Improve value-based care with performance monitoring

Melhorar o bem-estar da equipe e também o atendimento ao paciente

Os sistemas de saúde de hoje enfrentam dois grandes desafios inter-relacionados: esgotamento dos funcionários e escassez de pessoal. Quase 50% dos médicos e enfermeiros pesquisados relataram sintomas substanciais de esgotamento devido à pesada carga de tarefas burocráticas e administrativas e ao excesso de horas de trabalho. Como resultado, muitos trabalhadores optaram por deixar a indústria em busca de um melhor equilíbrio entre vida pessoal e profissional, deixando os hospitais com grandes lacunas de pessoal que não conseguem preencher. Mais da metade dos hospitais dos EUA relatam taxas de falta de enfermeiros acima de 7,5%, e as horas extras e os gastos com agências aumentaram 169% desde 2013. Infelizmente, muitas estimativas sugerem que a escassez de profissionais de saúde só vai piorar na próxima década.

Para enfrentar esses dois desafios, os provedores devem continuar a otimizar seus modelos de pessoal de forma a priorizar o bem-estar do profissional de saúde, garantindo a melhor experiência e resultados possíveis para o paciente. As plataformas de dados desempenharão um papel crítico, fornecendo aos provedores acesso central a dados de sistemas diferentes e análises avançadas e modelos de machine learning que eles podem usar para prever as necessidades de pessoal com mais precisão. Com essas informações, as organizações de saúde podem equilibrar melhor o número de casos e ajudar a garantir pessoal adequado o tempo todo para evitar o esgotamento e melhorar o atendimento ao paciente.

Simplifique o planejamento da equipe de saúde com machine learning

Embora os dados clínicos possam dizer muito aos médicos sobre seus pacientes, os sistemas operacionais, como os sistemas de gerenciamento de capital humano (HCM), podem dizer muito às organizações de assistência médica sobre seus funcionários, fornecendo informações como cronogramas históricos, horas trabalhadas e tempo de licença tomadas por médicos e outros funcionários. Como demonstra a arquitetura a seguir, a Oracle Data Platform unifica dados clínicos e operacionais e usa análise avançada e machine learning para ajudar os provedores a entender como os modelos de pessoal afetam os resultados dos pacientes, como as decisões de pessoal podem afetar a próxima semana de atendimento quase em tempo real, quais lacunas de pessoal podem precisar ser preenchidas no caso de outro grande aumento nos casos de COVID-19, como é um modelo de equipe ideal para qualquer momento e muito mais.

Esta imagem mostra como a Oracle Data Platform para saúde pode ser usada para otimizar as cargas de trabalho da equipe médica. A plataforma inclui os seguintes cinco pilares:

1. 1. Fontes de dados, Descoberta
2. 2. Ingestão, Transformação
3. 3. Persistência, Curadoria, Criação
4. 4. Análise, Aprendizado, Predição
5. 5. Medição, Ação

O pilar Fontes de Dados, Descoberta inclui quatro categorias de dados.

1. 1. Os dados de aplicações incluem HCM, recursos, qualificação e dados de treinamento.
2. 2. Os registros de saúde incluem dados clínicos, como dados de EHRs, EMRs e sistemas administrativos.
3. 3. Dados de terceiros incluem dados administrativos e sociodemográficos e dados relacionados a políticas e programas, comportamentos de saúde e meio ambiente.
4. 4. Os dados técnicos de entrada incluem dados gerados pelo paciente (como dados sociais, avaliações de risco à saúde, históricos médicos online e respostas a pesquisas) e de monitoramento remoto e aplicações móveis de saúde.

O pilar Ingestão, Transformação abrange quatro recursos.

1. 1. A transferência em massa usa OCI FastConnect, OCI Data Transfer, MFT e OCI CLI.
2. 2. A ingestão em lote usa OCI Data Integration, Oracle Data Integrator e ferramentas de banco de dados.
3. 3. A captura de dados alterados usa OCI GoldenGate e Oracle Data Integrator.
4. 4. A ingestão de streaming usa Kafka Connect.

Todos os quatro recursos se conectam unidirecionalmente ao armazenamento de dados de serviço, armazenamento em nuvem e armazenamento de dados transacionais no pilar Persistência, Curadoria, Criação.

Além disso, a ingestão de streaming está conectada ao processamento de stream no pilar Análise, Aprendizado, Previsão.

O pilar Persistência, Curadoria, Criação abrange cinco recursos.

1. 1. O armazenamento de dados de serviço usa Autonomous Data Warehouse, Exadata Cloud Service e Exadata Cloud@Customer.
2. 2. O armazenamento de dados transacionais usa Autonomous Transaction Processing, MySQL, Exadata Cloud Service, Exadata Cloud@Customer e NoSQL.
3. 3. O armazenamento em nuvem usa OCI Object Storage.
4. 4. O processamento em lote usa OCI Data Flow.
5. 5. A governança usa OCI Data Catalog.

Esses recursos estão conectados no pilar. O armazenamento em nuvem é conectado unidirecionalmente ao armazenamento de dados de serviço; ele também é conectado bidirecionalmente ao processamento em lote.

O armazenamento de dados transacionais é conectado unidirecionalmente ao armazenamento de dados de serviço.

Dois recursos se conectam ao pilar Análise, Aprendizado, Previsão: O armazenamento de dados de serviço se conecta tanto ao recurso de análise e visualização quanto ao recurso de APIs, produtos de dados. O armazenamento em nuvem se conecta ao recurso de machine learning.

O pilar Análise, Aprendizado, Previsão abrange cinco recursos.

1. 1. Análise e visualização usam Oracle Analytics Cloud, GraphStudio e ISVs.
2. 2. Produtos de dados, APIs usam OCI API Gateway e OCI Functions.
3. 3. Machine Learning usa OCI Data Science, Oracle Machine Learning e Oracle ML Notebooks.
4. 4. Os serviços de IA usam Oracle Digital Assistant, OCI Decision, OCI Speech, OCI Language e OCI Vision.
5. 5. O processamento de streaming usa OCI GoldenGate Stream Analytics e análises de stream de terceiros.

Três recursos estão conectados no pilar. O recurso de produtos de dados, APIs é conectado unidirecionalmente ao recurso de machine learning, que é conectado unidirecionalmente ao recurso de serviços de IA, e o processamento de stream é conectado unidirecionalmente ao recurso de serviços de IA.

O armazenamento de dados de serviço, de dados transacionais e de objetos fornecem metadados para o OCI Data Catalog.

O pilar Medição, Ação captura como a análise de dados pode ser aplicada para apoiar a otimização das cargas de trabalho da equipe médica e o gerenciamento do número de casos. Essas aplicações são divididas em dois grupos.

1. 1. O primeiro grupo inclui análise descritiva, análise de diagnóstico e análise preditiva e prescritiva.
2. 2. O segundo grupo inclui a análise da relevância estatística entre informações do paciente, tratamento e resultados.
3. 3. Os três pilares centrais – Ingestão, Transformação; Persistência, Curadoria, Criação; e Análise, Aprendizado, Previsão — são suportados por infraestrutura, rede, segurança e IAM.

Existem três maneiras principais de injetar dados em uma arquitetura para permitir que as organizações de assistência médica entendam como equipar melhor cada departamento em um determinado momento.

• O histórico da equipe e os dados relacionados ao paciente são essenciais para entender e prever as futuras necessidades de pessoal. A aplicação HCM fornecerá grande parte dos dados necessários para obter informações sobre modelos de pessoal anteriores e funcionários individuais. E a aplicação de admissão, alta e transferência (Admission, Discharge and Transfer, ADT) fornecerá detalhes básicos sobre cada paciente. Esses dados podem ser enriquecidos com dados de pacientes de fontes de terceiros, que podem incluir dados não estruturados de redes sociais, por exemplo. Extrações frequentes em tempo real ou quase em tempo real que requerem captura de dados alterados são comuns, e os dados são ingeridos regularmente de sistemas operacionais de HCM e ADT usando o OCI GoldenGate. O OCI GoldenGate também é um componente crítico da evolução das arquiteturas de malha de dados, onde os “produtos de dados” são os objetos de dados centrais.
• Agora podemos adicionar dados de streaming de dispositivos wearable, que serão ingeridos em tempo real usando um serviço de streaming/Kafka. Por exemplo, podemos ingerir dados de dispositivos wearable com rastreamento por GPS que monitoram a localização e o movimento da equipe ao longo do dia e usá-los para entender como melhor alocar o pessoal nas unidades e com pacientes. Esses dados (eventos) transmitidos serão ingeridos e algumas transformações/agregações básicas ocorrerão antes que os dados sejam armazenados na nuvem.
• Enquanto as necessidades em tempo real estão evoluindo, a extração mais comum dos sistemas de saúde é uma espécie de ingestão em lote usando um processo de extração, transformação e carregamento ou extração, carregamento e transformação. A ingestão em lote é usada para importar dados de sistemas que não suportam a ingestão de streaming (por exemplo, sistemas de mainframe mais antigos). Para obter uma compreensão completa das necessidades do paciente, também precisamos ingerir dados de um sistema operacional, como um sistema de prontuário eletrônico (Electronic Medical Record, EMR) ou registro eletrônico de saúde (Electronic Health Record, EHR), provavelmente por meio do protocolo Fast Healthcare Interoperability Resources. Os dados são obtidos de diversas localidades e regiões. As ingestões em lote podem ser frequentes, a cada 10 ou 15 minutos, mas ainda são de natureza em massa, pois as transações são extraídas e processadas em grupos, em vez de individualmente.

As opções de persistência e processamento de dados para todos os dados coletados são baseadas em quatro componentes.

• Os dados brutos ingeridos são armazenados na nuvem para processamento em lote, que fará a limpeza necessária, enriquecimento e assim por diante para colocar os dados no estado necessário para serem consumidos por usuários downstream, que podem ser pessoas, aplicações ou plataformas de machine learning. Embora alguns dados possam ser colocados diretamente no servindo o armazenamento de dados, esses dados também são colocados simultaneamente no armazenamento na nuvem. Esses dados serão processados através do Spark. O processamento pode ser executado diretamente usando o OCI Data Flow ou como parte de um pipeline maior usando os recursos de orquestração na OCI Data Integration. Esses conjuntos de dados processados são devolvidos ao armazenamento em nuvem para persistência, curadoria e análise e, finalmente, para carregamento de forma otimizada no armazenamento de dados de serviço.
• O armazenamento de dados transacionais é usado para relatórios operacionais e como fonte de dados para um data warehouse de domínio ou um data warehouse corporativo (Enterprise Data Warehouse, EDW). É um elemento complementar a um EDW em um ambiente de suporte à decisão e é usado para relatórios operacionais, controles e tomada de decisão, ao contrário do EDW, que é usado para suporte tático e estratégico à decisão. Um armazenamento de dados operacionais (Operational Data Store, ODS) é normalmente um banco de dados relacional projetado para integrar e manter dados de várias fontes a serem usados para operações adicionais, relatórios, controles e suporte a decisões operacionais.
• Agora criamos conjuntos de dados processados que estão prontos para serem mantidos em forma relacional otimizada para curadoria e desempenho de consulta no armazenamento de dados de serviço. Isso dá aos provedores acesso para examinar todos os dados e variáveis necessários para desenvolver planos de recrutamento ideais.

A capacidade de analisar, prever e agir depende de duas tecnologias.

• Os serviços de Análise e visualização oferecem análise descritiva (descreve as tendências atuais com histogramas e gráficos), análise preditiva (prevê eventos futuros, identifica tendências e determina as probabilidades de resultados incertos) e análise prescritiva (propõe ações adequadas , levando a uma tomada de decisão ideal). Juntas, elas podem ser usadas para prever as necessidades de pessoal e oferecer recomendações adequadas. Por exemplo, a análise pode ser usada para prever se um grupo de pacientes que vivem em uma área específica, sujeitos a impactos ambientais variados (como temperatura) e que apresentam certos sintomas podem indicar um surto de doença iminente que exigiria que um provedor fizesse alterações em seu modelo de pessoal para lidar com o aumento previsto do número de casos.
• Juntamente com o uso de análises avançadas, modelos de machine learning são desenvolvidos, treinados e implementados. Esses modelos treinados podem ser executados em dados operacionais atuais e históricos para detectar eventos e tendências, como um aumento de funcionários insatisfeitos, o que pode levar a taxas de rotatividade mais altas. Esses eventos e outros resultados podem ser persistidos na camada de serviço e relatados usando ferramentas analíticas como a Oracle Analytics Cloud. O modelo e os dados também podem ser alimentados em sistemas de machine learning, como OCI Data Science, para treinar ainda mais os modelos para recomendar configurações de equipe mais eficazes antes de promovê-las. Esses modelos podem ser acessados por meio de APIs, implementados no armazenamento de dados de serviço ou incorporados como parte do pipeline analítico de streaming do OCI GoldenGate.
• Nossos dados e modelos selecionados, testados e de alta qualidade podem ter regras e políticas de governança aplicadas e podem ser expostos como um produto de dados (API) em uma arquitetura de malha de dados para distribuição em toda a organização de assistência médica.

Além da equipe: Use dados para enfrentar outros desafios importantes da saúde

Além de fornecer à sua organização de assistência médica a capacidade de desenvolver modelos de pessoal melhores e mais precisos, a Oracle Data Platform também pode ajudar você a otimizar as operações em outras áreas para melhorar o atendimento ao paciente, reduzir custos e elevar a experiência do funcionário. Aqui estão alguns exemplos.

• Conduza cuidados holísticos e coordenados para grupos-alvo de pacientes.
• Identifique o potencial de falha do sistema em caso de surtos pandêmicos previstos com bastante antecedência e intervenha proativamente para ajudar a garantir o sucesso do sistema.
• Monitore as tendências da coorte de pacientes para avaliar a eficácia de seus programas de atendimento.
• Identifique as áreas de uso excessivo do tratamento.
• Monitore a qualidade e o custo da prestação de cuidados.
• Construa modelos de estratificação de risco do paciente.
• Preveja o risco de reinternação do paciente.
• Recomende cuidados preventivos para apoiar o autocuidado do paciente.