An Automated Clinical Laboratory Decision Support System for Test Utilization, Medical Necessity Verification, and Payment Processing
Notice bibliographique
Résumé
Physicians could improve the efficiency of the health care system if a reliable resource were available to aid them in better understanding, selecting, and interpreting the diagnostic laboratory tests. It has been well established and widely recognized that (1) laboratory testing provides 70%-85% of the objective data that physicians use in the diagnosis and treatment of their patients; (2) orders for laboratory tests in the United States have increased, with an estimated volume of 4-5 billion tests per year; (3) there is a lack of user-friendly tools to guide physicians in their test selection and ordering; and (4) laboratory test overutilization and underutilization continue to represent a pervasive source of inefficiency in the health care system. These inappropriate test orders not only lead to slower or incorrect diagnoses for patients but also add a significant financial burden. In addition, many ordered tests are not reimbursed by Medicare because they are inappropriate for the medical condition or were ordered with the incorrect International Statistical Classification of Diseases and Related Health Problems, Tenth Revision diagnostic code, not meeting the medical necessity. Therefore, current clinical laboratory test ordering procedures experience a quality gap. Often, providers do not have access to an appropriate tool that uses evidence-based guidelines or algorithms to ensure that tests are not duplicated, overused, or underused. This viewpoint lays out the potential use of an automated laboratory clinical decision support system that helps providers order the right test for the right disease and documents the right reason or medical necessity to pay for the testing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,038 | 0,135 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».