توضیحات

آموزش استفاده از یادگیری ماشین در داده های پزشکی

نام دوره : Data Science for Healthcare Claims Data

پیش نیاز:

برخی از تجربیات در مورد تبدیل داده های اداری خام به بینش های عملی مفید خواهد بود، اما ضروری نیست.
دانشجویان برای انجام بخش های عملی این دوره به کامپیوتر با دسترسی به اینترنت نیاز دارند.
بخش اعظم این دوره نیازی به دانش قبلی ندارد. با این حال، تعداد محدودی از بخش‌های این دوره شامل پردازش و تحلیل داده‌ها با استفاده از Excel، SQL، Python و داشبوردهای هوش تجاری است. فقط برای این بخش ها، دانش قبلی و یا آشنایی با این ابزارها مفید است، زیرا ممکن است این دوره اطلاعات کافی برای یادگیری این ابزارها را از ابتدا در اختیار شما قرار ندهد.

اگر قبلاً با یادگیری ماشین در پایتون آشنایی کامل دارید، بخشی از این دوره که به یادگیری ماشین اختصاص دارد ممکن است بیش از حد ساده به نظر برسد.

اما هدف از این دوره آموزش یادگیری ماشین در پایتون نیست. هدف اصلی این بخش‌ها این است که نشان دهیم چگونه می‌توانیم داده‌های خام مراقبت‌های بهداشتی را به گونه‌ای تبدیل کنیم که بتوانیم تکنیک‌های یادگیری ماشینی معنادار را روی آن اعمال کنیم. این به عنوان مهندسی ویژگی نیز شناخته می شود.

توضیحات:

متداول ترین و پرکاربردترین نوع داده در مراقبت های بهداشتی، Claims Data است. داده‌های خسارت گاهی اوقات داده‌های صورت‌حساب، داده‌های بیمه یا داده‌های اداری نیز نامیده می‌شوند.

دلیل اینکه چرا Claims Data بزرگ‌ترین، قابل اعتمادترین و کامل‌ترین نوع کلان داده در مراقبت‌های بهداشتی هستند، بسیار ساده است.

این به بازپرداخت مربوط می شود، یعنی پرداخت کالاها و خدمات مراقبت های بهداشتی بهClaims Data بستگی دارد.

ارائه دهندگان مراقبت های بهداشتی ممکن است همیشه زمانی را برای تکمیل تمام مدارک مورد نیاز در مراقبت های بهداشتی پیدا نکنند، اما همیشه آن بخشی از مدیریت خود را انجام می دهند که درآمدشان به آن بستگی دارد.

بنابراین، در بسیاری از موارد، تجزیه و تحلیل Claims Data مراقبت های بهداشتی یک جایگزین بسیار عملی تر برای استخراج بینش های ارزشمند است.

Claims Data  امکان تجزیه و تحلیل بسیاری از عناصر غیر بیولوژیکی مربوط به سازمان مراقبت های بهداشتی را فراهم می کند، مانند الگوهای ارجاع بیمار، ثبت نام بیمار، زمان انتظار، تبعیت از درمان، تامین مالی مراقبت های بهداشتی، مسیرهای بیمار، کشف تقلب و نظارت بر بودجه.

Claims Data همچنین امکان استنباط هایی در مورد حقایق بیولوژیکی را فراهم می کند، اما این موارد در مقایسه با سوابق پزشکی محدود هستند.

با دنبال کردن این دوره، دانش آموزان یک درک نظری قوی از هدف Claims Data مراقبت های بهداشتی به دست خواهند آورد.

علاوه بر این، بخش قابل توجهی از این دوره به کاربرد علم داده و فناوری اطلاعات سلامت (Healthcare IT) برای به دست آوردن بینش معنی‌دار از داده‌های ادعاهای خام مراقبت‌های بهداشتی اختصاص دارد.

دوره آموزش استفاده از یادگیری ماشین در داده های پزشکی برای متخصصانی است که (می‌خواهند) در سازمان‌های مراقبت‌های بهداشتی (ارائه‌دهندگان و پرداخت‌کنندگان) کار کنند که نیاز به ایجاد بینش عملی از حجم زیادی ازClaims Data تولید شده توسط این سازمان‌ها دارند.

نمونه هایی از این افراد عبارتند از: کنترل کنندگان و برنامه ریزان مالی، مدیران کیفیت مراقبت، متخصصان کدگذاری پزشکی، متخصصان صورتحساب پزشکی، محققان مراقبت های بهداشتی یا سلامت عمومی، متخصص سوابق الکترونیک سلامت گواهی شده، پرسنل فناوری اطلاعات سلامت یا انفورماتیک سلامت، پرسنل پزشکی وظیفه سیاست گذاری، پرسنل در بخش های تدارکات و بازرسان تقلب. در نهایت، این دوره همچنین برای دانشمندان داده و مشاورانی که فاقد دانش دامنه در مورد سازمان مراقبت های بهداشتی هستند، اما به نوعی وارد پروژه Claims Data مراقبت های بهداشتی شده اند، بسیار مفید خواهد بود.

پس از اتمام این دوره، دانش‌آموزان می‌توانند سهم قابل توجهی در جهت داده‌سازی بیشتر سازمان‌های مراقبت‌های بهداشتی (ارائه‌دهندگان و پرداخت‌کنندگان) داشته باشند.

دوره آموزش استفاده از یادگیری ماشین در داده های پزشکی برای چه کسانی است:

این دوره برای متخصصانی است که با ارائه دهندگان مراقبت های بهداشتی و بیمه های سلامت درگیر هستند که نیاز به ایجاد بینش عملی از حجم زیادی از Claims Data تولید شده توسط این سازمان ها دارند. مثال‌ها عبارتند از: کنترل‌کننده‌ها و برنامه‌ریزان مالی، مدیران کیفیت مراقبت، متخصصان کدگذاری پزشکی، متخصصان صورتحساب پزشکی، محققان مراقبت‌های بهداشتی یا سلامت عمومی، متخصص سوابق الکترونیک سلامت گواهی‌شده، پرسنل فناوری اطلاعات سلامت یا انفورماتیک سلامت، پرسنل پزشکی موظف به سیاست‌گذاری، پرسنل در تدارکات ادارات و بازرسان تقلب در نهایت، این دوره همچنین برای دانشمندان داده و مشاورانی که فاقد دانش دامنه در مورد سازمان مراقبت های بهداشتی هستند، اما به نوعی وارد پروژه داده ادعاهای مراقبت های بهداشتی شده اند، بسیار مفید خواهد بود.

بخشی از دوره: