在医疗和制药等文档密集型领域,数据提取的速度和准确性对患者安全和及时护理至关重要。处方是医疗工作流程中的关键文件,准确的转录对于减少用药错误和不良药物事件至关重要。
本博客展示了Cloudera 如何帮助医疗机构实现现代化,通过使用专业 AI 代理取代传统的光学字符识别(OCR),提升数据提取和处方生成的速度和准确性。
美国的药房行业面临着不断增长的需求、更紧的利润空间以及对准确性和速度日益增长的期望。仅在美国,每年就有超过 60 亿份处方,但配药仍然高度依赖手动数据录入、核实和记录。
药剂师的工资有所增长,而来自药品福利管理公司的报销压力和运营摩擦继续压缩盈利能力。药房面临着结构性挑战:在劳动力成本高昂、工作流程日益复杂、报销越来越不稳定的情况下,如何提供更快、更安全的配药服务。
美国药店正在经历工作量增加和利润下降的双重挤压:
劳动力缺口:药剂师的平均工资为 66 美元/小时,但他们的大部分时间都耗费在人工数据输入和文书核实上。
审计:药房福利管理公司每年通过“捞回”(clawback)收回数十亿美元的资金,捞回是由微小的文档错误引发的追溯付款。
营收结构转变:配药业务的利润率持续下滑,而临床服务能为药房带来显著更高的经济回报。
多年来,光学字符识别一直是转录处方的事实标准技术。然而,它仍然面临现实世界的复杂性,例如:
缺乏标准化格式:处方的格式千差万别,而手写处方由于笔迹和语言的差异进一步增加了复杂性。
高错误率:造成这种差异的原因是在处理书面文字的光学字符识别过程中经常出现错误,需要大量的人工审核和纠正。
定制软件栈:大多数基于光学字符识别的解决方案采用定制的软件栈。因此,医疗保健系统在许可证发放、设备升级和员工培训方面面临诸多挑战。
隐私和 PII 法规:病人记录有高度的合规性要求(如 GDPR),这限制了健康记录的存储和传输处理。
基于人工智能的验证通过自动化重复且容易出错的步骤,并将非结构化处方转换为可靠数据,从而加强——而不是取代——药剂师的专业能力。
劳动力优化
验证是配药工作流程中最耗时的步骤之一,因为药剂师必须接收、解释、转录并确认每个处方。AI 驱动的光学字符识别自动化了处方的接收和验证,减少了人工工作,使药房能够满足现有员工的需求,减少加班和对代班药剂师的依赖。
已重新分配的容量
通过减少履行所需的时间,药剂师可以为更高利润的临床服务争取时间——如疫苗接种、药物治疗管理(MTM)和现场检测——从而改善整体利润结构。
减少错误
用药错误和文书差异通常源于笔迹不一致、信息不完整或手动录入数据。在药房福利管理审计中,即使是微小的文档错误也可能导致全额报销被“捞回”,造成重大财务风险。人工智能驱动的光学字符识别通过在提交前标记模糊或不一致的数据,增加了一层自动化安全层。这样可以提高文件质量,减少配药错误,降低审计追偿的风险。
报销准确性
药房福利经理负责管理大多数处方报销,并执行严格的文件标准。说明书、数量或处方信息的细微差别经常导致报销申请被拒绝,造成返工和行政负担。人工智能支持的光学字符识别在录入点提高了文件准确性,减少了可避免的拒付,并缩短了更正和重新提交报销所需的时间。这将减少返工次数,加快报销速度,并在利润已受限的环境中实现更可预测的现金流。
一家中欧医疗保健提供商与 Cloudera 合作,在严格的个人身份信息 (PII) 法规下实现处方分析的现代化。该解决方案用基于智能体的 AI 流水线取代了单次光学字符识别工作流程,部署在私密且隔离的环境中。此外,该方案的准确率提升了 16% 以上,性能接近人类水平,并从概念验证到生产仅用了几周时间。
该解决方案的有效性来自于一个基于人工智能的编排工作流程,结合了微调的视觉模型与权威的医疗数据验证。
首先,Cloudera AI 智能体首先使用专门针对真实世界处方格式和手写模式训练的视觉光学字符识别模型提取处方数据。
随后,提取出的药品名称、剂量和成分通过概率匹配与认证的医学和药品数据库进行验证。
最后,人工反馈不断重新训练模型,使系统能够从先前的错误中学习,并稳步提高准确性。这种闭环方法将处方分析从静态光学字符识别提升为自我改进的生产级工作流程。
这种代理工作流程带来了明确的运营和财务收益:
准确性提升:经认证的医疗数据库校验减少了 OCR 和文档错误。
降低运营成本:自动化减少了人工审核、纠错和审计相关的复工。
更快的处理:自动推断缩短了履约周期,释放了药剂师的工作量。
采用代理式工作流程的药房将获得速度、韧性和经济优势。延迟的企业将面临劳动力成本上升、审计风险增加以及药房福利管理要求带来的更大竞争压力。
要了解更多关于 Cloudera AI 如何助力您的使用案例,请查看我们的网络研讨会系列“加速企业级与智能体 AI:通过私有 AI,实现从开发到推理的过程”。
This may have been caused by one of the following: