VARFÖR SJUKHUS BEHÖVER BÄTTRE DATAVETENSKAP

VARFÖR SJUKHUS BEHÖVER BÄTTRE DATAVETENSKAP HBR Innovation Center

pdf Varför sjukhus behöver bättre datavetenskap (.pdf)

Vårdsektorn kan lära av Amazon, Southwest och FedEx.
Av Sanjeev Agrawal
19 oktober 2017

588KB

Harvard Business Review

Flygbolag kan vara mer operativt komplicerade, resursintensiva och reglerade än sjukhus, men ändå gör de mest lyckade aktörerna ett mycket bättre jobb än de flesta sjukhus med att hålla ner kostnaderna och visa en god vinst samtidigt som kunderna får vad de väntar sig. Southwest Airlines har till exempel kommit fram till hur de ska lyckas med de två viktigaste operativa uppgifterna: Att ha fler plan i luften oftare och att fylla dem mer och oftare än någon annan. På samma sätt har framgångsrika företag i andra komplicerade, resurskrävande och tjänstbaserade branscher – Amazon, välskötta flygplatser, UPS och FedEx – listat ut hur de ska överträffa sina mål och samtidigt arbeta rationellt och kostnadseffektivt.

Dessa exempel är relevanta för sjukvården av två skäl.

För det första liknar driften av ett sjukhus på många sätt driften av ett flygbolag, en flygplats eller transporttjänster. Driften består av många steg (incheckning, bagage, säkerhetskontroll, gate), stora variationer vid varje steg (väder, trafikstockningar, mekaniska problem), flera anslutna segment i användarresan – och alla dessa steg inbegriper människor och inte bara maskiner. Matematiskt uttryckt består driften av ett sjukhus, precis som driften av ett flyg- eller transportbolag, av hundratals miniprocesser som är mer stokastiska och mindre deterministiska än exempelvis de steg som krävs för att montera en bil.

För det andra står sjukhus idag inför samma press att sänka kostnaderna och öka intäkterna som butiker, transportbolag och flygbolag har kämpat med i åratal. Som Southwest, Amazon, FedEx och UPS har visat måste branscher som är tillgångsintensiva och tjänstbaserade effektivisera verksamheten och göra mer med mindre för att vara framgångsrika. Vårdgivare kan inte fortsätta betala sig ur problem genom att investera i mer och mer infrastruktur. De måste i stället optimera användningen av de tillgångar som redan finns.

För att göra detta måste leverantörerna hela tiden fatta rätt operativa beslut, precis som de andra branscherna har gjort. De måste skapa en operativ ”flygledning” för sina sjukhus – en centraliserad kontrollfunktion som är prediktiv, lär sig kontinuerligt och använder optimerade algoritmer och artificiell intelligens för att ge styrande rekommendationer i hela systemet. Många vårdorganisationer effektiviserar nu driften med plattformar från leverantörer, inklusive LeanTaaS, Intelligent InSites, Qgenda, Optum och IBM Watson Health. Det dessa lösningar har gemensamt är möjligheten att samla in och bearbeta stora mängder data för att ge rekommendationer till administrativa och kliniska slutanvändare.

Att förbättra sjukhusens operativa effektivitet med datavetenskap handlar om att tillämpa prediktiv analys för att förbättra planering och utförande av viktiga vårdprocesser, framför allt resursanvändning (inklusive infusionsstolar, operationsrum, bildutrustning och patientsängar), personalscheman och inskrivning och utskrivning av patienter. När detta görs på rätt sätt kan leverantörerna förbättra patienttillgängligheten (fler patienter kan tas emot snabbare), öka intäkterna, sänka kostnaderna, förbättra resursutnyttjandet och förbättra patientupplevelsen. Här är några exempel:

Ökat utnyttjande av operationsrum. För en resurs som står för mer än 60 % av inskrivningarna och 65 % av intäkterna på de flesta sjukhus är de nuvarande teknikerna med blockscheman inte tillräckligt bra på att optimera tiden i operationsrum och förbättra patienttillgängligheten, kirurgnöjdheten och vårdkvaliteten. Aktuella tekniker – telefonsamtal, fax och e-post – gör det svårt att ändra i blockscheman, det går långsamt och det blir lätt fel. Med hjälp av prediktiv analys, mobil teknik och molndata kan leverantörerna analysera nyttjandemönster och dramatiskt förbättra schemaläggningen av operationssalar.

Kirurger och koordinatorer kan nu till exempel använda mobilappar för att begära den blocktid de behöver med ett klick. Vid UCHealth i Colorado kan patienterna nu få behandling snabbare tack vare schemaläggningsappar (kirurgerna släpper block de inte behöver 10 % tidigare än med manuella blocktekniker), kirurgerna får bättre kontroll och tillgång (medianantalet frigjorda block av kirurger varje månad har ökat med 47 %) och den övergripande nyttjandegraden (och intäkterna) har ökat. Med dessa verktyg ökade UCHealth intäkterna per operationssal med 4 %, vilket innebär 15 miljoner dollar i intäkter varje år.

Kortare väntetider vid infusionscenter. Schemaläggning för infusion är ett mycket komplicerat matematiskt problem. Även för ett center med 30 stolar krävs att en av en googol (10100 ) möjliga lösningar väljs för att undvika ”rusningstrafik” mellan klockan 10 och 14 på ett patientinriktat sätt. Ställt inför denna utmaning använde New York-Presbyterian Hospital prediktiv analys och maskininlärning för att optimera sina schemamallar, vilket gav 50 % kortare väntetider för patienterna. Förutom att förbättra schemaläggningen för patienter på lång sikt hjälper dessa tekniker schemaläggarna att hantera infusionscentrets osäkerhet från dag till dag – tillägg i sista minuten, sena avbokningar och patienter som inte dyker upp – samt optimera sköterskornas arbetsbelastning och rasttider.

Effektivisera akutverksamheten. Akutavdelningar är berömda för köer, antingen för att patienterna väntar på labbresultat eller röntgenbilder eller för att avdelningen är underbemannad. Analysdriven programvara kan avgöra vilken som är den mest effektiva ordningen att göra saker i på akutavdelningen och därmed minska väntetiderna för patienterna betydligt. När en ny patient behöver röntgen eller ett blodprov kan det spara tid för patienterna och använda resurserna på akutavdelningen smartare om man vet vilken som den mest effektiva ordningen att göra det i. Programvaran kan nu avslöja historiska hinder (det kanske finns en upprepad personalbrist för EKG på onsdagar som behöver åtgärdas) och visa vårdgivaren varje patientresa genom avdelningen och väntetider i realtid. Då kan vårdgivaren eliminera återkommande hinder och allokera personal eller leda om patienttrafiken för att förbättra effektiviteten. Emory University Hospital använde till exempel prediktiv analys för att förutse patientbehovet av varje typ av laboratorietest efter tid på dagen och veckodag. På så sätt kunde vårdgivaren minska patienternas genomsnittliga väntetid från en timme till 15 minuter. Flaskhalsarna på akutavdelningen minskade lika mycket.

Överföring från akutavdelning till vårdplats. Prediktiva verktyg kan också användas för att förutse sannolikheten för att en patient måste läggas in, och för att uppskatta vilken eller vilka enheter som kan ta emot dem. Med denna information kan sjukhusläkaren och akutläkaren snabbt komma överens om ett troligt inskrivningsflöde som kan synliggöras för alla i inskrivningskedjan. Denna datadrivna metod hjälper vårdgivare att prioritera vilka sängar som ska bäddas först, vilka enheter som ska accelerera utskrivningen och vilka patienter som ska flyttas till ett utskrivningsrum. Med hjälp av ett datadrivet system för patientlogistik minskade Sharp HealthCare i San Diego tiden från inskrivningsorder till vårdplats med mer än tre timmar.

Accelererad utskrivningsplanering. För att optimera utskrivningsplaneringen måste handläggare och socialarbetare kunna förutse och förhindra förseningar i utskrivningen. Elektroniska patientjournaler eller andra interna system samlar ofta in data om förseningar i utskrivningen som skulle kunna undvikas – patienter som under den senaste månaden, kvartalet eller året försenades på grund av problem med försäkringsverifiering eller brist på transport, destination eller eftervård. Dessa data är en guldgruva för vårdgivare. Med rätt analysverktyg kan vårdgivaren med hög precision förutse vem bland hundratals patienter som löper störst risk att få problem under utskrivningen inom en timme efter att patienten har kommit in och fyllt i sina papper. Med hjälp av sådana verktyg kan handläggare och socialarbetare skapa en lista över högprioriterade patienter vars utskrivningsplanering kan påbörjas redan när patienten skrivs in. Med hjälp av programvara för utskrivningsanalys kunde universitetssjukhuset MedStar Georgetown i Washington, DC till exempel öka den dagliga utskrivningsvolymen med 21 %, vilket minskade sjukhusvistelserna med en halv dag och ökade morgonutskrivningarna till 24 % av alla utskrivningar.

Att konsekvent fatta bra operativa beslut, hundratals gånger per dag, kräver avancerad datavetenskap. Analysverktyg som används på rätt sätt kan sänka vårdkostnaderna, minska väntetiderna, öka tillgängligheten för patienter och öppna upp kapacitet i den infrastruktur som redan finns på plats.

Sanjeev Agrawal
Sanjeev Agrawal är vårdchef och marknadschef på LeanTaaS, en företag i Silicon Valley som arbetar med prediktiv analys inom vården.

Referenced path does not exist