Kasusstudie: Medisinsk datasettlisensiering
Forvandling av pediatrisk og OB-GYN-pleie gjennom presisjonsdatakurering og merknadstrening
Lås opp kraften til medisinske data: Omfattende datakurering, avidentifikasjon, ICD-10 CM og merknad for overlegen AI-modellopplæring.
Prosjektoversikt
Shaip samarbeidet med et ledende AI-selskap for helsetjenester for å kuratere og kommentere avidentifiserte medisinske datasett av høy kvalitet for opplæring av avanserte NLP-modeller. Prosjektet fokuserte på pediatri og OB-GYN spesialiteter, og leverte polikliniske journaler annotert med ICD-10 CM-koder via et robust API-rammeverk.
Datasettet ble strukturert for å lette AI-opplæring i helsedokumentasjon i den virkelige verden, og forbedre modellkapasiteten for å forstå kliniske narrativer.
Nøkkeltall
750 sider / ~300 polikliniske journaler
375 sider Pediatri
375 sider OB-GYN
ICD-10 CM 2023 medisinske kodeannotater
Prosjektomfang
| Datasettype | Spesialitet | Volum | Metadata fanget | Merknader |
|---|---|---|---|---|
| Medisinske notater | Pediatrics | 375 sider (~150 poster) |
Filnavn, spesialitet, Dokumenttype, pasientklasse (poliklinisk) |
Inkluderer vurdering / planseksjoner |
| OB-GYN | 375 sider (~150 poster) | |||
| Merknader | ICD-10 CM (2023) | Fullt datasett | Kodekartlegging via API | Kodevalidering av kodere er utenfor omfanget |
Utfordringer
Prosjektet ga flere kritiske utfordringer som krevde grundig planlegging og gjennomføring:
1. Spesialitetsspesifikk datainnsamling
Det var utfordrende å skaffe polikliniske journaler av høy kvalitet utelukkende fra pediatri og OB-GYN. Hvert dokument måtte inkludere viktige kliniske seksjoner som vurdering og plan for å støtte nøyaktige merknader.
2. Omfattende PHI-avidentifikasjon
Å sikre fullstendig fjerning av all personlig identifiserbar informasjon (PII) samtidig som den medisinske konteksten opprettholdes, var avgjørende for overholdelse av HIPAA. Dette krevde detaljerte gjennomganger for å forhindre brudd på personvernet.
3. Kompleks ICD-10 CM-merknad
Å bruke presise ICD-10 CM (2023) koder via API var komplisert på grunn av varierte narrative stiler og medisinsk terminologi. Konsistens og nøyaktighet i koding var avgjørende for å sikre pålitelig AI-modellopplæring.
4. Metadata nøyaktighet og konsistens
Det var viktig å fange opp og validere metadata som spesialitet, dokumenttype og pasientklasse uten avvik. Eventuelle misforhold kan påvirke modellopplæring og databrukbarhet.
5. Streng poliklinisk filtrering
Å sikre at alle journaler var strengt polikliniske, økte kompleksitet, ettersom mange kliniske dokumenter kan inneholde blandede pasientklasser eller ufullstendige seksjoner.
6. Standarder for kvalitetssikring og nøyaktighet
Å oppfylle terskelen for nøyaktighet på 90 % krevde gjennomganger på flere nivåer for å eliminere duplikater, validere spesialitetsjustering og sikre avidentifikasjon – med midler for omarbeiding ved behov.
Oppløsning
Omfattende datalisensiering og merknader
- Lisensierte pediatriske og OB-GYN polikliniske poster
- Sørget for inkludering av kritiske seksjoner: Sjefklage, Historikk, ROS, Vurdering, Plan
- API-basert ICD-10 CM-kommentar (2023-versjon)
Avidentifikasjon og samsvar
- Erstattet PHI med plassholdere (PERSON_NAME, DATE, LOCATION osv.)
- Sørget for samsvar med personvernstandarder for helsetjenester
Metadata-tagging
- Registrerte detaljerte metadata per fil:
-
- File Name
- Spesialitet (pediatri eller OB-GYN)
- Dokumenttype (oppfølging, H&P, konsultasjon)
- Pasientklasse (kun poliklinisk)
Kvalitetskontroll
- Strenge kvalitetsvurderinger med:
- Ingen dupliserte poster
- Spesialitetsmatchvalidering
- Kun poliklinisk sjekk
- Metadata-konsistenssjekk
- Erstatning eller korrigering av poster under 90 % nøyaktighetsterskel
Utfallet
Shaip leverte et strukturert, kommentert medisinsk notatdatasett som gjorde det mulig for klienten å:
- Tren AI-modeller for nøyaktig ICD-10 CM-kodeprediksjon
- Forbedre NLP-evner i virkelige helsescenarier
- Oppretthold samsvar med personvern og regulatoriske standarder
- Skaler AI-modeller for helsetjenester på tvers av pediatri og OB-GYN-domener
Shaips strukturerte tilnærming til datasettkurering og merknader overgikk forventningene våre. Nøyaktigheten, avidentifikasjonen og metadatapresisjonen har styrket vår AI-modelltreningspipeline betydelig.
