Einsatz von generativer KI, Wissensgraphen und natürlicher Sprachverarbeitung beim Produkt- und Codeabgleich in der Medizintechnik A

Medizinischer Bedarf umfasst eine breite Palette von Produkten, von chirurgischen Instrumenten bis hin zu Verbandsmaterial, die in Gesundheitseinrichtungen verwendet werden. Die korrekte Klassifizierung und Zuweisung von Codes für diese medizinischen Produkte ist entscheidend für die Beschaffung, Nachverfolgung, Rechnungsstellung, Bestellung, Bestandsverwaltung und Patientensicherheit.

Zu den größten Herausforderungen gehören die hohen Kosten für Transaktionen in der Lieferkette des Gesundheitswesens (bis zu viermal höher als in anderen Branchen) und die erhebliche Verschwendung, z. B. COVID-19 PSA im Wert von 5 Mrd. USD, die als unbrauchbar“ eingestuft wird. Darüber hinaus wurden weltweit zwischen 10 und 34 % der Gesundheitsausgaben in den OECD-Ländern für unangemessene Pflege verschwendet.

Wir haben die Herausforderung in Code-to-Code, Code-to-Product, Product-to-Product, Product-to-Evidence und Product-to-Opportunity unterteilt. Genauer gesagt

• Code-to-Code: Angenommen, Sie haben einen Code wie CPV und möchten diesen mit Ihrem eigenen internen Code oder anderen Codes wie UNSPSC abgleichen.
• Code-to-Product: Stellen Sie sich vor, dass Sie als Einkäufer einen neuen Lieferanten mit 30.000 Artikeln oder Artikeln, denen Sie Kategorien zuweisen müssen, an Bord nehmen. Als Lieferant muss ich meine Produkte filtern oder einen Einkäufer-Code zuweisen.
• Produkt-zu-Produkt: Als Käufer habe ich viele Produkte in meinem Warenkorb, von verschiedenen Marken oder Lieferanten, wie kann ich die Produkte vergleichen, um ähnliche zu finden? Wie kann ich als Anbieter die Marktlandschaft verstehen?
• Product-to-evidence: als Käufer möchten Sie die klinischen Nachweise vieler Produkte prüfen. Wie machen Sie das derzeit? als Lieferant möchte ich sehen, was meine Konkurrenten tun
• Produkt-zu-Möglichkeit: als Käufer möchte ich die Produkte des Lieferanten sehen, oder als Lieferant möchte ich die Möglichkeiten sehen, an denen ich teilnehmen kann oder die meine Konkurrenten tun

Hier finden Sie eine Auswahl der Komplexität der Klassifizierung:

• Komplexität, Vielfalt und Standardisierungsfragen: Die schiere Vielfalt der medizinischen Hilfsmittel mit ihren jeweils einzigartigen Spezifikationen macht die Klassifizierung schwierig. Die Unterscheidung zwischen Produkten mit geringfügigen Abweichungen kann eine Herausforderung sein. Es kann sein, dass es an standardisierten Benennungskonventionen und Kategorisierungen für medizinische Hilfsmittel mangelt, insbesondere bei verschiedenen Herstellern oder Ländern. Verschiedene Anbieter verwenden möglicherweise unterschiedliche Namen, Codes oder Spezifikationen für ähnliche Produkte, was die Einhaltung einer standardisierten Klassifizierung erschwert.
• Kontinuierliche Weiterentwicklung der Produkte: Im Zuge des medizintechnischen Fortschritts werden ständig neue Produkte auf den Markt gebracht. Die Klassifikationssysteme auf dem neuesten Stand zu halten, ist eine ständige Aufgabe.
• Sich überschneidende Kategorien: Einige medizinische Hilfsmittel können in mehrere Kategorien fallen, was zu Verwirrung über die richtige Klassifizierung führt.
• Menschliche Fehler, Umfang und Geschicklichkeit: Bei der manuellen Eingabe oder Kategorisierung können Fehler auftreten, die zu falschen Klassifizierungen führen. Das Personal muss geschult werden, um das Klassifizierungssystem zu verstehen und richtig anzuwenden, und diese Schulung muss mit der Weiterentwicklung des Systems aktualisiert werden.
• Regulatorische und Compliance-Anforderungen: In verschiedenen Regionen oder Ländern gelten möglicherweise unterschiedliche Vorschriften für medizinische Hilfsmittel, was sich auf deren Klassifizierung oder Codierung auswirken kann. In multinationalen Umgebungen können Übersetzung und Lokalisierung die Klassifizierung noch komplexer machen.
• Interoperabilität und Integration: Verschiedene Systeme innerhalb einer Gesundheitseinrichtung, wie z. B. Rechnungsstellung, elektronische Gesundheitsakten und Bestandsverwaltung, müssen nahtlos miteinander kommunizieren. Unstimmigkeiten bei der Klassifizierung von Codes können zu Problemen bei dieser Integration führen. Ältere Systeme in Krankenhäusern oder Einrichtungen arbeiten möglicherweise noch mit veralteten Klassifizierungssystemen, was bei der Integration mit neueren Systemen oder Anbietern zu Diskrepanzen führt. Klassifizierungssysteme müssen mit Bestandsverwaltungssystemen kompatibel sein, um eine nahtlose Nachverfolgung des Verbrauchs von medizinischem Material und des Bedarfs an Auffüllungen zu gewährleisten.

Die Bewältigung dieser Herausforderungen erfordert eine Kombination aus Technologie, Schulung und sorgfältiger Planung. Zu den Lösungen gehören Investitionen in moderne Bestandsverwaltungssysteme, die kontinuierliche Schulung der Mitarbeiter, die Zusammenarbeit mit Anbietern zur Standardisierung und die regelmäßige Überprüfung und Aktualisierung von Klassifizierungssystemen. Es ist nicht möglich, dies manuell und global für alle Produkte und Dienstleistungen des Gesundheitswesens zu tun. Hierfür ist eine automatisierte Verfolgungs- und Überwachungslösung erforderlich, was glücklicherweise mit dem Aufkommen von Big Data, generativer KI und Graphanalysen möglich ist.

ChatGPT-4 kann zwar Texte gut zusammenfassen, aber unsere Datenwissenschaftler haben festgestellt, dass die Verwendung des Programms für den Abgleich von Codes wie GMDN und UNSPSC dazu führt, dass selbst nach sorgfältiger Datenaufbereitung falsche Klassifizierungscodes zugewiesen werden. Diese ungenauen Antworten sind ein Prozess, der als Halluzination bekannt ist und in der Presse als ein großes Problem für Vertrauen und Qualität diskutiert wurde. Auch bei der Zuordnung von Produkten zu Codes können die Dinge aufgrund des Rauschens schnell aus dem Ruder laufen.

Vamstar verfügt über weitreichende Erfahrungen in den Bereichen Datenwissenschaft und künstliche Intelligenz im Gesundheitswesen und in der Medizintechnik. Wir haben führende Innovate UK Forschungs- und KI-Venture-Finanzierungen erhalten und arbeiten aktiv mit führenden Universitäten zusammen.

Wir haben bahnbrechende Lösungen in Form einer von KI-Technologien angetriebenen Plattform entwickelt, die die Standardisierung und automatische Katalogisierung von Produkten/Dienstleistungen im Gesundheitswesen ermöglicht, angereichert mit Informationen aus heterogenen Quellen, um die Entscheidungsfindung bei der Beschaffung zu verbessern.

Wir haben die größten öffentlichen Ausschreibungsdatensätze der Welt von Einkäufern wie Krankenhäusern, Kliniken und Universitäten gesammelt, mit NLP extrahiert, normalisiert und angereichert. Wir kennen zum Beispiel die aktuellen Ausschreibungen für MedTech-Produkte, die beauftragten Lieferanten und das Kaufverhalten.

Parallel dazu haben wir Produkte und Artikel aus Hersteller-, Lieferanten- und Händlerkatalogen gesammelt, normalisiert und angereichert, indem wir natürliche Sprachverarbeitung und generative KI eingesetzt haben. So erhalten wir ein umfassendes Verständnis der Portfolios und Angebote auf der Anbieterseite.

Wir haben diese beiden riesigen Datensätze aus dem Gesundheitswesen und der Medizintechnik kombiniert und den größten Wissensgraphen erstellt, der es uns ermöglicht, den Graphenabgleich von Produkten und Codes in noch nie dagewesenem Ausmaß durchzuführen, indem wir Low-Level-Produktmerkmale und Spezifikationen im Gesundheitswesen in verschiedenen Sprachen verwenden.

Die Erstellung des weltweit größten Wissensgraphen für das Gesundheitswesen und die Biowissenschaften, der alle Käufer, Lieferanten, Produkte, Dienstleistungen und medizinischen Geräte in allen Ländern miteinander verbindet, ist eine komplexe Aufgabe, die einzigartige Fähigkeiten und eine Menge normalisierter und angereicherter Daten erfordert. Der zugrundeliegende Graph wurde mit komplexer natürlicher Sprachverarbeitung (NLP), generativer KI und maschinellen Lernmodellen erstellt, einschließlich der Verwendung von GPU-Instanzen für das Training unserer benutzerdefinierten Deep-Learning-NLP-Modelle. In Zusammenarbeit mit der University of Sheffield, die weltweit führend im Bereich NLP ist, haben wir sowohl die Menge der von uns verarbeiteten Daten als auch die Anzahl der im Netzwerkgraphen dargestellten Knoten und Beziehungen erweitert.

Wir haben drei hochmoderne Technologien der generativen KI, der Verarbeitung natürlicher Sprache und der Wissensgraphen in perfekter Harmonie miteinander verbunden, um alle Ihre Code- und Produktzuweisungen und -klassifizierungen automatisch abzugleichen. Dies wird durch eine komplexe Reihe von proprietären Big-Data- und Machine-Learning-Pipelines orchestriert, die in der Cloud leicht skalierbar sind.

Wir verfügen über die einzigartige Fähigkeit, hochgradig skalierbare und genaue Analysen durchzuführen:

• Code-zu-Code: Automatischer Abgleich von CPV, UNSPC, GMDN, GUDID, UDI, eClass und internem Code/Katalog/Taxonomie.
• Code-zu-Produkt: Weisen Sie den Produkten CPV, UNSPC, eClass oder interne Codes/Kataloge/Taxonomien zu.
• Produkt-zu-Produkt: Vergleichen Sie Produkte mit anderen Produkten, und geben Sie eine entsprechende Bewertung ab.
• Produkt-zu-Evidenz: Zusammenfassung der klinischen Evidenz für ein Produkt oder eine Gruppe von Produkten.
• Product-to-Opportunity: Wir sind in der Lage, eine Ausschreibung oder eine private Gelegenheit mit den Produkten eines Lieferanten abzugleichen.

Vamstar ist die führende KI-gestützte B2B-Börsenplattform für das Gesundheitswesen und die Biowissenschaften, die Ausgaben in Höhe von über 750 Milliarden US-Dollar von 86.000 Käufern aus öffentlichen und privaten Quellen für Gesundheitsprodukte und -dienstleistungen in mehr als 100 Ländern zusammenfasst und analysiert. Die Cloud-basierte Supply-Chain-Technologie von Vamstar verbindet sowohl Käufer als auch Lieferanten, um wichtige Geschäftsprozesse zu automatisieren und Daten und ergebnisbasierte Analysen in sinnvolle Maßnahmen für das Ökosystem des Gesundheitswesens umzuwandeln, um schnell zu agieren, effizient zu arbeiten und große Synergien zu erzielen, die eine bessere Patientenversorgung und maximale Einsparungen für die Kunden ermöglichen.

Wir nutzen Big Data und maschinelles Lernen, um eine intelligente Beschaffung, schnellere Ausschreibungen, vereinfachte Vertragsabschlüsse, Echtzeit-Chancen, eingebettete Intelligenz und damit verbundene Dienstleistungen zu ermöglichen, einschließlich des webbasierten Handels von Gesundheitsprodukten zwischen Krankenhäusern, Kliniken, Laboren und Lieferanten auf dem Markt.

Durch den Blick auf das große Ganze und alle Verbindungen bietet Vamstar den Akteuren im Gesundheitswesen wertvolle Markteinblicke und Perspektiven. Vamstar arbeitet mit führenden Vertretern aus Industrie, Wissenschaft und Regierung in mehr als 100 Ländern zusammen, um übergeordnetes Denken auf tägliche Aufgaben und strategische Fragen anzuwenden. Vamstar bietet seinen Kunden Lösungen, die sie effizienter machen und ihnen helfen, datengestützte, fundierte Entscheidungen zu treffen, um ihre Zukunft zu sichern.