AI ir ML naudojimas nuspėjamojoje analizėje lovų poreikiui prognozuoti
Lovos talpos valdymas yra labai svarbus sveikatos sistemoms, turintis įtakos pacientų priežiūrai ir saugai, veiklos efektyvumui, sistemos tvarumui ir finansiniams rezultatams. Pastangos gerinti ir racionalizuoti valdymą dažnai yra atskirtos centro regionuose ir gali sukelti neoptimalų išteklių panaudojimą, nenuoseklią pacientų priežiūrą ir neveiksmingumą tarp priežiūros skyrių perkėlimo ir kitokio priežiūros koordinavimo.
Visapusiško lovų paklausos valdymo įvertinimas visame pasaulyje nuo priėmimo iki išleidimo pašalina daugelį nenumatytų vietinių optimizavimo pastangų pasekmių. „Froedtert Health“ nurodė, kad pajėgumų valdymo gerinimas yra svarbus ir tikslingas tikslas, kurį būtų galima pasiekti taikant AI, mašininio mokymosi ir duomenų analizės metodus.
Pacientų srauto ir jo šaltinių supratimas ir išskyrimas leido komandai sukurti nuspėjimo priemonių rinkinį, sukurtą specialiai priežiūros koordinavimo centrui. „Froedtert Health“ sugebėjo pagerinti pacientų priežiūrą, pritaikyti pagrindinius veiklos rodiklius ir supaprastinti operacijas, veiksmingiau paskirstant ir panaudojant personalą bei iš anksto reaguodama į numatomus pacientų lovų poreikio pokyčius.
Dėl to buvo optimizuotas išteklių paskirstymas, pagerėjo pacientų srautai, geresnis padalinių koordinavimas ir sutaupytos išlaidos.
Ravi Teja Karri yra „Froedtert ThedaCare Health“ mašininio mokymosi inžinierius. Jis ir du kolegos kalbės apie šiuos pasiekimus HIMSS25 sesijoje pavadinimu „Pajėgumų planavimo ir lovų poreikio prognozavimo tobulinimas naudojant mašininį mokymąsi“. Kalbėjome su Karri, kad galėtume trumpai pažvelgti į tai, ką jis planuoja aptarti kovo mėnesį HIMSS25 per savo sesiją.
K. Kokia yra pagrindinė jūsų sesijos tema ir kodėl ji šiandien ypač aktuali sveikatos priežiūrai ir IT IT?
A. Pagrindinė mūsų sesijos tema yra skirta ligoninių pajėgumų valdymui ir lovų poreikio prognozavimui, taikant dirbtinį intelektą ir mašininio mokymosi metodus. Ši tema sveikatos priežiūros srityje tampa vis aktualesnė, nes ligoninės susiduria su nenuspėjamais pacientų skaičiaus pokyčiais.
Dėl sezoninių antplūdžių, neplanuotų priėmimų ir svyruojančių pacientų poreikių sunku išlaikyti optimalų išteklių paskirstymą. Naudojant AI ir ML prognozuojant lovų poreikį ir pacientų srautą, ligoninės gali optimizuoti personalą, paskirstyti lovas ir supaprastinti operacijas, todėl pagerėja pacientų priežiūra ir bendras efektyvumas.
Mūsų sesijoje taip pat bus nagrinėjama, kaip sveikatos priežiūros organizacijos gali panaudoti AI ir ML procesus paversti numatomomis, o ne reaktyviomis darbo eigomis. Šis iniciatyvus metodas leidžia tiksliau prognozuoti pacientų skaičių ir geresnį tarpžinybinį koordinavimą, o tai galiausiai pagerina pacientų patirtį efektyviau paskirstant išteklius ir laiku teikiant priežiūrą.
Šių nuspėjamųjų modelių integravimas į kasdienę veiklą leidžia sveikatos priežiūros organizacijoms geriau numatyti paklausos svyravimus, sumažinti perpildymo riziką ir pagerinti tarpžinybinį koordinavimą.
K. Didžiausią dėmesį skiriate AI ir ML – svarbioms šiandienos sveikatos priežiūros technologijoms. Kaip jie naudojami sveikatos priežiūros srityje, atsižvelgiant į jūsų sesijos dėmesį ir turinį?
A. Mūsų sesijoje pagrindinis dėmesys skiriamas dirbtinio intelekto ir mašininio mokymosi technologijoms, ypač jų taikymui nuspėjamojoje analizėje, skirtoje lovų poreikiui prognozuoti ir ligoninių pajėgumų valdymui. ML modeliai skirti analizuoti didelius duomenų rinkinius, įskaitant istorinius pacientų priėmimus, išleidimo tendencijas, sezoninius ligų modelius ir kitus veiksnius, kad būtų galima prognozuoti būsimus ligoninės pajėgumų poreikius.
Ištirsime, kaip šie modeliai gali numatyti pacientų srautą ir lovų poreikį, kad sveikatos priežiūros organizacijos galėtų priimti labiau pagrįstus sprendimus dėl išteklių paskirstymo, personalo ir pacientų priežiūros valdymo.
Šie nuspėjamieji modeliai naudoja algoritmus, kad nustatytų pacientų priėmimo, buvimo trukmės ir išrašymo dažnio modelius ir tendencijas, todėl ligoninės gali labai tiksliai prognozuoti paklausos svyravimus. ML integruoja duomenis iš kelių šaltinių, įskaitant skubios pagalbos skyrius, chirurginius skyrius ir ambulatorinę priežiūrą, kad būtų galima pateikti išsamų organizacinių pajėgumų vaizdą.
Ši analizė padeda ligoninių vadovams ir priežiūros koordinatoriams numatyti padidėjusį lovų poreikį, pvz., gripo sezono metu arba po stichinių nelaimių, ir veiksmingai planuoti, kad ištekliai būtų prieinami tada, kai jų labiausiai reikia. Diegiant šias technologijas sveikatos priežiūros įstaigos gali pereiti nuo reaktyvaus požiūrio prie aktyvesnio ir labiau numatančio pacientų srautų valdymo modelio.
Savo sesijoje išnagrinėsime, kaip mašininį mokymąsi galima veiksmingai pritaikyti sveikatos priežiūroje, siekiant numatyti lovų poreikį ir pagerinti pajėgumų valdymą. Analizuodami istorinius duomenis, tokius kaip pacientų priėmimo dažnis, išleidimo modeliai ir sezoninės tendencijos, ML modeliai gali numatyti ligoninių pajėgumų poreikius.
Šios prognozės leidžia sveikatos priežiūros organizacijoms optimizuoti išteklių paskirstymą, planuoti personalo poreikius ir teikti geresnę pacientų priežiūrą, o tai leidžia imtis iniciatyvaus, o ne reaktyvaus požiūrio į operacijas.
Taip pat aptarsime, kaip šiuos ML modelius galima integruoti į sveikatos priežiūros darbo eigą, paverčiant prognozes ligoninės personalo veiksmais. Užuot likę eksperimentinėje aplinkoje ar izoliuotuose įrankiuose, prognozės apdorojamos, saugomos ir pateikiamos sprendimų priėmimui per verslo žvalgybos platformas.
Šie BI įrankiai leidžia sveikatos priežiūros darbuotojams gauti efektyvaus planavimo, pvz., lovų paskirstymo, personalo valdymo ir pacientų išrašymo koordinavimo, įžvalgų, o tai galiausiai pagerina veiklos efektyvumą ir pacientų rezultatus.
K. Koks yra vienas iš įvairių atsinešimų, su kuriais tikitės, kad dalyviai paliks jūsų sesiją ir galės pateikti paraišką grįžę namo į savo organizacijas?
A. Svarbiausias dalykas, kurį, tikimės, dalyviai įgis iš mūsų sesijos, yra žinios, kaip įdiegti mašininiu mokymusi pagrįstus nuspėjamosios analizės įrankius, siekiant pagerinti savo ligoninės pajėgumų valdymą.
Dalyviai sužinos, kaip nuspėjamieji modeliai gali tiksliai prognozuoti lovų poreikį ir nustatyti galimas pacientų srauto kliūtis prieš jiems atsirandant. Šios įžvalgos įgalins lyderius priimti duomenimis pagrįstus sprendimus, efektyviau paskirstyti išteklius ir išvengti per didelės naštos padaliniams ar darbuotojams piko metu.
Naudodami šį įrankių rinkinį sveikatos priežiūros paslaugų teikėjai gali sumažinti paskutinę minutę personalo koregavimą, optimizuoti lovų naudojimą ir užtikrinti, kad pacientų priežiūra būtų nepertraukiama didelės paklausos laikotarpiais. Numatant pacientų srautą visoje ligoninėje, o ne atskiruose skyriuose, galima optimizuoti išteklių paskirstymą skyriuose ir sumažinti delsimą dėl pacientų poreikio ir turimų išteklių neatitikimo.
Tai skatins geresnį bendravimą tarp klinikinių komandų ir veiklos vadovų, o tai leis sklandžiau pereiti tarp pacientų priežiūros etapų ir pagerinti bendrą pacientų patirtį.
Ravi Teja Karri sesija „Pajėgumų planavimo ir lovų poreikio prognozavimo tobulinimas naudojant mašininį mokymąsi“ numatyta kovo 4 d., antradienį, 10.15 val. HIMSS25 Las Vegase.
Stebėkite Billo HIT aprėptį „LinkedIn“: Billas Siwickis
El. paštu: bsiwicki@himss.org
„Healthcare IT News“ yra HIMSS žiniasklaidos leidinys
