Siete innovaciones en el flujo de trabajo de radiología que están mejorando la eficiencia y la calidad de la atención sanitaria

 

Lo que muestran estas siete innovaciones es cómo la digitalización, la virtualización y la integración, respaldadas por el análisis de datos en tiempo real, pueden marcar una diferencia real en las operaciones de radiología. Especialmente ahora.

Al conectar datos, tecnologías y personas en cada momento decisivo, siempre con el paciente firmemente en el centro, podemos allanar un camino claro hacia un diagnóstico y tratamiento de precisión. Ahí es cuando el flujo de trabajo de radiología realmente fluye, beneficiando a los pacientes, al personal y a los sistemas de salud que se preocupan por ambos.

Referencias

[1] Naidich J.J., Boltyenkov A., Wang J.J., Chusid J., Hughes D., Sanelli P.C. (2020). Impact of the Coronavirus Disease 2019 (COVID-19) Pandemic on Imaging Case Volumes. J Am Coll Radiol, 17(7):865-872.https://doi.org/10.1016/j.jacr.2020.05.004

[2] Rosenbaum J.I., Mieloszyk R.J., Hall C.S., Hippe D.S., Gunn M.L., Bhargava, P. (2018). Understanding Why Patients No-Show: Observations of 2.9 Million Outpatient Imaging Visits Over 16 Years. J Am Coll Radiol, 15(7):944-950. https://doi.org/10.1016/j.jacr.2018.03.053

[3] Rebecca J., Mieloszyk, J.I., Rosenbaum, C.S., Hall, U., Puneet B. (2018). The Financial Burden of Missed Appointments: Uncaptured Revenue Due to Outpatient No-Shows in Radiology. Current Problems in Diagnostic Radiology, 47(5): 285-286. https://doi.org/10.1067/j.cpradiol.2018.06.001

[4] Beker, K., Garces-Descovich, A., Mangosing, J., et al. (2017). Optimizing MRI Logistics: Prospective Analysis of Performance, Efficiency, and Patient Throughput. American Journal of Roentgenology, 209(4): 836-844.https://doi.org/10.2214/AJR.16.17698

[5] Folio, L.R., Machado, L.B., Dwyer, A. (2018). Multimedia-enhanced Radiology Reports: Concept, Components, and Challenges. RadioGraphics, 38(2): https://doi.org/10.1148/rg.2017170047

[6] Folio, L.R., Yazdi, A.A., Merchant, M., Jones, E.C. (2015). Initial Experience with Multi-Media and Quantitative Tumor Reporting Appears to Improve Oncologist Efficiency in Assessing Tumor Burden. Research findings presented at the 101th Scientific Assembly and Annual Meeting. http://archive.rsna.org/2015/15005140.html

[7] Harvey, H.B., Liu, C., Ai, J., et al. (2017). Predicting No-Shows in Radiology Using Regression Modeling of Data Available in the Electronic Medical Record. J Am Coll Radiol, 14(10):1303-1309.https://doi.org/10.1016/j.jacr.2017.05.007

 

Nota

[i] Los resultados de los datos internos son específicos de las instituciones en las que se obtienen y pueden no reflejar los resultados que se pueden lograr en otras instituciones.