Leer en españoller em Português
De nombreuses entreprises s'intéressent à la transformation numérique - en utilisant des technologies numériques pour créer ou modifier les processus commerciaux, la culture et les expériences clients - pour se développer et garder une longueur d'avance sur la concurrence, et les hôpitaux ne font pas exception.
Lorsque les gens pensent à la transformation numérique dans les soins de santé, ils ont tendance à se concentrer sur l'idée d'utiliser l'analyse pour améliorer la prise de décision clinique.Par exemple, avec les progrès de la science informatique et de l'apprentissage automatique, il est devenu possible de fournir une médecine de précision, où les thérapies et les interventions sont adaptées à chaque patient en fonction du profil génétique de l'individu.Les algorithmes de l'intelligence artificielle (IA) sont de plus en plus utilisés pour améliorer la détection visuelle des signes de maladie dans des domaines tels que la radiologie, la dermatologie, la gastro-entérologie, l'ophtalmologie et la pathologie.
Cependant, se concentrer sur la mise à profit de la transformation numérique uniquement pour améliorer la prise de décision clinique serait une erreur.Sur la base de nos recherches et de celles des autres ainsi que des progrès en plein essor dans la façon dont les hôpitaux utilisent les données et la technologie, nous pensons que la transformation numérique a un rôle substantiel à jouer dans l'optimisation de la prise de décision opérationnelle des hôpitaux, ce qui peut à son tour conduire à des améliorationsdans la qualité et l'efficacité des soins et l'accès des patients.
Voici quatre domaines clés où les hôpitaux peuvent tirer parti de la transformation numérique pour améliorer la prise de décision opérationnelle: le flux des patients, le personnel, la planification et la gestion de la chaîne d'approvisionnement.
Flux
Alors que les hôpitaux s'efforcent de fournir les bons soins au bon patient au bon moment, les fournisseurs de soins doivent faire deux choses: évaluer les besoins des patients avec précision et gérer efficacement les ressources hospitalières.Alors que les prestataires sont bien formés pour faire le premier, ils ne sont généralement pas formés pour les seconds, ce qui est une tâche difficile - surtout compte tenu de la pression sur la capacité de l'hôpital qui est trop courante de nos jours en raison de la pandémie.
Au niveau de l'hôpital, les systèmes de prise de décision opérationnelle basés sur les données peuvent fournir des informations précieuses pour aider à prendre ces décisions de triage, d'admission et de décharge.Par exemple, lorsqu'un patient arrive et que le fournisseur ne sait pas si le patient doit être envoyé à l'USI ou à un service général, un algorithme de support de décision peut fournir des recommandations en fonction de l'avantage prévu de l'admission aux soins intensifs pour ce patient particulier.Recherche utilisant des données opérationnelles au niveau du patient de plus de 190 000 hospitalisations sur 15 U.S.Les hôpitaux montrent que lorsque les patients qui avaient un besoin clinique d'admission aux soins intensifs sont plutôt admis dans une autre partie de l'hôpital (E.g., un quartier général), cela entraîne des séjours à l'hôpital plus longs et des taux de réadmission plus élevés.
Lorsque la capacité de l'unité de soins intensifs souhaitée est limitée, le fournisseur peut considérer différentes options telles que la mise en place du patient dans une autre unité (E.g., une soins intensifs chirurgicaux au lieu d'une USI médicale) ou la sortie de patients qui sont actuellement en USI pour faire de la place pour les nouveaux.Des recherches utilisant des données opérationnelles hospitalières montrent que les deux stratégies ont des compromis importants et des conséquences involontaires qui devraient être pris en compte.Les algorithmes de prise de décision peuvent être conçus pour intégrer ces compromis, peser les coûts et les avantages des différents choix et fournir des recommandations appropriées.
Avant des recommandations, les algorithmes peuvent être exploités pour automatiser les tâches opérationnelles.Les résultats de la recherche d'une série d'expériences où les médecins et les travailleurs d'Amazon Mechanical Turk ont été invités à gérer une unité hospitalière simulée montre que les biais comportementaux et les erreurs de décision axées sur la cognition peuvent influencer les décisions opérationnelles des prestataires.La décomposition de ces décisions en composants cliniques et opérationnels et l'utilisation d'algorithmes pour automatiser la composante opérationnelle peuvent finalement conduire à de meilleurs résultats.
Au niveau du quartier, l'apprentissage automatique et les algorithmes de prise de décision peuvent également être utilisés pour prédire le nombre attendu d'admission, de décharges et de transferts vers et depuis le service, qui à son tour peut guider les actions ultérieures en fonction de ces prévisions.Cela peut faciliter le processus de rotation du lit, conduisant à une amélioration du flux du patient et d'une durée de séjour réduite.Les prédictions pour les services individuels peuvent servir d'entrées à un tableau de bord de gestion des lits à l'échelle de l'hôpital, qui peut être utilisé non seulement pour afficher le statut actuel de chaque quartier mais également pour fournir des prédictions pour le statut futur attendu dans tout l'hôpital.
Par exemple, le Beth Israel Deaconess Medical Center de Boston, en collaboration avec une équipe de chercheurs opératoires du MIT, a mis en œuvre des tableaux de bord axés sur la prédiction pour soutenir les décisions d'admission et de transfert en affichant le recensement actuel de chaque quartier ainsi que le nombre de décharges prévues.De même, l'hôpital pour enfants de Boston utilise le prédicteur du système de placement des patients, qui permet au service d'urgence de savoir quels patients sont susceptibles d'être admis à l'hôpital et dans quel service.Les tableaux de bord de gestion du lit à l'échelle de l'hôpital permettent une meilleure planification et une communication améliorée dans les différentes services et peuvent être développées pour fournir des alertes automatisées sur le système, comme lorsque le temps d'attente moyen pour un nouveau lit dépasse un seuil prédéterminé.
Recrutement
Les technologies numériques peuvent également aider à l'offre en matière de meilleure capacité de gestion.Prenons, par exemple, le personnel infirmier, qui représente une proportion importante des coûts des hôpitaux.Au lieu de s'appuyer sur les appels téléphoniques, les messages texte et les feuilles de calcul pour prendre des décisions de personnel ad hoc qui changent souvent à la toute dernière minute, les infirmières et les administrateurs hospitaliers peuvent utiliser l'analyse pour améliorer ce processus.
Par exemple, les algorithmes peuvent prédire les taux d'absentéisme des infirmières et la nécessité d'une augmentation du personnel pour déterminer de manière préventive le bon nombre d'infirmières flottantes pour appeler.La recherche dans les opérations des services d'urgence montre que les deux peuvent être modélisés, même dans des environnements où la demande est très incertaine.Un avantage clé est la capacité de ces systèmes à se préempter et à réagir plus rapidement, ce qui peut à son tour améliorer la cohérence et la prévisibilité de l'horaire de travail pour les infirmières.Cet aspect est susceptible d'être important car les hôpitaux et autres organisations de prestation de soins de santé travaillent à la réduction des taux notoirement élevés des infirmières-retournement: la recherche examinant le chiffre d'affaires des soins infirmiers dans l'une des plus grandes agences de santé à domicile aux États-Unis montrent que l'incohérence axée sur l'employeur chez les travailleurs 'Les horaires augmentent la probabilité des travailleurs de cesser de fumer.
L'analytique peut également être exploitée pour optimiser le personnel de l'équipe.Les hôpitaux comptent sur des fournisseurs pour travailler ensemble efficacement en équipe, les membres de l'équipe couvrant différents rôles et niveaux d'expérience.La recherche montre que la composition des équipes de soins a un impact significatif sur la performance.Une étude des équipes du service d'urgence produisant collectivement plus de 111 000 visites de patients au cours de deux ans révèle que les différences de hiérarchie et de compétences entre les médecins, les infirmières et les médecins résidents conduisent à des effets variables d'être exposés à de nouveaux membres de l'équipe lorsqu'ils sontà la performance de l'équipe.
Une autre étude des équipes de chirurgie cardiaque menant plus de 6 000 interventions chirurgicales sur sept ans montre qu'il est important de tenir compte de la familiarité par paire entre les membres de l'équipe - le nombre de collaborations passées pour toutes les paires au sein de l'équipe - car elle a des implications importantes pour la productivité de l'équipe.S'il est presque impossible d'incorporer ces plats à retenir lorsqu'ils essaient manuellement les équipes du personnel, l'IA peut facilement intégrer ces informations de recherche pour déterminer la composition optimale de l'équipe des fournisseurs prévus pour fonctionner et fournir des recommandations sur les niveaux de personnel optimaux.
Planification
Alors que de nombreux hôpitaux se sont déplacés pour capturer et stocker des dossiers de patients électroniquement, la planification de diverses ressources est encore en grande partie un processus manuel.Cela s'applique à la planification des procédures chirurgicales dans les salles d'opération, des analyses en suites en radiologie et bien d'autres.Il s'agit d'un autre domaine où les technologies numériques peuvent apporter des améliorations substantielles - non seulement en prédisant mieux les besoins en ressources et en incorporant sans effort des changements et des annulations de dernière minute, mais aussi en optimisant les horaires basés sur les dernières recherches.
Par exemple, les algorithmes d'apprentissage en machine peuvent être utilisés pour mieux prédire la durée de chaque procédure telle que la durée d'une chirurgie ou d'une IRM.Au Beth Israel Deaconess Medical Center, les outils développés par Amazon sont utilisés pour réserver plus précisément la salle d'opération.
La durée attendue est fonction non seulement des caractéristiques des patients et de leurs besoins cliniques, mais aussi de divers facteurs opérationnels.Par exemple, les chercheurs constatent que les temps de procédure chirurgicale ont tendance à augmenter en fonction des grandes tailles d'équipe, des charges de travail plus élevées et la séquence de l'opération dans la salle d'opération.Les algorithmes sont mieux équipés que les humains pour tenir compte des effets de ces facteurs opérationnels pour faire des prévisions.
L'apprentissage automatique peut également être utilisé pour prédire le temps requis que chaque patient doit passer dans l'unité de soins post-anesthésie (PACU) après une intervention chirurgicale.Étant donné que la congestion du PACU entraîne souvent des retards dans la salle d'opération, c'est un autre endroit où l'analyse peut être utilisée.Par exemple, cette étude tire parti de l'analyse des procédures chirurgicales de séquence optimale pour aider à prévenir la congestion du PACU et à minimiser les retards de salle d'opération.
Gestion de la chaîne logistique
Aux États-Unis, les hôpitaux ont dépensé en moyenne 11 $.9 millions chacun sur des fournitures médicales et chirurgicales en 2018, représentant jusqu'à un tiers du total des dépenses d'exploitation à certains.Malgré cela, l'amélioration de la chaîne d'approvisionnement et de la gestion des stocks n'est souvent pas considérée comme une priorité élevée pour les hôpitaux, où les prestataires ont tendance à se concentrer davantage sur les processus entourant.Pourtant, avoir ces fournitures est nécessaire pour fournir des soins de haute qualité.
Dans de nombreuses industries, il a été démontré que la transformation numérique de la chaîne d'approvisionnement réduit les coûts des processus de 50% et augmente les revenus de 20%;Les hôpitaux ne font pas exception.En automatisant le processus de collecte de données, de commande, de réconciliation et de paiement des fournitures médicales, chirurgicales et pharmaceutiques, les hôpitaux peuvent réduire les coûts de la chaîne d'approvisionnement et des stocks.En raison de la pandémie covide-19, l'amélioration de l'agilité et de la résilience à la demande et aux chocs de l'offre est devenue encore plus critique, et les gestionnaires hospitaliers recherchent de plus en plus des moyens de tirer parti des données et de la technologie pour mieux comprendre les stocks, les prix, les délais de direction etexiger les tendances.
Les technologies d'identification radio-fréquence (RFID) et les trackers connectés à Internet peuvent être utilisés pour mieux suivre et localiser les fournitures en temps réel.Par exemple, l'hôpital Saint Marys de Mayo Clinic a déployé un système RFID pour leurs opérations de salle d'urgence en 2015, ce qui a conduit à l'amélioration des soins et de l'expérience des patients ainsi que des coûts réduits.
La mise en commun et la coordination des fournitures dans différents services d'un hôpital peuvent réduire considérablement le montant des stocks requis pour atteindre un niveau de service donné.Bien que la centralisation physique soit un moyen d'y parvenir, la centralisation des informations, qui peut être facilement réalisée avec un système de gestion de la chaîne d'approvisionnement numérisée, peut être suffisante pour profiter des mêmes avantages.
Pour rendre ce type de transformation numérique possible, les hôpitaux doivent être intentionnels dans la façon dont ils collectent des données et interagissent avec leurs systèmes de technologie de l'information.Nous avons trois prescriptions pour comment procéder.
1.Collectez les bonnes données dans le bon format.
Commencez par identifier les points douloureux et les fruits à faible lutte.Quand et où les données sont-elles encore collectées et communiquées hors ligne?Le fax peut-il devenir automatiquement capturé et enregistré dans le système de dossier médical électronique (EMR)?Les appels téléphoniques et les SMS peuvent-ils être réduits et remplacés par des communications électroniques via le DME?
Lorsque vous capturez des données, assurez-vous de saisir les caractéristiques opérationnelles en plus des facteurs cliniques.Les horodatages sont une riche source de données qui offrent un aperçu des opérations hospitalières.Les horodatages doivent être capturés à la fois lorsque les événements se produisent (e.g., un lit est affecté à un patient, les résultats des tests deviennent disponibles, ou un patient est libéré) et lorsque des ressources sont demandées (e.g., un lit est demandé, une consultation est demandée, un test est commandé).Garder une trace de ce dernier permet aux gestionnaires de comprendre la demande sous-jacente de ressources même si toutes les demandes ne peuvent pas être satisfaites, ce qui permet une meilleure planification pour l'avenir.
En plus des horodatages, assurez-vous également de conserver un inventaire précis des ressources qui sont mises à jour en temps réel.Les ressources incluent non seulement les fournitures médicales, chirurgicales et pharmaceutiques qui sont commandées régulièrement, mais aussi des lits, un grand équipement et du personnel.
2.Configurez-vous pour l'évolutivité et l'interopérabilité.
Dès le départ, concevez le système de collecte de données avec évolutivité et interopérabilité (la capacité de différents systèmes informatiques ou équipements à échanger et à utiliser les données).Standardiser les formats d'entrée pour minimiser (ou éliminer) le besoin de nettoyage des données et améliorer la qualité des entrées dans les algorithmes.Familiarisez-vous avec les quatre niveaux d'interopérabilité et les normes d'interopérabilité établies pour mettre en place un système qui facilitera l'échange d'informations sur la santé et le partage de données.
En fin de compte, avoir une architecture de données de base uniforme et un format de données standardisé permettra une implémentation et une réplicabilité plus faciles des outils algorithmiques dans les hôpitaux. In the United States, the Centers for Medicare & Medicaid Services (CMS) and many health care delivery organizations are looking to adopt Fast Healthcare Interoperability Resources (FHIR) standards.
3.Ne perdez pas de vue l'interaction humaine-algorithme.
Alors que les algorithmes peuvent produire des prédictions et des recommandations utiles, le décideur est finalement l'humain.En conséquence, nous devons être conscients de la nature généralisée de l'aversion par les algorithmes par les décideurs et viser à développer des algorithmes qui sont justes, explicables, prévenir les dommages et respecter l'autonomie humaine afin que le décideur puisse faire confiance aux algorithmes.De plus, la création de superbes algorithmes ne peut pas améliorer les opérations hospitalières.Les algorithmes doivent être soigneusement conçus, mis en œuvre et évalués en pensant à l'utilisateur.
Il est également important de se rappeler que les soins de santé sont une industrie à forte intensité de connaissances.Les prestataires de soins possèdent souvent une quantité importante de connaissances locales ou d'expertise que les algorithmes ne capturent pas.Le remplacement complètement des décideurs humains par des algorithmes peut ne pas être la solution car l'intégration du jugement humain et de l'expérience peut souvent améliorer la performance des algorithmes.
Compte tenu du vieillissement de la population, de la prévalence des conditions chroniques et des progrès de la médecine, il est devenu plus important que jamais pour les hôpitaux de fonctionner efficacement et efficacement.À l'avenir, la clé pour améliorer la prise de décision opérationnelle résidera dans leur capacité à tirer parti de la transformation numérique.
