9 می
2023
چگونه بیمارستان ها می توانند از داده های تاریخی خود به نفع خود استفاده کنند
توسط Ophir Ronen، مدیرعامل CalmWave.
بیمارستان ها به طور معمول مقادیر زیادی از داده ها را جمع آوری می کنند، از جمله اطلاعات مربوط به سلامتی بیماران، ارائه مراقبت و عملکرد سازمانی. این داده ها از نظر تئوری می توانند برای ایجاد پیشرفت های عظیم در نتایج سلامت و کارایی عملیاتی مورد استفاده قرار گیرند.
به جای اینکه این حجم عظیم از داده های بهداشتی یک مزیت باشد، اغلب به عنوان یک بار در نظر گرفته می شود زیرا در اسناد، روش های تجمیع، سازماندهی، نمایش و مهمتر از همه نحوه استفاده از آن ناسازگاری وجود دارد.
همچنین کمبود منابع مورد نیاز برای مدیریت مؤثر این حجم عظیم از اطلاعات وجود دارد. شکاف دادهها نه تنها منجر به از دست رفتن فرصتها برای بهبود مراقبتهای بهداشتی میشود، بلکه سهم عمدهای در برخی از بزرگترین مسائل کنونی مراقبتهای بهداشتی مانند فرسودگی شغلی و کارکنان دارد. بیمارستان ها همیشه در تلاش هستند تا از داده های مراقبت های بهداشتی بهتر استفاده کنند. فرآیندهای تجدید نظر شده ای که ورودی های دستی را کاهش می دهند، افزونگی را حذف می کنند و سیستم های EHR مرکزی را شامل می شوند، چند هدفی هستند که به ذهن می رسند. با این حال، برخی از بزرگترین پیروزیها تنها زمانی به دست میآیند که از ابزارهای پیشرفتهتری استفاده کنیم که از هوش مصنوعی (AI) استفاده میکنند.
با اطلاعات پزشکی بسیار زیادی که در حال حاضر در دسترس است، از جمله مجموعه دادههای پیچیده بزرگ، سیستمهای پیشرفته هوش مصنوعی دقیقاً همان چیزی است که پزشک برای سازماندهی و استفاده این مجموعه دادهها دستور داده است. برای باز کردن قفل دادهها، بیمارستانها باید علوم داده بیشتری را در خود جای دهند و از روشهای هوش مصنوعی (AI) برای عملیاتی کردن یادگیریهای خود استفاده کنند.
علم داده یک اصطلاح جامع برای تکنیک های آماری، تکنیک های طراحی و روش های توسعه است. این شامل تجزیه و تحلیل، پیشبینی و تجسم پیش پردازش است، در حالی که هوش مصنوعی اجرای یک مدل پیشبینی برای پیشبینی رویدادها است. علم داده های پیشرفته و هوش مصنوعی نه تنها می توانند به سازماندهی همه این اطلاعات کمک کنند، بلکه روندها و بینش هایی را ایجاد می کنند تا بیمارستان ها بتوانند مراقبت های دقیق تری ارائه دهند، خطرات عملیاتی را شناسایی کنند و رویکرد بهینه تری برای مدیریت حجم کاری فعلی خود ایجاد کنند.
بسیاری از منابع اطلاعاتی
مشکل، همانطور که مطرح می شود، اطلاعات بیش از حد از منابع متفاوت و در قالب های مختلف است. دادههای بیمارستان از مکانهای مختلفی مانند پرونده الکترونیک سلامت، سیستمهای اداری، ارائهدهندگان بیمه، فرمهای ارسالی از سوی بیمار، سیستمهای منابع انسانی محلی، دستگاههای پزشکی بیمارستانی، و خدمات نظارت از راه دور به دست میآیند.
این اطلاعات همچنین به اشکال مختلفی از جمله داده های دیجیتالی ساخت یافته، اسناد فیزیکی، عکس ها، نمودارها و غیره می آیند. حجم و تنوع دادهها ذخیرهسازی در پایگاههای داده معمولی و قالببندی آنها برای استفاده در چارچوبهای متعدد را دشوار میکند.
داده های بیشتر، مشکلات بیشتر؟
انسان ها موجودات پیچیده ای هستند. و هنگام مراقبت از یک بیمار در بیمارستان، هر بیت اطلاعاتی که می توان جمع آوری کرد می تواند برای ارائه بهترین مراقبت ممکن برای آن بیمار مفید باشد. اولین قدم این است که مطمئن شوید اطلاعات (به صورت دیجیتالی) گرفته شده است. فرآیندهای کاغذی/دستی مستعد خطاهای انسانی هستند.
هرچه دستگاههای الکترونیکی و EHR تکامل پیدا کنند، دادههای دقیقتر و منسجمتری تولید میشود. گام بعدی سازماندهی این داده ها به گونه ای است که برای پزشکان به روشی عملی قابل استفاده باشد. اضافه بار شناختی یک شکایت رایج در میان مراقبان است. اطلاعات بیشتر همیشه بهتر نیست.
اینجاست که طراحی انسان محور کلیدی است. استفاده از ترکیبی از علم داده برای پردازش داده های بزرگ، همراه با رابط های کاربری بصری مدرن، آنچه برای ایجاد سطوح جدیدی از پذیرش و فعال سازی داده های بیمارستانی موجود مورد نیاز است. بینشهایی که هوش مصنوعی و علم داده میتوانند ارائه دهند، میتوانند صنعت مراقبتهای بهداشتی را به یک مدل مراقبتی عینیتر، مبتنی بر دادهها و عملکرد کارآمدتر انتقال دهند.
دنیایی را تصور کنید که در آن سرپرستان و مدیران هنگام تصمیم گیری های مهم کارکنان و بالینی، داده هایی را در دست دارند. دنیایی را تصور کنید که در هر ثانیه از هر روز، «ترافیک» دادهها میتواند برای ارائه یک روش عینی و ثابت برای اندازهگیری بار عملیاتی بر روی بیمارستان، بخش یا حتی پزشک استفاده شود.
دیدگاه کل نگر منجر به نتایج بهتر می شود.
شاید بزرگترین مورد استفاده از هوش مصنوعی در مراقبت های بهداشتی ناشی از توانایی آن در جذب و جمع آوری مقادیر زیادی از داده ها از منابع متعدد باشد که به ارائه دهندگان دید بسیار دقیقی از سفر سلامت و وضعیت فعلی بیمار ارائه می دهد. با این اطلاعاتی که در اختیار دارند، ارائه دهندگان می توانند دید کلی تری از بیمار ترسیم کنند.
یک علامت حیاتی یا پاسخ دارویی به سختی برای ارائه یک ارزیابی جامع برای شناسایی علائم هشدار دهنده اولیه شرایط جدی و اعمال اقدامات پیشگیرانه قبل از ایجاد شرایط کافی است. پزشکان به طور خاص می توانند برنامه های درمانی شخصی تری را نیز ارائه دهند که دید جامع تری از بیمار داشته باشند.
علاوه بر این، هوش مصنوعی میتواند روندهای دادههای تاریخی را برای شناسایی الگوهایی که تشخیص سریع آنها برای مغز انسان دشوار است، مرور کند. این الگوها راهحلهای پیشرفته مبتنی بر هوش مصنوعی را قادر میسازند تا بینشهایی را ارائه دهند تا به پیشبینی خطر ابتلا به شرایط خاص یا ابتلا به شرایط اضطراری سلامتی کمک کنند. بیمارستان ها به طور فزاینده ای از سیستم های هشدار اولیه استفاده می کنند که پارامترهای متعدد (علائم حیاتی، وضعیت بیمار) را برای ایجاد هشدار برای تیم های واکنش سریع، با ایده بهبود مراقبت از بیمار، نظارت می کنند.
هر چه ورودی داده ها خودکارتر باشد، این ابزارها پیچیده تر و پیش بینی تر می شوند. همین سیگنال ها و داده ها حتی می توانند به پزشکان کمک کنند تا تجهیزات علائم حیاتی موجود را برای شرایط منحصر به فرد هر بیمار بهینه کنند. علاوه بر این، خستگی زنگ یک موضوع شناخته شده در محیط بیمارستان است و شرکت های تجزیه و تحلیل مراقبت های بهداشتی وجود دارند که از داده های علائم حیاتی موجود همراه با سایر داده ها برای ایجاد یک چرخه مفید برای اصلاح آلارم ها و بهبود کارایی عملیاتی استفاده می کنند.
کارایی و شرایط کاری بیشتر با هوش مصنوعی
هنگامی که داده ها با هوش مصنوعی جمع آوری و سازماندهی می شوند، مزایای بالقوه نامحدود است. این مورد عملاً در تمام صنایعی است که به دنبال افزایش عملکرد هستند و مراقبت های بهداشتی نیز از این قاعده مستثنی نیست. با این حال، مراقبت های بهداشتی پیچیده است. اهداف عملکرد در مراقبت های بهداشتی چیست؟ سود بیشتر؟ بیماران بیشتری درمان شده اند؟ راندمان بیشتر؟ رشد؟ ثبات؟ رضایت بیمار؟ مدت اقامت کوتاه تر؟ متأسفانه بیمارستان ها دارای ذینفعان زیادی هستند که باید در نظر گرفته شوند و بنابراین نمی توانند هیچ یک از این معیارها را نادیده بگیرند. داده ها کلیدی برای ایجاد نتایج در هر یک از آنها هستند. و هوش مصنوعی فناوری توانمند است. در اینجا آمده است که چگونه هوش مصنوعی می تواند کمک کند:
پذیرش مجدد و مدت اقامت: این داده ها به آسانی در دسترس هستند و به آرامی به معیاری کلیدی برای کارایی عملیاتی بیمارستان تبدیل می شوند. بهبیمارستانها میتوانند با استفاده از هوش مصنوعی برای جمعآوری دادههای مربوط به پذیرش بیمار، مدت اقامت (LOS) و پذیرش مجدد و همچنین تعداد بیماران بدحال که در دورههای زمانی مختلف به مراقبتهای نجاتبخش نیاز دارند، مراقبت از بیمار را حتی بیشتر بهبود بخشند. این میتواند به بیمارستانها کمک کند تا نقاط دقیقی را که در آن عملیات و گردشهای کاری فردی دچار شلوغی یا اختلال میشوند، تعیین کنند.
فصلی بودن: مراقبت از بیمار دستخوش نوسانات زیادی است. برخی از آنها چرخهای هستند و بر اساس فصلها، روز هفته یا زمان روز تعیین میشوند. اما دادهها نشان دادهاند که سایر رویدادهای پراکندهتر، مانند رویدادهای ورزشی محلی یا جراحیهای خاص، باعث تغییرات گسترده در نیازهای مراقبت از بیمار میشوند. ردیابی این داده ها در مقیاس کلان، در هماهنگی با معیارهای بالینی کلیدی، فرصتی برای بهبود استراتژی های بیمارستانی برای ارائه مراقبت دارد. برای مثال، مطالعات نشان دادهاند که اگر جراحیها به بعد از صبح زود منتقل شوند، منابع بالینی میتوانند بهتر توزیع شوند. یک بخش اورژانس دیگر تیم بالینی خود را به حالت آماده باش فرستاد، زیرا بخش در طول 4 ساعت قبل، حین و بعد از بازی فوتبال محلی خالی بود. این بینش ها ممکن است به طور حکایتی توسط ارائه دهندگان درک شوند، اما این داده ها هستند که امکان عملیاتی شدن آن را فراهم می کنند.
سلامت کارکنان: بیمارستانها همچنین میتوانند معیارهای فوقالذکر را بررسی کنند تا شلوغترین و کندترین زمانهای روز را شناسایی کنند، بیمارترین بیمارانی را که به بیشترین مراقبت نیاز دارند را ردیابی کنند و بتوانند تأثیر کلی بر ارائهدهندگان را درک کنند. این فرصت نه تنها به سازماندهی کارکنان به شیوه ای کارآمدتر و عادلانه کمک می کند، بلکه می تواند به عنوان ابزاری برای بهبود رضایت کارکنان نیز استفاده شود. فرسودگی شغلی یکی از مشکلات مهم مراقبت های بهداشتی است و هر فرصتی برای اندازه گیری بهتر سلامت کارکنان و کارایی عملیاتی تنها می تواند خوب باشد. این نه تنها شفافیت را برای سازمان فراهم میکند، بلکه مدیریت را با دادههایی که برای تصمیمگیری آگاهانهتر نیاز دارند، توانمند میسازد.
عصر جدیدی در داده های پزشکی
داده ها در حال حاضر با حجم بالا در سراسر سیستم مراقبت های بهداشتی جریان دارند. اما این یکی از بزرگترین دارایی هایی است که به نفع کامل آن استفاده نمی شود. و بسیاری از بیمارستان ها در تلاش هستند تا دریابند که چگونه پتانسیل این داده ها را باز کنند. تنها کسانی که روی کارکنان و فناوری با پشتوانه علم داده و راه حل های مبتنی بر هوش مصنوعی سرمایه گذاری می کنند در دراز مدت موفق خواهند بود.
به لطف هوش مصنوعی، بیمارستانها بالاخره ابزاری برای استفاده از دادههای ارزشمند خود دارند.
در حالی که این پیشرفتها نشاندهنده تغییر و تغییر فرهنگی عمده است، اکثر کارکنان با خوشحالی محیط کاری آرامتر، شفافتر و عادلانهتر را میپذیرند که مبتنی بر داده است و در نهایت هم بیماران و هم ارائهدهندگان را در خط مقدم قرار میدهد.