Прогнозная аналитика в сфере здравоохранения
Прогнозная аналитика может помочь в управлении здоровьем населения, финансовом успехе и улучшении результатов в непрерывном спектре услуг, основанных на ценности.
По мере того, как организации здравоохранения разрабатывают более сложные возможности анализа больших данных, они начинают переходить от базовой описательной аналитики к области прогностического анализа.
Прогнозная аналитика может быть только вторым из трех шагов на пути к зрелости аналитики, но на самом деле она представляет собой прорыв для многих организаций. Вместо того, чтобы просто предоставлять пользователю информацию о прошлых событиях, прогнозная аналитика оценивает вероятность будущего результата на основе закономерностей в исторических данных. Это позволяет врачам, финансовым экспертам и административному персоналу быть предупрежденными о потенциальных событиях до того, как они произойдут, и, таким образом, принимать более обоснованные решения о том, как поступить с решением.
Важность того, чтобы оставаться на шаг впереди событий, наиболее очевидна в отделениях интенсивной терапии, хирургии или неотложной помощи, где жизнь пациента может зависеть от быстрой реакции и точно настроенного чувства, когда что-то не так. Это идет не так. Однако существуют ценные варианты использования прогнозной аналитики во всей экосистеме здравоохранения, и они не всегда могут включать оповещения в реальном времени, требующие немедленных действий команды.
Организации-поставщики и плательщики также могут применять инструменты предиктивной аналитики для решения своих финансовых и административных задач, а также проблем с безопасностью данных, а также добиваться значительного повышения эффективности и удовлетворенности потребителей.
Как организации здравоохранения внедряют возможности прогнозирования в масштабах предприятия, чтобы извлекать действенную и перспективную информацию из своих растущих активов данных?
Оценка риска для здоровья населения с хроническими заболеваниями
Прогнозирование и профилактика идут рука об руку, возможно, нигде так тесно, как в мире управления здоровьем населения.
Организации, которые могут выявлять людей с высоким риском развития хронических состояний как можно раньше при прогрессировании заболевания, имеют наилучшие шансы помочь пациентам избежать долгосрочных проблем со здоровьем, которые являются дорогостоящими и трудно поддающимися лечению.
Создание оценок риска на основе лабораторных тестов, биометрических данных, данных о заявлениях, данных о состоянии здоровья, полученных от пациентов, и социальных детерминант здоровья может дать поставщикам медицинских услуг представление о том, какие люди могут получить пользу от расширенных услуг или оздоровительных мероприятий.
Во всех моделях [возмещения] идентификация, стратификация и ведение пациентов с высоким риском имеют решающее значение для улучшения качества и затрат, — говорится в сообщении Ассоциации американских медицинских колледжей (AAMC). (https://healthitanalytics.com/features/using-risk-scores-stratification-for-population-health-management)
«Использование прогностического моделирования для упреждающего выявления пациентов, которые наиболее подвержены риску ухудшения состояния здоровья и которые получат наибольшую пользу от вмешательства, — это решение, которое, как считается, улучшит управление рисками для поставщиков, переходящих на оплату на основе стоимости.
Избежать 30-дневной повторной госпитализации
Больницы и системы здравоохранения подлежат значительным штрафам в рамках программы Medicare по сокращению повторных госпитализаций (HRRP), которая добавляет финансовый стимул для предотвращения незапланированных возвратов в стационарных условиях.
В дополнение к улучшению переходов между пациентами и развертыванию стратегий координации лечения прогностическая аналитика может предупреждать поставщиков медицинских услуг, когда факторы риска пациента указывают на высокую вероятность повторной госпитализации в течение 30-дневного окна.
В исследовании 2016 года, проведенном Юго-западным университетом Техаса, исследователи обнаружили, что определенные события, которые происходят во время пребывания в больнице, такие как инфекция C. difficile, нестабильность показателей жизнедеятельности при выписке и более длительное пребывание в целом, значительно увеличивают вероятность повторной госпитализации. от 30 дней.
Инструменты аналитики, которые могут выявлять пациентов с характеристиками, сильно влияющими на вероятность повторной госпитализации, могут дать поставщикам дополнительные рекомендации о том, когда сосредоточить ресурсы на последующем наблюдении и как разработать протоколы планирования выписки, чтобы избежать быстрых возвратов. в больницу.
Предвидеть ухудшение состояния пациента
Находясь в больнице, пациенты сталкиваются с рядом потенциальных угроз своему благополучию, включая развитие сепсиса, приобретение трудноизлечимой инфекции или внезапную рецессию из-за имеющихся у них клинических состояний.
Аналитика данных может помочь поставщикам медицинских услуг как можно быстрее реагировать на изменения показателей жизнедеятельности пациента и выявлять надвигающееся ухудшение до того, как симптомы станут видны невооруженным глазом.
Стратегии машинного обучения особенно подходят для прогнозирования клинических событий в больнице, таких как развитие острой почечной недостаточности (ОПП) или сепсиса.
В Университете Пенсильвании инструмент прогнозной аналитики, использующий машинное обучение и данные HER (электронной медицинской карты), помог выявить пациентов, находящихся на пути к тяжелому сепсису или септическому шоку, за 12 часов до начала заболевания, поясняется в исследовании 2017 года.
Отдельная инициатива в больнице Хантсвилля в Алабаме показала, что сочетание поддержки принятия клинических решений (CDS) и инструментов прогнозной аналитики может снизить смертность от сепсиса более чем наполовину. Подход, основанный на аналитике, превзошел точность существующих инструментов золотого стандарта.
Предотвращение неявки на прием
Непредвиденные пробелы в ежедневном расписании могут иметь финансовые последствия для организации, нарушая весь рабочий процесс врача.
Использование предиктивной аналитики для выявления пациентов, которые могут пропустить визиты без предупреждения, может повысить удовлетворенность поставщиков медицинских услуг, сократить упущенную выгоду и дать организациям возможность предлагать свободные места другим пациентам, повышая скорость доступа к медицинской помощи.
Согласно исследованию Университета Дьюка, данные EHR могут выявить людей, которые, скорее всего, не появятся. Команда обнаружила, что прогностические модели, использующие данные на уровне клиник, могут фиксировать дополнительно 4800 неявок в год с большей точностью, чем предыдущие попытки прогнозирования поведения пациентов. Поставщики могут использовать эти данные для отправки дополнительных напоминаний пациентам, которым грозит неявка, предлагать транспорт или другие услуги, позволяющие людям записаться на прием, или предлагать альтернативные условия и время, которые лучше соответствуют их потребностям.
Предотвратите суицид и членовредительство пациента
Раннее выявление людей, которые могут причинить себе вред, может гарантировать, что эти пациенты получат психиатрическую помощь, необходимую им для предотвращения серьезных событий, включая самоубийства.
По словам Кайзера Перманенте, электронные медицинские карты снова предлагают множество данных для поддержки скрининга на риск самоубийства. В исследовании 2018 года, проведенном KP и Сетью исследований психического здоровья, комбинация данных EHR и стандартного опросника по депрессии точно идентифицировала людей с повышенным риском попытки самоубийства.
Используя прогностический алгоритм, команда обнаружила, что попытки самоубийства и их успехи были в 200 раз более вероятными среди 1 процента отмеченных пациентов. Самыми сильными предикторами попытки членовредительства были диагнозы психического здоровья или злоупотребления психоактивными веществами, предыдущие попытки самоубийства, использование психиатрических препаратов и высокие баллы по опроснику депрессии.
Прогнозирование моделей использования пациентов
Помимо помощи организациям в предотвращении неявок, прогностическая аналитика может предупредить поставщиков медицинских услуг, когда клиника будет занята.
Медицинские учреждения, работающие без фиксированного графика, такие как отделения неотложной помощи и центры неотложной помощи, должны изменять численность своего персонала, чтобы учитывать колебания потока пациентов. В стационарных отделениях должны быть койки для пациентов, которых необходимо госпитализировать, в то время как амбулаторные клиники и кабинеты врачей несут ответственность за сокращение времени ожидания пациентов.
Использование аналитики для прогнозирования моделей использования может помочь обеспечить оптимальные уровни укомплектованности персоналом, сократив время ожидания и повысив удовлетворенность пациентов.
Инструменты визуализации и аналитические стратегии могут моделировать схемы потока пациентов и выделять возможности для корректировки рабочего процесса или изменения расписания. В Wake Forest Baptist Health в Северной Каролине инструменты аналитики помогают онкологическому инфузионному центру прогнозировать время пиковой загрузки и, следовательно, регулировать методы планирования, говорит Карен Крейвер, менеджер клинической практики.
Цепочка поставок является одним из крупнейших центров затрат поставщика и представляет собой одну из наиболее важных возможностей для организаций здравоохранения сократить потери и повысить эффективность. Инструменты прогнозирования пользуются большим спросом у руководителей больниц, стремящихся уменьшить вариативность и получить более действенную информацию о шаблонах заказов и использовании запасов.
Только 17 процентов больниц в настоящее время используют автоматизированные решения или решения на основе данных для управления своими цепочками поставок, сообщила Cardinal Health в 2017 году. -управление цепочками поставок)"
В том же году Global Healthcare Exchange поставила прогнозную аналитику для управления цепочками поставок на первое место в списке пожеланий руководителей: последующий опрос в 2018 году показал, что внедрение инструментов анализа данных остается приоритетом. Использование инструментов аналитики для мониторинга цепочки поставок и принятия упреждающих основанных на данных решений о расходах может сэкономить больницам почти 10 миллионов долларов в год, говорится в отдельном исследовании Navigant. Как описательная, так и предсказательная аналитика могут помочь в принятии решений по согласованию цен, сокращению отклонений в поставках и оптимизации процесса заказа.
Обеспечение надежной защиты данных
Ожидается, что предиктивная аналитика и искусственный интеллект также будут играть важную роль в кибербезопасности, особенно с учетом того, что изощренность атак продолжает расти. Использование инструментов аналитики для отслеживания шаблонов доступа к данным, совместного использования и использования может дать организациям раннее предупреждение, когда что-то меняется, особенно когда эти изменения указывают на то, что злоумышленник мог проникнуть в сеть.
Инструменты прогнозирования и методы машинного обучения могут вычислять оценки риска в реальном времени для конкретных транзакций или запросов и реагировать по-разному в зависимости от того, как оценивалось событие, объяснил Дэвид Макнили, научный сотрудник Института технологий критической инфраструктуры (ICIT), в отчете. Отчет ИКИТ.
Эта стратегия может быть особенно эффективной для предотвращения воздействия программ-вымогателей на организацию здравоохранения, добавил старший научный сотрудник ICIT Джеймс Скотт.
«Раннее внедрение сложных алгоритмических средств защиты, таких как решения для машинного обучения или искусственного интеллекта, преобразит киберзащиту здравоохранения за пределы возможностей обычных злоумышленников».
Развитие точной медицины и новых методов лечения
По мере того, как прецизионная медицина и геномика набирают обороты, поставщики и исследователи обращаются к аналитике, чтобы дополнить традиционные клинические испытания и методы разработки лекарств. Тестирование in silico — многообещающий способ уменьшить потребность в наборе пациентов для сложных и дорогостоящих клинических испытаний, а также ускорить оценку новых методов лечения.
Центр FDA по оценке и исследованию лекарств (CDER) в настоящее время использует моделирование и симуляции для прогнозирования клинических результатов, информирования о дизайне клинических испытаний, подтверждения эффективности, оптимизации дозирования, прогнозирования безопасности продукта и оценки возможных механизмов побочных эффектов, — говорится в сообщении. Комиссар FDA Скотт Готтлиб, доктор медицины, после принятия Закона о лекарствах 21 века. (Как FDA планирует помочь потребителям извлечь выгоду из достижений науки | FDA)
«Возьмем только один пример преимуществ этих подходов, когда мы вступаем в эру индивидуализации лекарств, моделирование и симуляция, которые включают аспекты индивидуальной физиологии и генетики в ферменты, метаболизирующие лекарства, используются для идентификации подгрупп. пациентов, требующих корректировки дозы.
In silico модели используются для создания контрольных групп для испытаний, связанных с дегенеративными состояниями, такими как болезнь Паркинсона, болезнь Гентингтона и болезнь Альцгеймера, добавили в FDA.
«Мы находимся в начале эры преобразований в медицинской науке и технике», — сказал Готлиб.
Прогнозная аналитика и инструменты поддержки принятия клинических решений также играют ключевую роль в превращении новых лекарств в прецизионные методы лечения.
Системы CDS начинают предсказывать реакцию пациента на определенный курс лечения, сопоставляя генетическую информацию с результатами предыдущих когорт пациентов, что позволяет поставщикам выбирать терапию с наибольшей вероятностью успеха. (Как предиктивная аналитика может улучшить здравоохранение | Блог об отчетах об оценке)
Это может улучшить результаты и позволить исследователям лучше понять взаимосвязь между генетическими вариантами и эффективностью конкретных методов лечения.
Повышение вовлеченности и удовлетворенности пациентов
В дополнение к поддержке стратегий лечения хронических заболеваний, сокращению времени ожидания и целенаправленной терапии для достижения лучших результатов, прогностическая аналитика также может вовлекать пациентов в другие аспекты их лечения.
Управление взаимоотношениями с потребителями стало жизненно важным навыком как для поставщиков услуг, так и для страховых компаний, стремящихся продвигать здоровье и сокращать долгосрочные расходы, а прогнозирование поведения пациентов является ключевым компонентом для разработки эффективных методов коммуникации и соблюдения режима лечения.
«Нам нужно знать, что работает, а что нет в наших программах взаимодействия, и как предвидеть и прогнозировать наилучшие результаты, учитывая очень сложные характеристики субпопуляций наших участников, которые охватывают все слои населения США», — сказал Патрик Макинтайр. ., старший вице-президент по медицинской аналитике.
Anthem использует свои инструменты анализа данных для создания профилей потребителей, которые позволяют плательщику отправлять персонализированные сообщения, улучшать удержание клиентов и определять, какие стратегии наиболее эффективны для каждого человека.
«Когда мы используем прогностические модели для рассмотрения всех переменных, это помогает нам расставить приоритеты у тех пациентов, которые действительно готовы что-то изменить в своем образе жизни, например, питание или физические упражнения».
Использование прогнозной аналитики для принятия обоснованных решений по управлению лечением и развития более прочных и мотивирующих отношений между пациентами и поставщиками медицинских услуг может улучшить долгосрочное взаимодействие и снизить риски, связанные с хроническими заболеваниями.
«Мы все чаще видим, что инструменты автоматизации и машинного обучения действительно помогают классифицировать и обрабатывать эти огромные объемы данных», — сказал Диттрик. «Существует модель прогнозирования, которая может помочь улучшить процессы практически в любом аспекте здравоохранения».
