Gerenciamento de saúde para a população

Melhore os resultados dos pacientes e reduza os custo

A gestão eficaz da saúde da população (PHM) oferece muitos benefícios - para sistemas de saúde, profissionais, pacientes, comunidades e pagadores. Ele pode ajudar a melhorar os resultados de saúde, elevar a experiência do paciente, reduzir disparidades de saúde, identificar ineficiências e lacunas de atendimento e controlar o custo do atendimento. No entanto, para ser eficaz, o PHM requer acesso a grandes quantidades de dados precisos, quase em tempo real, de várias fontes, ferramentas para conectar conjuntos de dados díspares e usar esses dados para desenvolver insights acionáveis e salvaguardas para garantir que os dados permaneçam seguros. vezes.

Para superar esses desafios e apoiar estratégias eficazes de PHM, os sistemas de saúde precisam de uma plataforma de dados que possa capturar, armazenar, gerenciar e obter insights de dados coletados de sistemas administrativos, ôhmicos, clínicos e operacionais usando um data lakehouse. A infraestrutura da plataforma deve ter uma estrutura robusta de governança de informações que inclua um padrão de exclusão do cidadão, bem como padrões de interoperabilidade, dados e segurança cibernética. A plataforma também deve fornecer análises avançadas, machine learning e análises cognitivas, essenciais para projetar metodologias eficazes e robustas de estratificação de risco e para monitorar a saúde da população ao longo do tempo. Com a capacidade de consolidar dados de pacientes espalhados por vários sistemas de informações de saúde em um único registro, as equipes de saúde podem desenvolver insights acionáveis que irão melhorar os resultados dos pacientes enquanto reduzem os custos para o paciente, provedor e pagador.

Aproveite 100% dos dados

Novas abordagens são necessárias para ajudar a identificar as necessidades atuais de saúde e prever o que os pacientes precisarão no futuro. A arquitetura a seguir demonstra como a Oracle Data Platform foi criada para oferecer suporte ao gerenciamento de saúde da população, capturando, armazenando, organizando e analisando dados para entender melhor as necessidades do paciente e fornecer insights acionáveis.

Existem três maneiras principais de injetar dados em uma arquitetura para permitir que as organizações de saúde entendam seus pacientes de maneira ideal.

• Para entender os pacientes, é essencial conhecer o seu histórico médico. Para fazer isso, as organizações de saúde devem obter todos os seus registros de admissão e transferência de todos os sistemas de informação de saúde. Esses dados podem ser enriquecidos com dados do paciente de fontes de terceiros, como dados não estruturados de mídias sociais e assim por diante. 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 admissão e descarga 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 médicos que serão ingeridos em tempo real usando um serviço de streaming/Kafka. Isso inclui dados de todos os dispositivos e monitores que um paciente pode usar enquanto está sob observação direta de seu médico, além de incluir dados de todos os dispositivos vestíveis pessoais que um paciente usa, o que pode ajudar sua equipe de atendimento a entender melhor seus sintomas e estilo de vida quando estão fora do centro de tratamento. Esses dados transmitidos (eventos) serão ingeridos com algumas transformações/agregações básicas que ocorrerão antes do armazenamento no armazenamento em nuvem.
• Embora as necessidades em tempo real estejam evoluindo, a extração mais comum dos sistemas de assistência médica é um tipo de ingestão em lote usando um processo de extração, carregamento e transformação ou extração, transformação e carregamento. A ingestão em lote é usada para importar dados de sistemas que não suportam fluxos de dados (por exemplo, sistemas mainframe mais antigos). Para obter uma compreensão holística de cada paciente, também precisamos de dados de sistemas operacionais, como sistemas de cobrança, e dados que chegam por meio do protocolo Fast Healthcare Interoperability Resources (FHIR) de registros médicos eletrônicos ou aplicações de registros eletrônicos de saúde. Os dados são obtidos de diversas localidades e regiões. A ingestão pode ser frequente, como a cada 10-15 minutos, mas ainda assim são naturalmente volumosas. Os grupos de conjuntos de dados transacionados são extraídos e processados no lugar de transações individuais.

As opções de persistência e processamento de dados para dados coletados são construídas em três (opcionalmente quatro) componentes.

• Os dados brutos ingeridos são armazenados em armazenamento em nuvem para processamento em lote, que fará a limpeza, enriquecimento e assim por diante necessários 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. Como alternativa, dependendo da preferência arquitetônica, isso pode ser feito com o Oracle Big Data Service como um cluster Hadoop gerenciado.
• 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 permitirá que os profissionais de saúde respondam melhor às necessidades de um paciente, com o objetivo de evitar sua internação ou reinternação.

A análise já está integrada nas 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 dos pacientes e oferecer as intervenções mais adequadas. Por exemplo, a análise pode prever se um grupo de pacientes de uma certa idade, morando em uma área específica, sujeito a impactos ambientais variados e prescrito uma combinação específica de tratamentos pode desenvolver uma determinada doença crônica.
• Juntamente com o uso de análises avançadas, modelos de machine learning são desenvolvidos, treinados e implementados. Esses modelos podem ser acessados por meio de APIs, implementados no armazenamento de dados de serviço ou incorporados como parte do pipeline do OCI GoldenGate de análise de streaming.
• 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) dentro de uma arquitetura de malha de dados para distribuição em toda a organização de assistência médica .

Reduza a complexidade e os custos com a gestão de saúde com a plataforma de dados certa

A plataforma de dados certa pode ajudar as organizações de saúde a obter o maior valor de todos os dados disponíveis para projetar serviços de saúde mais alinhados, econômicos e sustentáveis. Isso inclui planos de cuidados mais bem adaptados e suporte para indivíduos, incluindo intervenções precoces e proativas, como exames populacionais de rotina, que podem melhorar os resultados de saúde, bem como o envolvimento e a satisfação do paciente.