Mehr effektive und kostengünstigere Versorgung durch die Digitalisierung von Gesprächen
Sichere und organisierte Notizen auf Knopfdruck
Bessere Archivierung und Verfügbarkeit von Informationen
Warteliste beitreten
Genaue Sprach-zu-Text-Transkriptionen für medizinisches Fachpersonal.
HealthTalk ist eine sichere, cloudbasierte medizinische Spracherkennungslösung, die die Digitalisierung von Gesprächen zwischen dem Gesundheitsdienstleister und dem Patienten ermöglicht.
Wie funktioniert es?
1 Schritt
Terminplanung
- Patienten können Termine mit Ärzten in angeschlossenen Krankenhäusern vereinbaren.
- Erhalten Sie Termine von allen niederländischen Krankenhäusern über MedMij
- Verbinden Sie sich mit Ihrem Krankenhauskalender
2 Schritt
Aufnahme
Wir führen eine umfangreiche Aufnahme durch, die aus den folgenden Modulen besteht:
- Basierend auf dem klinischen Arbeitsablauf der Krankenhäuser
- Daten von allen 8.400 niederländischen Gesundheitseinrichtungen erhalten
- Daten von jeder PGO (Persönliche Gesundheitsumgebung) erhalten
- Standardisierte und klinisch validierte Fragebögen (PROM)
3 Schritt
Biomarker sammeln
Mit der Kamera Ihres Mobiltelefons können wir verschiedene Vitalparameter in nur 1 Minute erfassen, darunter:
- Blutdruck
- Puls
- Herzfrequenzvariabilität
- Sauerstoffsättigung
- Atemfrequenz
- sympathischer Stress
- parasympathische Aktivität
- Puls-Atem-Quotient (PRQ)
Revolutionäre blutlose Bluttests (in der Forschung) ermöglichen die Messung von Hämoglobinen, Hämoglobin A1C und Gesamtcholesterin. Weitere zusätzliche Bluttests folgen in Kürze.
4 Schritt
Patientenübersicht
Auf Basis aller vom Benutzer generierten Eingaben oder von anderen Ärzten generierten Informationen erstellen wir eine einfache und verständliche Zusammenfassung für den Arzt kurz vor dem Termin
5 Schritt
Ärztliche Konsultation
Bietet einen Mechanismus für jeden Gesundheitsdienstleister und ihre Patienten zur Durchführung automatisierter klinischer Notizen.
Sprache-zu-Text in klinische Vokabulare basierend auf den MeSh- und UMLS-Codierungssystemen.
Automatisch übertragen wir den gesprochenen Text in das SOEP-Modell (Subjektiv, Objektiv, Evaluieren und Planen).
6 Schritt
Automatisierte Berichterstellung
Auf Basis der klinischen Vokabulare erstellen wir das SOAP-Modell (oder SOEP-Modell in Niederländisch), das als Eingabe für Patienten- und Überweisungsschreiben dient, die entweder automatisch erstellt oder vom Gesundheitsdienstleister diktiert werden können.
Dieser Brief oder Bericht wird an den Gesundheitsdienstleister (im technischen Format) gesendet, um ihn in ihr Gesundheitsakten-System oder an den Patienten zu integrieren.
Erkennung von Behauptungen
Die Bedeutung von medizinischem Inhalt wird stark von Modifikatoren beeinflusst, wie zum Beispiel negativen oder bedingten Behauptungen, die bei falscher Darstellung schwerwiegende Auswirkungen haben können.
Analytics for Health unterstützt drei Kategorien der Behauptungserkennung für Entitäten im Text:
- Gewissheit
- Bedingt
- Assoziation
Benannte Entitätenerkennung
Die Benannte Entitätenerkennung erkennt Wörter und Phrasen in unstrukturiertem Text, die mit einem oder mehreren semantischen Typen wie Diagnose, Medikamentenname, Symptom/Zeichen oder Alter in Verbindung gebracht werden können.
.png){kind=spacer}
Beziehungsextraktion
Die Beziehungsextraktion identifiziert bedeutungsvolle Verbindungen zwischen in Text erwähnten Konzepten.
Zum Beispiel wird eine "Zeit der Erkrankung"-Beziehung gefunden, indem ein Erkrankungsname mit einer Zeit oder zwischen einer Abkürzung und der vollständigen Beschreibung assoziiert wird.
.png){kind=spacer}
Entitätsverknüpfung
Die Entitätsverknüpfung unterscheidet verschiedene Entitäten, indem sie benannte Entitäten im Text mit Konzepten in einer vordefinierten Konzeptdatenbank verknüpft, einschließlich des Unified Medical Language System (UMLS).
Medizinische Konzepte werden auch eine bevorzugte Benennung zugewiesen, als zusätzliche Form der Normalisierung.
.png){kind=spacer}
Erkennung von Behauptungen
Die Bedeutung von medizinischem Inhalt wird stark von Modifikatoren beeinflusst, wie zum Beispiel negativen oder bedingten Behauptungen, die bei falscher Darstellung schwerwiegende Auswirkungen haben können.
Analytics for Health unterstützt drei Kategorien der Behauptungserkennung für Entitäten im Text:
- Gewissheit
- Bedingt
- Assoziation
.png){kind=spacer}
7 Schritt
Automatisierte klinische Entscheidungsunterstützung
(in der Forschungsphase)Basierend auf den klinischen Vokabularen stellen wir eine Abfrage auf PUBmed SUBmed, um die relevantesten Artikel für den besten Behandlungsvorschlag zu erhalten.
