų šaltinis galėtų būti naudojamas jūsų AI modeliui išmokyti.”
„Mak-McCully“ daro išvadą, kad nors daug kalbama apie AI modelių veikimą sveikatos priežiūros ir kitose srityse, pavyzdžiui, naujuose etalonuose, kurie buvo sukurti, labai nedaugelis žmonių kalba apie pagrindinius duomenis.
„Mums aiškiai pranešti, ką mes darome, to padariniai ir žmonės supranta, kaip naudojami duomenys, ypač sveikatos priežiūra, yra tikrai svarbus pokalbis“.
