Operativní nástěnky a strojové učení umožňují zlepšení řízení péče pro pacienty

 

Vedoucí lékař jednoho z velkých zdravotnických zařízení na západním pobřeží USA požádal o úplný přehled o tom, kdo je v daném okamžiku v nemocnici. Vzhledem k tomu, že daná skipina zařízení již pracovala se společností InterSystems a sítí na výměnu zdravotnických informací, odpověděl ředitel podnikových dat a analytiky sebevědomě: "Ano, to můžeme udělat." "Zvládnete to za šest měsíců?" zeptal se náměstek. Odpověď? Rovněž kladně.

Výsledkem, který vznikl za méně než 30 dní, byla aplikace zdravotního plánu "Bed Board", odpověď na některé běžné problémy zdravotních pojišťoven.

Zdravotní plán pojišťuje 2 miliony lidí v několika západních státech. Každý den dostává faxy, e-maily a telefonáty z různých nemocnic a na jejich základě sestavuje denní "soupis" členů, kteří čerpají akutní nebo lůžkovou péči, a jejich umístění. Cílem je využít tyto informace k:

• Přezkoumání a stanovení priorit pro lékařské ošetření a následnou péči
• Zajištění optimální péče
• Vyhnout se nákladům na zbytečná vyšetření, léčbu, hospitalizaci nebo nevhodnou péči

Zdravotní pojišťovna má 24 hodin po přijetí pacienta do péče na to, aby rozhodla o otázkách, jako je lékařská nezbytnost nebo vhodnost léčby, pokud hodlá zasáhnout. Starý způsob - hledání na různých listech papíru a syntéza všech dat - byl pomalý a neefektivní. Než se informace, které by se daly použít, dostaly ke správným lidem, bylo často příliš pozdě na to, aby ovlivnily poskytovanou péči. Aplikace Bed Board to zcela změnila.

Bed Board je aplikace s přístrojovou deskou rozšířená o poznatky strojového učení. Poskytuje klinickým a obchodním týmům v reálném čase přehled o stavu členů zdravotního plánu v zařízeních akutní péče. Software InterSystems HealthShare byl klíčem k úspěchu Bed Board, protože umožnil zdravotnímu plánu:

• Vytvářet spojení a automaticky agregovat data z více externích datových zdrojů
• Jednoznačně identifikovat každého člena plánu v příchozích datech
• Integrace příchozích informací z elektronických zdravotních záznamů s údaji o nárocích plánu
• Normalizovat všechna data pro použití v následné analytice a reportování
• Předávání čistých dat algoritmům strojového učení plánu a nástrojům pro vizualizaci dat, jako je Tableau
• Prezentovat podpůrná data, kdykoli se uživatel dostane do interaktivního zobrazení na nejvyšší úrovni Bed Board

Časově nejnáročnějším krokem při vytváření tohoto typu řešení je obvykle agregace a normalizace všech dat v kanálech v reálném čase. Se společností HealthShare byla tato práce dokončena za méně než měsíc.

Když se nyní člen plánu zaregistruje na pohotovosti nebo je přijat do nemocnice, lůžková část je aktualizována do jedné minuty. HealthShare identifikuje člena v příchozích datech z elektronických zdravotních záznamů a v existujících údajích o nárocích a zařazuje informace na úrovni člena do pracovních front, aby podpořil činnost klinické kontroly. S každou novou událostí - přidělením lékaře, stanovením předběžné diagnózy nebo přijetím pacienta - HealthShare aktualizuje Bed Board.

Zvýšená efektivita díky tomu, že jsou všechny informace na jednom místě, a možnost proniknout do panelu a získat podrobnosti o každém pacientovi, umožňuje klinickému oddělení plánu dokončit revize v rámci 24hodinového cíle.

Bed Board také koreluje objemy a vzorce přijetí napříč geografickými oblastmi plánu s demografickými údaji členů, diagnózami a místy péče. Klinické oddělení využívá tyto informace ke sledování širších trendů využívání v jednotlivých pokrytých regionech.

Díky agregovanému, normalizovanému a průběžně aktualizovanému úložišti dat v systému HealthShare měl zdravotní plán základ pro přidání funkcí strojového učení do aplikace Bed Board. Nyní společnost Bed Board nejen shromažďuje data pro své uživatele, ale také je inteligentně zpracovává, aby snížila pracovní zátěž uživatelů. Vrstva strojového učení navádí týmy provádějící přezkum, na které oblasti mají zaměřit svou pozornost, aby dosáhly maximálního účinku.

V některých případech mohou algoritmy strojového učení dokončit klinický přezkum příjmu bez účasti lékaře. Dříve se dvacet procent kontrolovaných přijetí týkalo členů, kteří jednoznačně potřebovali být v nemocnici. Lůžková rada se v těchto případech vyhýbá účasti lékaře, čímž šetří čas a v podstatě snižuje administrativní náklady na klinické přezkoumání o 20 %.

Aplikace Bed Board, která je součástí plánu, demonstruje hodnotu kombinace strojového učení s longitudinálním záznamem péče v reálném čase. Viditelnost dat v reálném čase a možnost klást otázky o tom, co se děje, mění pravidla hry. Umožnilo to plánu porozumět každodennímu pracovnímu procesu a zjistit, kdy se něco v určitém zařízení nebo regionu vymyká kontrole.