Tutti i case study
  • Intelligenza artificiale
  • Sanità digitale

Riconciliazione tra prenotazioni e accettazioni in diagnostica

Un agente che abbina ogni prenotazione alla sua accettazione, anche quando lo stesso esame è scritto in modo diverso, e individua chi non si è presentato.

Il punto di partenza

In un centro diagnostico l’esame nasce due volte: quando viene prenotato in agenda e quando il paziente viene accettato allo sportello. Sembra lo stesso dato, ma spesso tra i due momenti non c’è un legame diretto.

Il risultato è che rispondere a una domanda semplice, chi non si è presentato?, vuol dire confrontare elenchi a mano, riga per riga. Eppure è un’informazione che serve: per ricontattare i pazienti, per capire quanto pesano le assenze e per organizzare meglio l’agenda.

Perché gli abbinamenti si perdono

Parole diverseLa stessa prestazione è descritta in un modo in agenda e in un altro in accettazione.
Giorni diversiIl paziente si presenta prima o dopo la data prenotata.
Nessun collegamentoL’accettazione viene registrata senza richiamare la prenotazione.

Stesso esame, parole diverse

È il cuore del problema. Il sistema non confronta le parole, ma il loro significato: per questo riconosce come equivalenti descrizioni che un confronto testuale considererebbe diverse.

  • In agendaRM cervicale Stessa prestazione In accettazioneRisonanza magnetica colonna cervicale
  • In agendaRX torace Stessa prestazione In accettazioneRadiografia del torace in due proiezioni
  • In agendaEco addome completo Stessa prestazione In accettazioneEcografia addome superiore e inferiore

Esempi a scopo illustrativo.

Come ragiona

  1. 1RaccogliePrenotazioni e accettazioni del periodo da analizzare.
  2. 2ConfrontaPer ogni coppia possibile: stesso paziente, distanza tra le date, stesso giorno o no.
  3. 3Legge le prestazioniTrasforma le descrizioni in embedding semantici e ne misura la somiglianza.
  4. 4DecideUn modello stima la probabilità di corrispondenza e sceglie l’accettazione più probabile.

Due modelli, due compiti

Il primo è un modello linguistico (Sentence Transformers): trasforma ogni descrizione in un vettore di numeri, un embedding, che ne rappresenta il significato. Due descrizioni dello stesso esame producono vettori vicini, anche se non hanno parole in comune; la vicinanza si misura con la similarità del coseno.

Il secondo è un modello di classificazione che mette insieme tutti gli indizi (paziente, date, somiglianza delle prestazioni) e restituisce una probabilità. È addestrato sugli abbinamenti già verificati, quindi impara come lavora quella struttura, e si può riaddestrare man mano che se ne verificano altri.

Cosa si ottiene

  • Per ogni prenotazione, l’accettazione più probabile con la sua probabilità di corrispondenza: i casi incerti si riconoscono subito e si controllano.
  • L’elenco delle prenotazioni senza corrispondenza, cioè dei pazienti che non si sono presentati.
  • Niente più confronti a mano tra agenda e accettazione.

Com’è il risultato

Prenotazione Accettazione Probabilità Esito
12/03 · RM cervicale 12/03 · Risonanza magnetica colonna cervicale 0,97 Abbinata
12/03 · RX torace 14/03 · Radiografia del torace in due proiezioni 0,93 Abbinata
13/03 · Eco addome completo 13/03 · Ecografia addome superiore e inferiore 0,88 Abbinata
13/03 · TC encefalo Nessuna accettazione – Non presentato

Esempio con dati inventati.

Altri case study

Tutti i case study

Siamo sempre curiosi di sapere come cambiano le vostre esigenze

Mezz’ora su Teams: ci raccontate dove state andando, vi diciamo con franchezza se e come possiamo esservi utili.

Prenota un incontro