课程主页: https://www.coursera.org/learn/analytical-solutions-common-healthcare-problems
课程概述：在本课程中，我们将深入探讨解决医疗行业常见问题的分析方案。课程将通过回顾这些商业问题，帮助你构建适当的数据结构以组织数据。接下来，我们将探索将医疗代码分组和分类为分析类别的方法。学员将学习如何提取、转换和加载数据到解决医疗问题所需的数据结构中，同时学会如何协调来自多个来源的数据。最终，学员将能够创建一个数据分析框架。
课程大纲：
解决商业问题
在这一模块中，学员将讲解为何与医疗服务提供者在质量方面进行比较是有益的，以及哪些指标和报告机制能推动质量提升。你将认识到通过风险调整让质量比较更公平的重要性，能够为医疗服务提供者辩护这一方法论，阐述临床和非临床调整变量的意义，以及高质量数据的重要性。同时，学员会区分风险调整的基本概念步骤，并能够表达美国医疗体系中医疗错误的严重性。学员还将认识到可靠的绩效测量和相关干预措施能够解决这一重大问题。你会区分小部分高频使用者的特征，总结如何识别和评估该群体，并向医疗管理者说明医疗欺诈如何与其他类型的欺诈不同。
算法与“组装者”
此模块中，学员将定义临床识别算法，识别数据如何通过算法规则被转化，阐明在构建算法时某些数据类型为何更可靠而某些则不然。同时，将复习一些获得NQF认可的质量指标，这些指标在健康组织中被广泛使用。你将讨论如何利用组装者分析大量索赔或者临床数据。
ETL（提取、转换和加载）
这一模块将讲解数据库和统计程序员用于提取、转换和加载（ETL）数据至所需数据结构的逻辑过程。学员还将学习如何协调来自多个来源的数据，并准备用于分析的集成数据文件。
从数据到知识
在最后一个模块中，学员将向分析团队描述风险分层如何将特定需求或问题的患者进行分类，同时列出并解释执行风险分层时的步骤。将运用一些分析概念，如组装者，应用于大样本的医疗保险数据，并使用数据字典和代码手册演示了解数据源和目的的重要性。
总结：本课程不仅提供了理论知识，还通过实践活动帮助学员掌握必要的分析技能，应对医疗行业的复杂问题。适合医疗管理人员、数据分析师等关注医疗数据分析的人士参与。
课程主页: https://www.coursera.org/learn/analytical-solutions-common-healthcare-problems