Jane Doe tiene un registro médico extenso, lleno de citas, diagnósticos, tratamientos, recetas y resultados de laboratorio. Sus proveedores de atención médica usan el registro para controlar su salud y determinar la atención que necesita.
Jayne Doe también tiene un registro médico en el que confían sus profesionales de la salud.
Lo que esos proveedores no saben es que Jane Doe y Jayne Doe son la misma persona y sus registros médicos son duplicados, cada uno contiene parte de su historial completo pero omite otros datos. Los registros duplicados se crearon accidentalmente debido a un error de ingreso de datos o discrepancias entre los formularios de registro de pacientes.
Como resultado, Jane/Jayne Doe puede estar en peligro de ser mal diagnosticada o maltratada debido a sus registros duplicados o incompletos.
El aprendizaje automático está haciendo grandes cosas en la medicina, incluida la mejora de los diagnósticos médicos y la fabricación de medicamentos. También está mejorando la atención médica de otra manera que no aparece en los titulares pero que está en el corazón de la prestación de atención: al eliminar registros médicos duplicados, como los descritos anteriormente, y al proporcionar datos de alta calidad para pacientes y proveedores.
La duplicación de registros de pacientes es uno de los problemas más graves con la calidad de los datos de salud y es más común de lo que mucha gente piensa. Se ha encontrado que las tasas de duplicación alcanzan el 30 % en algunas organizaciones de atención médica, y una tasa del 10 % es común.
Por lo general, esto ocurre cuando alguien comete un error al registrar a un paciente o ingresar datos, como transponer dígitos a un número de teléfono o de Seguro Social. Los formularios de registro varían según la organización, y algunos requieren más detalles de identificación que otros. Los pacientes mueven direcciones y también cambian números de teléfono, y cada iteración crea la oportunidad de un registro duplicado.
Los duplicados y otras discrepancias de pacientes plantean más que un simple riesgo médico; provocan costosas ineficiencias y diluyen el valor de los datos de una organización de atención médica. Los registros médicos duplicados cuestan a las organizaciones de atención médica casi $2,000 por estadía en el hospital y $800 por visita a la sala de emergencias. Además, un tercio de las solicitudes denegadas pueden atribuirse a datos de salud o de identificación del paciente inexactos.
Una vez detectados, los registros duplicados generalmente deben corregirse manualmente, un proceso tedioso y lento que requiere que los profesionales de la salud examinen los archivos y las facturas para garantizar que se adjunten los datos correctos al paciente correcto y que se eliminen los duplicados.
Sin embargo, un número cada vez mayor de hospitales, sistemas de salud, laboratorios y prácticas están recurriendo al aprendizaje automático para eliminar la duplicación y la superposición, que son más peligrosas y se producen cuando se mezclan los registros de los pacientes.
Un proceso típico de cuatro niveles ejecuta los datos de una organización a través de un motor de resolución de identidad basado en ML para reducir las tasas de duplicación hasta en un 1 %. No solo es más rápido y más preciso, sino que permite al personal realizar un trabajo más importante.
El aprendizaje automático no solo elimina los registros duplicados, sino que también evita que se creen al analizar todos los campos en una base de datos de registros médicos y hacer coincidir los resultados y los indicadores con el paciente correcto antes de finalizar el registro.
Sobre el Autor

Oleg Bess, MD, es el fundador y director general de 4médico. Lidera el equipo de liderazgo de 4medica y la estrategia de desarrollo de productos de la compañía en hospitales, pacientes ambulatorios y otros nuevos entornos de atención para satisfacer la demanda de soluciones de interoperabilidad y conectividad basadas en la nube rentables y de rápido despliegue.
Regístrese para recibir el boletín gratuito insideBIGDATA.
Únase a nosotros en Twitter: https://twitter.com/InsideBigData1
Únase a nosotros en LinkedIn: https://www.linkedin.com/company/insidebigdata/
Únase a nosotros en Facebook: https://www.facebook.com/insideBIGDATANOW