Optimiza las cargas de trabajo del personal médico y la gestión de casos

Mejorar el bienestar del personal y la atención al paciente

Los sistemas de salud actuales se enfrentan a dos desafíos clave e interrelacionados: el agotamiento de los empleados y la escasez de personal. Casi el 50 % del personal médico y de enfermería ha señalado sufrir síntomas importantes de agotamiento debido a la pesada carga de tareas burocráticas y administrativas y el exceso de horas de trabajo. Por ello, muchos profesionales han optado por abandonar el sector en busca de un mejor equilibrio entre la vida personal y profesional, lo cual genera una gran escasez de personal que los hospitales no logran cubrir. Más de la mitad de los hospitales estadounidenses reportan tasas de vacantes de enfermería superiores al 7,5 %, y el gasto en horas extra y personal externo se ha incrementado en un 169 % desde 2013. Desafortunadamente, muchas estimaciones sugieren que la escasez de trabajadores sanitarios empeorará en la próxima década.

Para hacer frente a ambos desafíos, los proveedores deben seguir optimizando sus modelos de dotación de personal priorizando el bienestar de sus profesionales sanitarios, sin dejar de garantizar las mejores experiencias y resultados posibles para los pacientes. Las plataformas de datos desempeñarán un papel fundamental, ya que proporcionan a los proveedores acceso centralizado a los datos de sistemas dispares y análisis avanzados y modelos de machine learning que podrán utilizar para pronosticar las necesidades de personal con mayor precisión. Con estos insights, las organizaciones de salud pueden equilibrar mejor las cargas de casos y garantizar que disponen de la plantilla adecuada en todo momento para evitar el agotamiento y mejorar la atención al paciente.

Simplifica la planificación del personal sanitario con machine learning

Al igual que los datos clínicos pueden brindar a los profesionales médicos información valiosa sobre sus pacientes, los sistemas operativos, como los sistemas de gestión de capital humano (HCM), pueden proporcionar a las organizaciones sanitarias datos claves sobre sus empleados, como horarios históricos, horas trabajadas y tiempo de baja por enfermedad tanto de médicos como de otros trabajadores. Como demuestra la siguiente arquitectura, Oracle Data Platform unifica los datos clínicos y operativos y utiliza análisis avanzados y machine learning para ayudar a los proveedores a comprender cómo influyen los modelos de personal en los resultados de los pacientes, cómo pueden afectar las decisiones en materia de dotación de personal a la siguiente semana casi en tiempo real, qué carencias de personal habrán de cubrirse si se produce otro aumento importante de los casos COVID-19, qué modelo de personal resultaría óptimo en cualquier momento y muchas otras cosas.

En esta imagen se muestra cómo se puede utilizar Oracle Data Platform for Healthcare para optimizar las cargas de trabajo del personal médico. La plataforma incluye estos cinco pilares:

1. 1. Orígenes de datos, detección
2. 2. Ingerir, transformar
3. 3. Persistir, curar, crear
4. 4. Analizar, aprender, predecir
5. 5. Medir, actuar

El pilar Origen de datos, detección incluye cuatro categorías de datos.

1. 1. Los datos de las aplicaciones incluyen datos de HCM, recursos, calificación y formación.
2. 2. Los registros sanitarios incluyen datos clínicos de historiales clínicos electrónicos, registros médicos electrónicos y sistemas administrativos.
3. 3. Los datos de terceros incluyen datos administrativos y sociodemográficos, y relacionados con políticas y programas, comportamientos de salud y el entorno.
4. 4. Los datos técnicos de entrada incluyen datos generados por el paciente (como datos sociales, evaluaciones de riesgos sanitarios, historiales médicos en línea y respuestas a encuestas) y datos de aplicaciones de supervisión remota y salud móvil.

El pilar "Ingerir, transformar" comprende cuatro capacidades.

1. 1. La transferencia masiva utiliza OCI FastConnect, OCI Data Transfer, MFT y OCI CLI.
2. 2. La ingesta por lotes utiliza OCI Data Integration, Oracle Data Integrator y herramientas de bases de datos.
3. 3 La captura de datos modificados utiliza OCI GoldenGate y Oracle Data Integrator.
4. 4. La ingesta de streaming utiliza Kafka Connect.

Las cuatro capacidades se conectan de forma unidireccional con el almacén de datos de servicio, el almacén de datos transaccionales y el almacenamiento en la nube dentro del pilar Persistir, curar y crear.

Además, la ingesta de streaming está conectada al procesamiento de streaming dentro del pilar "Analizar, aprender, predecir".

El pilar "Persistir, curar y crear" incluye cinco capacidades.

1. 1. El almacén de datos de servicio utiliza Autonomous Data Warehouse, Exadata Cloud Service y Exadata Cloud@Customer
2. 2. El almacén de datos transaccional utiliza Autonomous Transaction Processing, MySQL, Exadata Cloud Service, Exadata Cloud@Customer y NoSQL.
3. 3 El almacenamiento en la nube utiliza OCI Object Storage.
4. 4. El procesamiento por lotes utiliza OCI Data Flow.
5. 5. La gobernanza utiliza OCI Data Catalog.

Estas capacidades están conectadas dentro del pilar. El almacenamiento en la nube está conectado unidireccionalmente al almacén de datos de servicio; también está conectado bidireccionalmente al procesamiento por lotes.

El almacén de datos transaccionales se conecta unidireccionalmente al almacén de datos de servicio.

Dos capacidades se conectan al pilar de Analiza, aprender, predecir: el almacén de datos de servicio se conecta a la capacidad de análisis y visualización, así como a la capacidad de los productos de datos y las API. El almacenamiento en la nube se conecta a la capacidad de machine learning.

El pilar "Analizar, aprender, predecir" incluye cinco capacidades.

1. 1. La analítica y la visualización utilizan Oracle Analytics Cloud, GraphStudio e ISV.
2. 2. Las API y los productos de datos utilizan OCI API Gateway y OCI Functions.
3. 3. Machine learning utiliza OCI Data Science, Oracle Machine Learning y Oracle ML Notebooks.
4. 4. Los servicios de IA utilizan Oracle Digital Assistant, OCI Decision, OCI Speech, OCI Language y OCI Vision.
5. 5. El procesamiento de flujos utiliza OCI GoldenGate Stream Analytics y análisis de streaming de otros proveedores.

Tres capacidades se conectan en este pilar. La capacidad de las API y los productos de datos está unidireccionalmente conectada a la capacidad de aprendizaje automático, que por sí misma está unidireccionalmente conectada a la capacidad de los servicios de IA, y el procesamiento de streaming está unidireccionalmente conectado a la capacidad de los servicios de IA.

El almacén de datos de servicio, el almacén de datos transaccional y el almacenamiento de objetos proporcionan metadatos a OCI Data Catalog.

El pilar Medir, actuar captura cómo se puede aplicar el análisis de datos para respaldar la optimización de las cargas de trabajo del personal médico y la gestión de la carga de casos. Estas aplicaciones se dividen en dos grupos.

1. 1. El primer grupo incluye análisis descriptivos, análisis diagnósticos y análisis predictivos y prescriptivos.
2. 2. El segundo grupo incluye el análisis de la relevancia estadística entre la información del paciente, el tratamiento y los resultados.
3. 3. Los tres pilares centrales, esto es, Ingerir, transformar; Persistir, curar, crear; y Analizar, aprender, predecir, están respaldados por infraestructura, seguridad de red y gestión de identidades y accesos.

Existen tres formas principales de inyectar datos en una arquitectura para permitir que las organizaciones del sector salud den con la manera óptima de dotar de personal a cada departamento en un momento determinado.

• Los datos históricos de dotación de empleados y relativos a pacientes resultan fundamentales para comprender y predecir las futuras necesidades de personal. La aplicación de gestión del capital humano proporcionará muchos de los datos que son necesarios para obtener insights sobre modelos previos de dotación de personal y de miembros individuales de la plantilla. Y la aplicación de ingreso, alta y transferencia (ADT) proporcionará detalles básicos sobre cada paciente. Estos datos se pueden enriquecer con información de pacientes de terceros, que podrían incluir datos no estructurados de redes sociales, por ejemplo. Las extracciones frecuentes en tiempo real o casi en tiempo real que requieren captura de datos modificados son habituales y los datos se ingieren con regularidad desde los sistemas operativos de gestión de capital humano e ingreso, alta y transferencia utilizando OCI GoldenGate. OCI GoldenGate también es un componente fundamental de la evolución de las arquitecturas de malla de datos en las que los "productos de datos" son los objetos de datos centrales.
• Ahora podemos añadir datos de streaming desde dispositivos ponibles, que se ingerirán en tiempo real mediante un servicio de transmisión/Kafka. Por ejemplo, podemos ingerir datos de dispositivos ponibles con seguimiento GPS que supervisan la ubicación y el movimiento del personal a lo largo del día y lo utilizan para comprender cómo asignar mejor el personal a las unidades y los pacientes. Estos datos de streaming (eventos) se ingerirán y se producirán algunas transformaciones/agregaciones básicas antes de que los datos se alojen en almacenes de objetos.
• Si bien las necesidades en tiempo real están evolucionando, la extracción más común de los sistemas sanitarios es un tipo de ingesta por lotes que aplica un proceso de extracción, carga y transformación o de extracción, carga y transformación. La ingesta de lotes se utiliza para importar datos de sistemas que no pueden admitir la ingesta de streaming (por ejemplo, antiguos sistemas de mainframe ). Para entender de forma exhaustiva las necesidades de los pacientes, también necesitamos ingerir datos de un sistema operativo, por ejemplo un sistema de historiales clínicos electrónicos o registros médicos electrónicos, probablemente a través del protocolo Fast Healthcare Interoperability Resources. Los datos se obtienen de los diversos productos y geografías. Las ingestas por lotes podrían ser frecuentes, incluso cada 10 o 15 minutos, pero mantienen una naturaleza masiva, ya que se extraen y procesan en grupos de transacciones en lugar de transacciones individuales.

Las opciones de procesamiento y persistencia de datos para todos los datos recopilados se basan en tres componentes.

• Los datos sin formato ingeridos se almacenan en la nube para su procesamiento por lotes, durante el que se realizarán la depuración necesaria, el enriquecimiento, etc., necesarios para que los usuarios descendentes (personas, aplicaciones o plataformas de machine learning) puedan consumir los datos en el estado necesario. Aunque algunos datos se pueden enviar directamente al almacén de datos de servicio, estos datos también se incorporan simultáneamente al almacenamiento en la nube. Los datos se procesarán con Spark. El procesamiento se puede realizar directamente mediante OCI Data Flow o como parte de un pipeline más amplio mediante las funcionalidades de orquestación de OCI Data Integration. Estos conjuntos de datos procesados se devuelven al almacenamiento en la nube para una persistencia, curación y análisis continuos y, en última instancia, para cargarlos en formato optimizado en el almacén de datos de servicio.
• El almacén de datos transaccionales se utiliza para la generación de informes operativos y como origen de datos para un almacén de datos de dominio o un almacén de datos empresariales (EDW). Es un elemento complementario del EDW en un entorno de apoyo a la toma de decisiones y se utiliza para la presentación de informes operativos, los controles y la toma de decisiones, en lugar del EDW, que se utiliza para impulsar las decisiones tácticas y estratégicas. Un almacén de datos operativo (ODS) suele ser una base de datos relacional diseñada para integrar y mantener datos de múltiples orígenes que se van a utilizar para operaciones adicionales, presentación informes, controles y apoyo a las decisiones operativas.
• Ahora hemos creado conjuntos de datos procesados que están listos para conservarse en un formato relacional optimizado para garantizar el adecuado rendimiento de la curación de contenidos y de las consultas en el almacén de datos de servicio. Esto proporciona a los proveedores acceso para examinar todos los datos y variables necesarios para desarrollar planes óptimos de dotación de personal.

La capacidad de analizar, predecir y actuar se basa en dos tecnologías.

• Los servicios de análisis y visualización ofrecen análisis descriptivos (describen las tendencias actuales con histogramas y gráficos), predictivos (prevén eventos futuros, identifican tendencias y determinan las probabilidades de resultados inciertos) y prescriptivos (proponen acciones adecuadas, lo que lleva a una toma de decisiones óptima). Se pueden utilizarse en conjunto para predecir las necesidades de dotación de personal y ofrecer las intervenciones adecuadas. Por ejemplo, los análisis se pueden utilizar para predecir si un grupo de pacientes que viven en un área específica, que están sometidos a impactos ambientales variables (como la temperatura), y que muestran ciertos síntomas pueden indicar un brote de una afección inminente que requeriría que un proveedor realice cambios en su modelo de dotación de personal para afrontar el aumento de casos previsto.
• Además del uso de análisis avanzados, se desarrollan, entrenan y despliegan modelos de machine learning. Estos modelos entrenados se pueden ejecutar tanto con datos operativos actuales como históricos para detectar eventos y tendencias, como un aumento de los funcionarios insatisfechos, que puede generar mayores tasas de rotación. Estos eventos y otros resultados se pueden volver a mantener en la capa de servicio y reportarse utilizando herramientas de análisis como Oracle Analytics Cloud. El modelo y los datos también se pueden introducir en sistemas de machine learning, como OCI Data Science, para seguir entrenando los modelos que recomienden estrategias de dotación de personal más eficaces antes de promocionarlos. Se puede acceder a estos modelos a través de API, desplegadas en el almacén de datos de servicio o integradas como parte del pipeline de análisis de streaming de OCI GoldenGate.
• Nuestros datos y modelos seleccionados, probados y de alta calidad pueden estar sujetos a reglas y políticas de gobernanza y exponerse como un producto de datos (API) dentro de una arquitectura de malla de datos para su distribución en todas las esferas de organización del sector salud.

Más allá de la dotación de personal: Utiliza los datos para abordar otros retos clave del sector salud

Además de proporcionar a tu organización del sector salud la capacidad de desarrollar modelos de personal mejores y más precisos, Oracle Data Platform también puede ayudarte a optimizar las operaciones en otras áreas para mejorar la atención al paciente, reducir los costos y reforzar la experiencia del empleado. A continuación se ofrecen algunos ejemplos.

• Impulsar una atención integral y coordinada para los grupos de pacientes objetivo.
• Identificar con mucha antelación el potencial de fallo del sistema en caso de que la pandemia prevista aumente e intervenir proactivamente para contribuir a garantizar el éxito del sistema.
• Supervisar las tendencias del grupo de edad de pacientes para evaluar la eficacia de sus programas de asistencia sanitaria.
• Identificar áreas donde se lleve a cabo un uso excesivo de tratamientos.
• Controlar la calidad y los costos de la prestación de asistencia.
• Crear modelos de estratificación de los riesgos de los pacientes.
• Predecir el riesgo de reingreso de cada paciente.
• Recomendar cuidados preventivos para apoyar la autonomía del paciente.