Ønsker du at udtrække data fra patientregistreringsformularer? Prøv Nanonets OCR-software for at udtrække felter med mere end 98 %+ nøjagtighed.
Sundhedsindustrien rummer en stor mængde data, hvoraf de fleste er ustrukturerede og komplekse. Personlige helbredsoplysninger er ikke blevet brugt til deres fulde potentiale, da de tilgængelige data er fragmenterede og isolerede.
Men hvis disse data kunne udtrækkes og organiseres korrekt for at skabe nøjagtige og pålidelige oplysninger, der kunne bruges til at nå sundhedsplejemålene med tidlig opdagelse, forsinke progressionen og forebyggelsen af flere sygdomme, reduktion af høje og voksende sundhedsomkostninger og forbedring af patienten kommunikation for at levere en forbedret patientpleje generelt.
Patientregistreringsskema og hvad indeholder det?
En patientregistreringsformular er et dokument, der udfyldes af en patient, der besøger et sundhedscenter for første gang. Det gør det muligt for sundhedsudbydere at indsamle personlige og sundhedsrelaterede oplysninger, før de registrerer dem for at modtage deres påtænkte pleje.
Indholdet af en patientregistreringsblanket vil variere mellem sundhedsinstitutionerne, men det generelle indhold vil være som følger.
Det første afsnit spørger om patientens detaljer, herunder deres navn, køn, fødselsdato, adresse, civilstand, kontaktoplysninger og identifikationsnummer i form af et nationalt identitets- eller pasnummer.
Det andet afsnit indeholder oplysninger om personale, der skal kontaktes i nødstilfælde, de nærmeste pårørende eller den juridiske værge for en mindreårig.
Tredje afsnit indeholder oplysninger om patientens forsikringsordning, herunder firmanavn, forsikringsnummer og police.
Følgende afsnit indeholder patientens samtykkeerklæring, herunder patienterklæringen, fortrolighedsaftalen og andre juridisk bindende betingelser, som skal underskrives med patientens dato.
Derudover er der afsnit, der indeholder sygehistorien, aktuelle medicin, patienten er på, allergier, familiehistorie, historie med stofmisbrug mv.
A. Manuel dataindtastning
I denne metode vil en operatør manuelt føre oplysningerne i patientregistreringsformularen til en database. Disse traditionelle dataindtastningsmetoder afhænger af operatørfaktorer og vil medføre flere ulemper end fordele sammenlignet med automatiserede systemer.
FORDELE
Kapitaludgifterne vil være mindre i form af operatøruddannelse og infrastruktur, da manuel dataindtastning ikke kræver højt kvalificeret personale og sofistikeret software og hardware til at kompilere og præsentere dataene.
ULEMPER
Da sundhedsjournalerne er ret detaljerede, tager dataudtrækning timer og kan tilføje fejl til sundhedsoplysninger under indtastning og beregninger ved manglende overholdelse af retningslinjer og definitioner og kan resultere i uensartethed i data. Dette kan forårsage kaskadevirkninger, der resulterer i dårlige diagnoser, fejlagtige ordinationer og ugunstige patientresultater.
På grund af kompleksiteten af udvundne data bruger traditionelle metoder kun et begrænset antal almindeligt indsamlede variabler til forudsigelser. Dette kan skabe falske positive og falske alarmer på patienter, hvilket kan resultere i alarmtræthed, og klinisk signifikante hændelser vil blive overset, hvilket fører til dårlig patientbehandling.
B. Elektroniske sundhedsjournaler (EPJ)
EPJ fanger en stor mængde data, som er fragmenteret og isoleret på tværs af mange sundhedsinstitutioner, herunder hospitaler, almen lægepraksis, laboratorier, apoteker osv.
FORDELE
EPJ har reduceret fejl på operatørniveau i dataindtastning, beregninger og manglende overholdelse af retningslinjer og datadefinitioner, hvilket reducerer medicinske fejl. Kvaliteten af den pleje, der ydes til patienten, er blevet forbedret, hvilket fremgår af en undersøgelse udført blandt amerikanske læger i 2011, der viser, at EPJ har advaret 65 % af mulige medicineringsfejl og 62 % af kritiske laboratorieværdier, hvilket øger den samlede patientbehandling med 78 %.
Sundhedsomkostninger er blevet reduceret gennem korrekte diagnoser, passende undersøgelser og styring efter nøjagtige forudsigelser foretaget ved hjælp af EPJ og deep learning-teknikker.
Brugen af EPJ muliggjorde processen med Health Information Exchange (HIE), hvor information på patientniveau deles mellem forskellige organisationer. Dette har skabt let adgang for læger til ens lægejournaler, når patienter søger lægehjælp fra sundhedsudbydere forskellige steder.
ULEMPER
Forskellige sundhedsinstitutioner har lidt forskellige formater til præsentation af data. I mellemtiden er retningslinjerne forskellige, og diagnoserne stillet gennem International Classification of Diseases (ICD) kan tilføje tilfældige fejl til EPJ-forudsigelser. Derfor kan manglende ensartet terminologi, systemarkitektur og indeksering reducere de forventede fordele ved EPJ.
EPJ er forbundet med høje opstartsomkostninger til hardware og operatørtræning, som kan variere på grund af brugernes uligheder i computerfærdigheder og databasehåndtering.
Fortroligheden og sikkerheden af patienters følsomme oplysninger er på spil, da en stor mængde data er samlet sammen, og ordentlige sikkerhedsforanstaltninger ikke er på plads.
C. Hybrid tilgange
Da de tilgængelige oplysninger i EPJ er i form af ikke-standardiserede koder og strukturer, er sundhedsdatatransformation og indlæsningstilgange såsom Dynamic ETL (Extraction, Transformation and Loading) blevet brugt til at omstrukturere og transformere EPJ-data til et fælles format og standardterminologier til harmonisering mellem forskellige organisationer og forskningsdatanetværk.
Nanonets er en AI-baseret OCR-software (GDPR & SOC2-klage), der kan automatisere medicinsk dokumentbehandling med arbejdsgange uden kode.
Nanonets kan automatisere flere trin i behandling af sundhedsdokumenter, herunder:
dokument upload, dataudtræk, databehandling (datarensning, formatering, konvertering), godkendelser og dokumentarkivering.
Nanonets overholder dine specifikke krav, og da den er en fuldstændig kodefri platform, kan den bruges af alle i organisationen.
Lad os se, hvordan du kan bruge det til at udtrække data fra medicinske registreringsformularer.
Først for at bruge det, opret en gratis konto på Nanonets eller log ind på din konto.
Vælg en brugerdefineret OCR-model. For at træne denne model skal du give ti lægerapporter.
Hvorfor skal jeg gøre dette? At levere ti medicinske dokumenter vil hjælpe dig med at træne AI til at genkende dit dokument effektivt.
Når du er blevet trænet, kan du nu opsætte regler for at formatere dine data. Du kan ændre antallet af nuller eller slå værdien op i databasen og mere med disse no-code-regler.
Det næste trin er at eksportere og vælge den måde, du vil eksportere dataene fra dine lægerapporter på. Udforsk mulighederne, eller vælg en integration og tilslut den direkte til dit EPJ-system.
Har du brug for at gøre mere? Lav et opkald med vores AI-eksperter, hvor du kan forklare din use case for os, så sætter vi arbejdsgange op for dig.
Hvorfor nanonetter?
Nanonets er en intelligent OCR-platform. Det behøver ikke en skabelon til at identificere tekst fra patientregistreringsformularer. Det kan nemt identificere tekst fra et ukendt dokument.
Det er nemt at bruge, kan sættes op på 1 dag og sikrer 99 %+ nøjagtighed under dataudtræk.
Men bortset fra almindelige OCR-funktioner er her, hvad der adskiller Nanonets:
Uovertruffen billedbehandling
Patientregistreringsskemaer kan have forskellige formater for forskellige sundhedsinstitutioner. Nanonets kan håndtere dataudtræk fra ethvert dokument eller billede, hvilket ikke er perfekt til at starte med. Med avanceret for- og efterbehandling kan platformen rette skævheder, omorientere, rotere, beskære og udføre fuzzy matching, så du får de nøjagtige data fra dine registreringsformularer hver gang.
Klassens bedste OCR
Nanonetter kan udtrække data fra dit medicinske dokument med over 98%+ nøjagtighed. Det kan registrere mere end 40+ sprog og understøtter tilpasset OCR-understøttelse.
Kraftfulde integrationer
Du kan nemt automatisere dataindtastning i dine systemer med Nanonets. Scan dine dokumenter og opdater patientprofiler på tværs af 500+ forretningssoftware i realtid med Nanonets-integrationer.
Automatiserede arbejdsgange, der kan tilpasses
Automatiser dokumentscreening, patientonboarding, dataformatering, databerigelse, indsamling af medicinske rapporter, datasynkronisering, dokumentmatchning og mere med arbejdsgange uden kode. Du skal bare slå dine regler ind og sætte den på autopilottilstand.
Og mere. Nanonets kan tilpasses efter dine behov og tilbyder white-label OCR-software og on-premise- eller cloud-hostingmuligheder.
Har du brug for at udtrække data fra patientregistreringsskemaer?
Hvis ja, gå til Nanonets or planlægge et opkald med vores team.
Teknologier
Sundhedsinformationsstyringssystemer, der bruger EPJ, kræver dyre netværksforbindelser med høj hastighed, pålidelig internetadgang, hardware og software. På grund af høje opstartsomkostninger og utilgængeligheden af overkommelig og effektiv teknologi, vil implementering af kunstig intelligens-baserede metoder til automatiseret dataudtræk kun være et konsistent program på tværs af nogle organisationer.
Dataejerskab
Med de eksisterende konkurrenceforhold mellem sundhedsudbydere opstår der problemer med typen og mængden af information, der udveksles. Den proprietære information, der deles, er begrænset på en 'read only' basis af teknologileverandørerne. Derfor vil opdaterede oplysninger ikke være tilgængelige.
Patienters privatlivsproblemer
Da der behandles personlige helbredsoplysninger, sker deling af oplysninger mellem organisationer kun for patientpleje, der overholder lovgivningen om beskyttelse af personlige oplysninger. Juridiske forpligtelser er forbundet for at forhindre ulovlig videregivelse af information; derfor bør risikoen for skade ved dataudveksling altid opveje potentielle belønninger.
A. Forbedret datanøjagtighed
I stedet for langsomme, fejltilbøjelige traditionelle dataindtastningsmetoder, som spilder værdifuldt medarbejdertalent, sikrer automatiseret dataudtræk større nøjagtighed ved gentagen brug.
Da dataudtræk fra EPJ og frie tekster er inkorporeret i deep learning-teknikker, laves valide og nøjagtige forudsigelser over divergerende sundhedsdomæner vedrørende kvaliteten og resultaterne af pleje og udnyttelse af ressourcer. Pålidelig og nøjagtig information vil hjælpe med korrekte diagnoser og passende håndtering, hvilket forbedrer patientens resultater.
B. Øget effektivitet
De automatiserede systemer vil samle de fragmenterede og isolerede personlige sundhedsoplysninger, som endnu ikke er udnyttet til sit fulde potentiale, til en struktureret form, der forbedrer effektiviteten og effektiviteten af den ydede pleje.
En undersøgelse udført i 2016 afslørede, at dataanalytikere kun bruger 20 % af deres arbejdstimer på dataanalyse, mens resten af tiden bruges på at indsamle og udtrække data. Automatiseret dataudtræk reducerer arbejdsstyrken og spildtid på manuel fejltilbøjelig dataudtrækning og leder dem til at forbedre patientplejen.
C. Forbedret patientpleje
Folk vil få adgang til sundhedsfaciliteter fra forskellige steder. Derfor vil et sammenkoblet og automatiseret system give sundhedsudbydere et klart billede af patientens tilstand, og konsekvent og effektiv håndtering kan tilbydes. 30-50 % af de amerikanske læger har rapporteret, at elektroniske systemer er gavnlige til at give anbefalet pleje og passende undersøgelser og tillader god patientkommunikation gennem forbedret overordnet patientpleje i 78 % af en undersøgelsespopulation.
D. Reducerede omkostninger
Da patientjournaler giver et væld af data på forskellige domæner, vil manuel dataindtastning være tidskrævende og dyr med et dårligt vurderet fejlagtigt resultat. Selvom automatiseret dataudtræk har høje opstartsomkostninger, kan der i det lange løb opnås omkostningsreduktion, når regelmæssige gentagne aktiviteter, der forbruger menneskelig arbejdskraft, kan automatiseres for at opnå strukturerede og nøjagtige data og forudsigelser.
I modsætning til isoleret dataindsamling vil automatiseret dataudtræk og kompilering give centralt kontrollerede databaser med personlige helbredsoplysninger, som kan bruges blandt mange sundhedsudbydere, hvilket reducerer omkostningerne ved dataduplikering.
E. Strømlinet arbejdsgang og beslutningstagning
EHR baseret på Fast Healthcare Interoperability Resources (FHIR) og deep learning-metoder kan give nøjagtige forudsigelser om medicinske hændelser i flere centre. Der laves forudsigelser om dødelighedsrater, genindlæggelser, længde på hospitalsophold osv., hvilket vil hjælpe med at styre de tilgængelige ressourcer til at nå efterspørgslen. De u-/semistrukturerede data udtrukket fra en patientregistreringsformular kunne bruges til at identificere virkningerne og manglerne ved behandlingerne og komorbiditeterne og til at bestemme det forventede resultat hos patienten med en bestemt tilstand.
Referencer:
- Choi, E., Schuetz, A., Stewart, WF, & Sun, J. (2016). Brug af tilbagevendende neurale netværksmodeller til tidlig påvisning af hjerteinsufficiens. Journal of the American Medical Informatics Association, 24(2), 361-370. Link: https://doi.org/10.1093/jamia/ocw112
- Jones, SS, Rudin, RS, Perry, T., & Shekelle, PG (2012). Sundhedsinformationsteknologi: En opdateret systematisk gennemgang med fokus på meningsfuld brug. Annals of Internal Medicine, 156(1), 48-54. Link: https://doi.org/10.7326/0003-4819-156-1-201201030-00007
- Kharrazi, H., Anzaldi, LJ, Hernandez, L., Davison, A., Boyd, CM, & Leff, B. (2018). En tilstand af videnskaben om anvendelsen af digitale sundhedsteknologier til håndtering af kroniske tilstande. JMIR mHealth and uHealth, 6(4), e107. Link: https://doi.org/10.2196/mhealth.8474
- King, J., Patel, V., Jamoom, EW, & Furukawa, MF (2014). Kliniske fordele ved brug af elektroniske patientjournaler: nationale resultater. Health Services Research, 49(1 Pt 2), 392-404. Link: https://doi.org/10.1111/1475-6773.12135
- Rajkomar, A., Oren, E., Chen, K., Dai, AM, Hajaj, N., Hardt, M., … & Sundberg, P. (2018). Skalerbar og præcis deep learning med elektroniske sundhedsjournaler. NPJ Digital Medicin, 1(1), 1-10. Link: https://doi.org/10.1038/s41746-018-0029-1
- Savova, GK, Masanz, JJ, Ogren, PV, Zheng, J., Sohn, S., Kipper-Schuler, KC, & Chute, CG (2010). Mayo kliniske tekstanalyse og videnekstraktionssystem (cTAKES): arkitektur, komponentevaluering og applikationer. Journal of American Medical Informatics Association, 17(5), 507-513. Link: https://doi.org/10.1136/jamia.2009.001560
- Terry, NP (2012). Beskyttelse af patientens privatliv i Big Datas tidsalder. UMKC Law Review, 81, 385. Link: https://ssrn.com/abstract=2108079
- Vest, JR, & Gamm, LD (2011). Sundhedsinformationsudveksling: vedvarende udfordringer og nye strategier. Journal of American Medical Informatics Association, 17(3), 288-294. Link: https://doi.org/10.1136/jamia.2010.003673
- Ong, TC, Kahn, MG, Kwan, BM, Yamashita, T., Brandt, E., Hosokawa, P., Uhrich, C., & Schilling, LM (2017). Dynamic-ETL: en hybrid tilgang til udtræk, transformation og indlæsning af sundhedsdata. BMC medicinsk informatik og beslutningstagning, 17(1). https://doi.org/10.1186/s12911-017-0532-3
- Joseph, N., Lindblad, I., Zaker, S., Elfversson, S., Albinzon, M., Ødegård, Ø., Hantler, L., & Hellström, PM (2022). Automatiseret dataudtræk af elektroniske medicinske journaler: Validiteten af datamining til at konstruere forskningsdatabaser for egnethed til gastroenterologiske kliniske forsøg. Upsala Journal of Medical Sciences, 127. https://doi.org/10.48101/ujms.v127.8260
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoAiStream. Web3 Data Intelligence. Viden forstærket. Adgang her.
- Udmøntning af fremtiden med Adryenn Ashley. Adgang her.
- Køb og sælg aktier i PRE-IPO-virksomheder med PREIPO®. Adgang her.
- Kilde: https://nanonets.com/blog/automate-data-extraction-from-patient-registration-forms/
- :har
- :er
- :ikke
- :hvor
- ][s
- $OP
- 1
- 2011
- 2012
- 2014
- 2016
- 2017
- 2018
- 2022
- 30
- 8
- a
- Om
- misbrug
- adgang
- Ifølge
- Konto
- nøjagtighed
- præcis
- opnå
- opnået
- tværs
- aktiviteter
- tilføje
- adresse
- fremskreden
- fordele
- negativ
- overkommelige
- alder
- Aftale
- AI
- Alert
- Allergi
- tillade
- altid
- amerikansk
- blandt
- beløb
- an
- analyse
- Analytikere
- ,
- og infrastruktur
- enhver
- nogen
- fra hinanden
- Anvendelse
- applikationer
- tilgang
- tilgange
- passende
- godkendelser
- arkitektur
- ER
- kunstig
- kunstig intelligens
- AS
- Assistance
- forbundet
- Association
- At
- automatisere
- Automatiseret
- autopilot
- til rådighed
- baseret
- grundlag
- BE
- været
- før
- være
- gavnlig
- fordele
- mellem
- Big
- Big data
- binding
- bringe
- virksomhed
- men
- by
- ringe
- CAN
- kapital
- fanger
- hvilken
- bære
- tilfælde
- Årsag
- Centers
- udfordringer
- lave om
- chen
- klassificering
- Rengøring
- klar
- Klinisk
- kliniske forsøg
- Cloud
- Cloud Hosting
- samling
- KOM
- Kom
- Fælles
- almindeligt
- Kommunikation
- selskab
- sammenlignet
- konkurrencedygtig
- klage
- fuldstændig
- komplekse
- kompleksitet
- komponent
- computer
- Bekymringer
- betingelse
- betingelser
- fortrolighed
- Tilslut
- Tilslutninger
- samtykke
- konsekvent
- konstruere
- kontakt
- indeholder
- indhold
- kontrolleret
- Konvertering
- korrigere
- Koste
- omkostningsreduktion
- Omkostninger
- kunne
- skabe
- oprettet
- kritisk
- afgrøde
- Nuværende
- skik
- tilpasses
- DAI
- data
- dataanalyse
- data berigelse
- indtastning af data
- Dataudveksling
- data mining
- Database
- databaser
- Dato
- dag
- beslutning
- dyb
- dyb læring
- forsinkelse
- levere
- Efterspørgsel
- detaljeret
- detaljer
- Detektion
- Bestem
- afvige
- forskellige
- digital
- Digital sundhed
- direkte
- videregivelse
- sygdomme
- do
- dokumentet
- dokumenter
- gør
- Er ikke
- Domæner
- færdig
- grund
- i løbet af
- dynamisk
- e
- Tidligt
- nemt
- let
- Effektiv
- effektivitet
- effekter
- effektivitet
- effektivt
- elektronisk
- Elektronisk sundhedsjournal
- berettigelse
- nødsituation
- Medarbejder
- aktiveret
- muliggør
- forbedre
- forbedret
- styrke
- sikrer
- indrejse
- fejl
- etc.
- Ether (ETH)
- evaluering
- Endog
- begivenheder
- Hver
- udveksling
- eksisterende
- forventet
- eksperter
- Forklar
- udforske
- eksport
- ekstrakt
- udvinding
- faciliteter
- Facility
- faktorer
- Manglende
- falsk
- familie
- FAST
- træthed
- Funktionalitet
- Fields
- fyldt
- Fornavn
- første gang
- Fokus
- efter
- følger
- Til
- formular
- format
- formularer
- fragmenteret
- Gratis
- fra
- fuld
- Gevinst
- samle
- indsamling
- GDPR
- Generelt
- få
- Mål
- godt
- større
- Dyrkning
- værge
- retningslinjer
- håndtere
- Håndtering
- Hardware
- Have
- have
- Helse
- Health Care
- sundhedsinformation
- sundhedsydelser
- sundhedspleje
- sundhedssektoren
- Hjerte
- Hjertefejl
- hjælpe
- link.
- Høj
- stærkt
- historie
- Hospital
- sygehuse
- Hosting
- HOURS
- Hvordan
- HTTPS
- menneskelig
- Hybrid
- i
- Identifikation
- identificere
- Identity
- if
- billede
- gennemføre
- forbedret
- forbedring
- in
- Herunder
- Incorporated
- øget
- industrien
- uligheder
- oplysninger
- informationsteknologi
- Infrastruktur
- institutioner
- forsikring
- integration
- integrationer
- Intelligens
- Intelligent
- sammenkoblet
- interne
- internationalt
- Internet
- Internetadgang
- Interoperabilitet
- ind
- Undersøgelser
- isolerede
- IT
- ITS
- tidsskrift
- lige
- Kin
- viden
- lab
- arbejdskraft
- Sprog
- stor
- Lov
- Love
- førende
- læring
- Politikker
- Længde
- mindre
- passiver
- Limited
- LINK
- læsefærdigheder
- lastning
- placeringer
- Logge på
- Lang
- Se
- leder
- lavet
- administrere
- ledelse
- manuel
- manuelt
- mange
- matchende
- Kan..
- meningsfuld
- I mellemtiden
- foranstaltninger
- medicinsk
- medicin
- medicin
- metode
- metoder
- mHealth
- Mining
- mindre
- tilstand
- model
- modeller
- mere
- mest
- flere
- mangfoldighed
- navn
- national
- Behov
- behov
- netværk
- net
- Neural
- neurale netværk
- Ny
- næste
- NIH
- nu
- nummer
- OCR
- OCR-software
- of
- tilbydes
- Tilbud
- on
- onboarding
- ONE
- kun
- operatør
- modsætning
- Indstillinger
- or
- organisation
- organisationer
- Organiseret
- Andet
- vores
- ud
- Resultat
- udfald
- i løbet af
- samlet
- særlig
- pas
- patient
- patientpleje
- patienter
- perfekt
- udføre
- personale
- Personlig sundhed
- Personale
- læge
- billede
- Place
- perron
- plato
- Platon Data Intelligence
- PlatoData
- politik
- fattige
- befolkning
- mulig
- efterbehandling
- potentiale
- praksis
- praksis
- præ
- Forudsigelser
- Recepter
- præsentere
- forhindre
- Forebyggelse
- Beskyttelse af personlige oplysninger
- lovgivning om beskyttelse af personlige oplysninger
- problemer
- behandle
- forarbejdning
- Profiler
- Program
- progression
- passende
- proprietære
- beskyttelse
- give
- forudsat
- udbydere
- leverer
- slag
- kvalitet
- tilfældig
- priser
- nå
- Læs
- realtid
- modtage
- genkende
- anbefales
- optage
- optegnelser
- reducere
- Reduceret
- reducerer
- reducere
- Reduktion af medicinsk
- reduktion
- referencer
- om
- registrering
- Registrering
- fast
- relationer
- pålidelig
- gentaget
- repetitiv
- indberette
- rapporteret
- Rapporter
- kræver
- Krav
- forskning
- Ressourcer
- REST
- omstrukturere
- resultere
- resulterer
- Revealed
- gennemgå
- Belønninger
- Risiko
- regler
- Kør
- s
- skalerbar
- scanne
- Ordningen
- Videnskab
- screening
- Anden
- Sektion
- sektioner
- sikkerhed
- Sikkerhedsforanstaltninger
- Søg
- følsom
- Tjenester
- sæt
- sæt
- Køn
- delt
- deling
- mangler
- bør
- underskrevet
- signifikant
- faglært
- lidt anderledes
- langsom
- So
- Software
- nogle
- sofistikeret
- specifikke
- hastighed
- tilbringe
- brugt
- Personale
- spil
- standard
- starte
- Opstart
- Tilstand
- Stater
- Status
- forblive
- Trin
- Steps
- strategier
- strømlinet
- struktureret
- Studere
- stof
- sådan
- Sol
- support
- Understøtter
- systemet
- Systemer
- tager
- Talent
- hold
- teknikker
- Teknologier
- Teknologier
- skabelon
- ti
- terminologi
- vilkår
- end
- at
- oplysninger
- deres
- Them
- Der.
- derfor
- Disse
- Tredje
- denne
- selvom?
- Gennem
- tid
- tidskrævende
- til
- sammen
- traditionelle
- Tog
- uddannet
- Kurser
- Transform
- Transformation
- forsøg
- typen
- Forenet
- Forenede Stater
- up-to-date
- Opdatering
- opdateret
- us
- Brug
- brug
- brug tilfælde
- anvendte
- brugere
- ved brug af
- udnytte
- udnyttet
- Værdifuld
- værdi
- værdiansættes
- Værdier
- leverandører
- Besøg
- bind
- W
- ønsker
- Affald
- Vej..
- we
- Hvad
- hvornår
- som
- mens
- WHO
- vilje
- med
- Arbejde
- workflow
- arbejdsgange
- Workforce
- endnu
- dig
- Din
- zephyrnet