Управління кількістю ліжок має вирішальне значення для систем охорони здоров’я, оскільки впливає на догляд за пацієнтами та безпеку, операційну ефективність, стійкість системи та фінансові результати. Зусилля, спрямовані на покращення та оптимізацію управління, часто є ізольованими від регіонів у центрі та можуть призвести до неоптимального використання ресурсів, непослідовного догляду за пацієнтами та неефективності між відділеннями для передачі та іншої координації догляду.
Оцінка наскрізного управління попитом на ліжка в усьому світі від прийому до виписки усуває багато небажаних наслідків локальної оптимізації. Компанія Froedtert Health визначила покращення управління потенціалом як важливу та цільову мету, якої можна досягти за допомогою штучного інтелекту, машинного навчання та підходів до аналізу даних.
Розуміння та аналіз потоку пацієнтів і його джерел дозволило команді створити набір інструментів прогнозування, розроблених спеціально для центру координації медичної допомоги. Froedtert Health змогла покращити догляд за пацієнтами, ввести в дію ключові показники ефективності та оптимізувати роботу за рахунок більш ефективного розміщення та використання персоналу та завчасного реагування на очікувані зміни в попиті на ліжка для пацієнтів.
Це призвело до оптимізації розподілу ресурсів, покращення потоку пацієнтів, кращої координації між відділеннями та економії коштів.
Раві Тея Каррі — інженер машинного навчання у Froedtert ThedaCare Health. Він і двоє його колег розкажуть про ці досягнення на HIMSS25 на сесії під назвою «Покращення планування потужностей і прогнозування попиту на ліжка за допомогою машинного навчання». Ми взяли інтерв’ю у Каррі, щоб коротко дізнатися, що він планує обговорити в березні на HIMSS25 під час сесії.
З. Яка головна тема вашої сесії, і чому вона особливо актуальна для охорони здоров’я та медичних ІТ сьогодні?
А. Основна тема нашої сесії зосереджена на вдосконаленні управління потужністю лікарень і прогнозуванні попиту на ліжка за допомогою застосування штучного інтелекту та методів машинного навчання. Ця тема стає все більш актуальною в охороні здоров’я, оскільки лікарні стикаються з непередбачуваними змінами кількості пацієнтів.
Сезонні сплески, незаплановані госпіталізації та коливання потреб пацієнтів ускладнюють оптимальний розподіл ресурсів. Використання штучного інтелекту та машинного навчання для прогнозування попиту на ліжка та потоку пацієнтів дозволяє лікарням оптимізувати персонал, розподіляти ліжка та оптимізувати роботу, що призводить до покращення догляду за пацієнтами та загальної ефективності.
Наша сесія також дослідить, як організації охорони здоров’я можуть використовувати штучний інтелект і машинне навчання для перетворення процесів у попередні робочі процеси, а не реактивні. Цей проактивний підхід дає змогу точніше прогнозувати кількість пацієнтів і покращувати міжвідомчу координацію, зрештою покращуючи досвід пацієнтів завдяки більш ефективному розподілу ресурсів і своєчасному наданню медичної допомоги.
Інтеграція цих прогнозних моделей у повсякденну роботу дає змогу організаціям охорони здоров’я краще передбачати коливання попиту, мінімізувати ризики переповненості та покращити міжвідомчу координацію.
З. Ви зосереджуєтеся на AI та ML, важливих технологіях у сфері охорони здоров’я сьогодні. Як вони використовуються в охороні здоров’я в контексті вашої тематики та змісту?
А. Наша сесія присвячена технологіям штучного інтелекту та машинного навчання, зокрема їх застосуванню в прогностичній аналітиці для прогнозування попиту на ліжка та управління потужністю в лікарнях. Моделі ML розроблені для аналізу великих наборів даних, у тому числі історії госпіталізації пацієнтів, тенденцій виписки, моделей сезонних захворювань та інших факторів, для прогнозування майбутніх потреб у лікарні.
Ми досліджуватимемо, як ці моделі можуть прогнозувати потік пацієнтів і попит на ліжко-місця, дозволяючи організаціям охорони здоров’я приймати більш обґрунтовані рішення щодо розподілу ресурсів, персоналу та управління доглядом за пацієнтами.
Ці прогностичні моделі використовують алгоритми для виявлення закономірностей і тенденцій у надходженні пацієнтів, тривалості перебування та виписці, що дозволяє лікарням прогнозувати коливання попиту з високою точністю. ML об’єднує дані з багатьох джерел, у тому числі відділень невідкладної допомоги, хірургічних відділень та амбулаторної допомоги, щоб забезпечити комплексне уявлення про організаційну спроможність.
Цей аналіз допомагає керівництву лікарень і координаторам медичної допомоги передбачити різке зростання попиту на ліжка, наприклад, під час сезонів грипу або після стихійних лих, і ефективно планувати, щоб забезпечити доступність ресурсів, коли це найбільше потрібно. Впроваджуючи ці технології, заклади охорони здоров’я можуть перейти від реактивного підходу до більш проактивної та випереджаючої моделі управління потоком пацієнтів.
У нашій сесії ми розглянемо, як машинне навчання може бути ефективно застосоване в охороні здоров’я для прогнозування попиту на ліжка та покращення управління потужністю. Аналізуючи історичні дані, такі як кількість госпіталізованих пацієнтів, схеми виписки та сезонні тенденції, моделі ML можуть прогнозувати потреби лікарень у місткості.
Ці прогнози дозволяють організаціям охорони здоров’я оптимізувати розподіл ресурсів, планувати потреби у персоналі та забезпечувати покращений догляд за пацієнтами, забезпечуючи проактивний, а не реактивний підхід до операцій.
Ми також обговоримо, як ці моделі ML можна інтегрувати в робочі процеси охорони здоров’я, перетворюючи прогнози на дії для персоналу лікарні. Замість того, щоб залишатися в експериментальних середовищах або ізольованих інструментах, прогнози обробляються, зберігаються та стають доступними для прийняття рішень через платформи бізнес-аналітики.
Ці інструменти BI дають медичному персоналу доступ до інформації для ефективного планування, наприклад розподілу ліжок, управління персоналом і координації виписки пацієнтів, що в кінцевому підсумку покращує ефективність роботи та результати пацієнтів.
Запитання. З чим, як ви сподіваєтеся, учасники залишать вашу сесію та зможуть застосувати їх, коли повернуться додому до своїх організацій?
А. Ключовий висновок, який ми сподіваємося, що учасники отримають від нашої сесії, це знання про впровадження інструментів прогнозної аналітики на основі машинного навчання для покращення управління потенціалом власної лікарні.
Учасники дізнаються, як прогностичні моделі можуть точно прогнозувати попит на ліжка та визначати потенційні вузькі місця в потоках пацієнтів до того, як вони виникнуть. Ці знання допоможуть керівникам приймати рішення на основі даних, ефективніше розподіляти ресурси та уникати перевантаження підрозділів або персоналу в періоди пік.
Використовуючи цей набір інструментів, постачальники медичних послуг можуть мінімізувати коригування персоналу в останню хвилину, оптимізувати використання ліжок і забезпечити безперервний догляд за пацієнтами в періоди високого попиту. Прогнозування потоку пацієнтів у всій лікарні, а не в ізольованих відділеннях, дозволяє оптимізувати розподіл ресурсів між відділеннями та мінімізувати затримки, спричинені невідповідністю між попитом пацієнтів і наявними ресурсами.
Це сприятиме кращій комунікації між клінічними командами та оперативними керівниками, що призведе до плавніших переходів між етапами догляду за пацієнтами та покращення загального досвіду пацієнтів.
Сесія Раві Теджа Каррі «Покращення планування потужностей і прогнозування потреби в ліжках за допомогою машинного навчання» запланована на вівторок, 4 березня, о 10:15 за адресою HIMSS25 в Лас-Вегасі.
Слідкуйте за репортажами Bill's HIT на LinkedIn: Білл Сівіцкі
Надішліть йому електронний лист: bsiwicki@himss.org
Healthcare IT News — це видання HIMSS Media
