关键字: [Infor FHIR on RAMP, Clinical Quality Measures, Population Health Management, Electronic Medical Records, Data Curation, Fhir Data Translation, Clinical Knowledge Graph, Care Gap Identification, Quality Reporting Requirements, Population Health Analytics, Actionable Clinical Data]

本文字数: 400, 阅读完需: 2 分钟

导读

约尔格· 施瓦茨和亚历克斯· 泰勒博士来自Infor 公司, 他们展示了一种用于临床质量措施报告的解决方案。该解决方案能够从各种EMR 系统收集数据, 将其清理并整理为FHIR 格式, 随后上传至亚马逊云科技HealthLake 。建立在亚马逊云科技Neptune 之上的大规模临床知识图谱将数据进行映射, 以识别护理差距和质量差距。该解决方案使ACO 能够跟踪各项质量措施的进展情况, 预测目标, 并确定采取行动来弥补差距, 从而满足CMS 在2026 年之前对整个人群报告的要求。演示重点介绍了Infor 在亚马逊云科技上的解决方案如何实现近乎实时的临床质量报告、可操作的见解以及符合CMS 法规的要求。

演讲精华

在这场富有洞见的演讲中,Jorg Schwarz 和Alex Taylor 向我们揭示了一种创新的解决方案, 利用亚马逊云科技(AWS) 服务进行临床质量测量报告。该解决方案旨在克服目前基于医疗索赔数据进行质量报告的滞后性和不可操作性, 索赔数据通常滞后6 到9 个月。相比之下, 他们的解决方案利用近乎实时的临床数据, 从而使临床质量测量报告变得可操作。

在人口健康管理领域, 主要挑战在于大多数责任医疗组织(ACO) 使用6 种或更多不同的电子病历系统(EMR) 。由于数据分散在多个EMR 系统中, 因此需要将所有这些数据收集、清理并转换为FHIR 格式, 以便进行数据分析和识别医疗差距。Schwarz 指出,“ 如果某个ACO 工作, 它需要与许多专科医生合作, 而他们通常拥有自己的EMR 系统。该ACO 必须将来自这些专科EMR 系统的所有数据整合在一起, 然后才能开始识别医疗差距, 并确定是否需要为患者采取任何措施。”

他们的解决方案基于Infor Cloverleaf 互操作性引擎, 该引擎可在亚马逊云科技上运行, 并提供实时数据翻译服务, 如HL7 v2 到FHIR 、CDA 到FHIR 等数据格式之间的转换。去年, 他们推出了Infor FHIR on RAMP 服务, 该服务专门优化了将数据上传到Amazon HealthLake 的过程。一旦数据存储在HealthLake 中, 他们就可以利用亚马逊云科技的各种服务对数据进行处理、规范化, 使其适合分析目的。

Schwarz 还提到, 由于医疗保险和医疗补助服务中心(CMS) 要求从2025 财年开始, 必须对整个人口报告质量措施, 而不仅仅是样本, 因此需要一个更加强大的电子临床质量测量报告解决方案。他解释道,“ 今天, 提供商通常会手动整理来自不同数据源的数据。他们通过手动方式完成大部分语义互操作性工作, 如果只是针对200 到300 名患者的小样本, 这种做法还可以。但对于新的要求, 您必须针对整个人群进行报告, 可能是50,000 人、200,000 人, 甚至数百万人, 手动流程就无法满足需求了。”

接下来,Alex Taylor 博士从伦敦加入, 详细介绍了该解决方案的技术组件。该解决方案完全在亚马逊云科技上运行, 使用Terraform 进行部署, 目前正在亚马逊云科技沙箱中使用合成数据进行端到端测试。Taylor 博士解释说,“ 他们的想法是将应用程序部署到数据所在的位置, 而不是试图将数据从其所在位置迁移出来。”

该解决方案的核心是一个大规模的临床知识图谱, 存储在Amazon Neptune 中, 包含2 亿个节点和边, 涵盖所有长期疾病、治疗药物以及与电子临床质量测量和人口健康管理相关的支付规则。Taylor 博士强调,“ 它包含了每种长期疾病及其治疗药物。最关键的是, 它包含了与eCQM 和人口健康管理相关的所有支付规则。” 通过将非结构化数据映射到知识图谱中的节点, 并创建患者子图, 该解决方案能够识别医疗差距和质量差距, 为ACO 提供人口健康管理分析。他们利用Amazon Comprehend 等亚马逊云科技服务从非结构化数据中解析出代码。

Taylor 博士进一步举例说明了该解决方案的工作流程,“ 对于每个质量措施, 他们从知识图谱中提取包含纳入、排除标准和例外情况的规则引擎。然后, 针对每个患者的纵向病历记录运行规则引擎, 确定该患者是否符合纳入标准、是否被排除或是否需要干预措施。” 通过对整个人群逐一患者进行此过程, 可计算出CMS 所需的分子和分母, 以跟踪绩效并支付相应的奖励。

他具体解释道,“ 让我们以一个患者为例。在从HealthLake 获取所有FHIR 数据并应用规则引擎后, 他们可以说, 是的, 这位患者符合纳入标准。他们患有房颤, 并接受了所需的服务。他们可以将该患者从需要关注的名单中移除, 因为该患者在本年度已获得所需的医疗服务。”

最后,Schwarz 总结说, 该解决方案不仅支持CMS 要求的3 个质量措施, 实际上已经内置了200 多个可从FHIR 数据中映射的质量措施。人口健康管理人员可以通过仪表板或API 接口跟踪各项指标的进展、预测目标完成情况, 并识别需要采取行动的质量差距。他说,“ 如您所见, 我们不仅支持CMS 要求的3 个质量措施, 实际上已经内置了200 多个可从FHIR 数据中映射的质量措施。人口健康管理人员可以通过仪表板或API 接口以各种方式使用这些数据。”

总的来说, 这个演讲详细介绍了一种利用亚马逊云科技服务( 如HealthLake 、Neptune 、Comprehend 等) 以及临床知识图谱的解决方案, 旨在提高临床质量测量报告的实时性、可操作性和覆盖范围, 以满足CMS 的新要求并优化人口健康管理。该解决方案通过将临床数据转换为FHIR 格式、存储在HealthLake 中, 并映射到包含2 亿个节点和边的知识图谱, 从而实现对整个人群的质量测量和差距识别, 为ACO 提供全面的人口健康管理分析和见解。

总结

1)       该解决方案从多个电子病历系统近实时收集并整理临床数据, 实现可操作的质量措施, 并识别医疗差距。

2)       它利用亚马逊云科技服务, 如Cloverleaf 进行数据转换、HealthLake 进行数据存储、Comprehend 处理非结构化数据, 以及建立在Amazon Neptune 上的大规模临床知识图谱。

3)       包含2 亿个节点和边的知识图谱将患者数据映射到医疗差距和质量差距, 使ACO 能够跟踪绩效、预测目标并采取必要行动。

总体而言, 该信息强调了一个可扩展且健壮的解决方案对于满足CMS 在2026 年前为整个人口报告质量措施的要求的重要性, 使ACO 能够优化人口健康管理并获得奖励。

亚马逊云科技（Amazon Web Services ）是全球云计算的开创者和引领者。提供200 多类广泛而深入的云服务，服务全球245 个国家和地区的数百万客户。亚马逊云科技致力于成为企业构建和应用生成式AI 的首选，通过生成式AI 技术栈，提供用于模型训练和推理的基础设施服务、构建生成式AI 应用的大模型等工具、以及开箱即用的生成式AI 应用。深耕本地、链接全球 -- 在中国，亚马逊云科技通过安全、稳定、可信赖的云服务，助力中国企业加速数字化转型和创新，并深度参与全球化市场。