医疗保健人工智能的下一个测试是集成

例如，事先授权工作流程可能需要通过快速医疗保健互操作性资源 (FHIR) API 检索临床文档、将患者病史映射到付款人标准、识别缺失的证据、生成提交数据包、将异常情况路由给专家、监控付款人响应、调整患者护理路径以及从结果中学习。这种类型的工作流程需要协调。它还需要护栏：监管要求、隐私标准、临床政策、编码规则、付款人标准和组织风险阈值。一种有前途的方法是将法学硕士与结构化知识库、符号逻辑、强化学习和确定性验证层相结合的混合架构。在 Ensemble，这就是我们的收入周期智能引擎 EIQ 背后的设计原则。 EIQ 将运营活动、临床文档、付款人行为和报销结果整合到一个持续学习的智能层中，并与医院的电子健康记录 (EHR) 集成。它用智能系统补充了记录系统，旨在将信息和最有可能改善结果的行动联系起来。 EIQ 使用神经符号方法，将法学硕士和定制小语言模型与基于规则的推理相结合。该架构建立在医疗保健领域最强大的数据集之一之上，以十多年来屡获殊荣的运营绩效、交易历史、付款人行为和运营商决策为基础。语言模型有助于解释信息并生成人类可读的输出。符号层代表策略、规则、付款人要求和工作流程约束，因此系统可以应用护栏，使推理步骤更加可追溯，并推荐适合特定操作环境的操作。未来十年将带来什么主要人工智能公司对医疗保健的贡献将是巨大的。他们的模型将变得更快、更安全、更强大、更易于访问。但医疗保健人工智能的下一个十年将由集成来定义，而不仅仅是模型能力。创造最大价值的组织将是那些将模型与受管数据、操作工作流程、领域专业知识、人工监督和可衡量结果连接起来的组织。他们会明白医疗保健智能不能存在于单独的界面中。它必须存在于影响访问、文件报销和患者体验的决策中。此内容由 Ensemble 制作。它不是由《麻省理工科技评论》的编辑人员撰写的。