Искусственный интеллект во всю стремится преобразовать здравоохранение.
Благодаря быстрому росту и возможности обеспечить значительную экономию средств, лидерам в области технологий здравоохранения все сложнее становится игнорировать ИИ. Применение его в приложениях, связанных с здоровьем, могут играть важную роль на протяжении всего пути пациента, облегчая медицинскую диагностику, уменьшая ошибки при оказании медицинской помощи, прогнозируя будущие проблемы со здоровьем, уменьшая несоблюдение режима приема лекарств и улучшая управление циклом дохода.
Портал FierceHealthcare выпустил обзор «Как машинное обучение меняет управление здравоохранением» (How Machine Learning is Transforming Healthcare Administration), краткий обзор которого мы публикуем в этом материале.
Управление финансами
Использование машинного обучения для оптимального использования полученной больницей прибыли, расходуемой на административные услуги, создает потенциальные возможности для экономии средств. В 2017 году США потратили около 3,5 триллиона долларов, или 18 процентов ВВП, на расходы на здравоохранение. По данным журнала Американской медицинской ассоциации, чуть меньше половины этих расходов приходится на административные службы.
Один из способов, который позволит улучшить управление циклом доходов и максимально эффективно использовать финансовые ресурсы больниц – это создания финансовых моделей рисков, связанных с плательщиками.
Такие факторы как своевременная оплата, окупаемость процедур, востребованность, демография могут иметь значительное влияние на финансовые модели.
Как говорит Джо Уилсон (Joe Wilson), главный технический директор Workday: «Понимание моделей риска дает возможность обдуманно осуществить некоторые изменения, если это необходимо, например, принять решение о закрытии неэффективного учреждения».
Йоми Аджао (Yomi Ajao) вице-президент COPE Health Solutions говорит, что машинное обучение полезно использовать для обеспечения правильного кодирования случаев обращения за медицинской помощью и, как следствие, получения правильного возмещения за предоставленные услуги.
Машинное обучение также может помочь в сокращении расходов на бухгалтерский учет и аудит.
Управление цепочками поставок
Модели данных для прогнозирования потребностей, позволяют администрации больницы оценить влияние широкого круга факторов и формировать правильные заказы. Такие модели позволяют предсказать, какие закупки потребуются больнице, исходя из ожидаемых потребностей.
“Это помогает повысить эффективность затрат, предоставляя уникальную информацию о том, как выглядит цепочка поставок”, — говорит Уилсон.
Аджао добавил, что анализ характера использования различного оборудования и медикаментов, используемых больничным персоналом, и необходимых поставок для поддержания надлежащего уровня запасов – эта самое успешное и распространенное направление.
Проведенный в 2017 году компанией Navigant анализ более чем 2300 больниц в США, показал, что улучшения в управлении цепочками поставок могут сократить ежегодные расходы на поставку оборудования и материалов примерно на 23 млрд. долл. США — почти на 10 млн. долл. США в год экономии на одну больницу.
Есть еще внедоговорные отношения, где машинное обучение также может помочь. Это касается расходов, не связанных с контрактом, например, когда врач предпочитает одну марку медицинского устройства, а не ту, на которую больница заключила контракт по более низкой цене и это трудно отследить вручную.
Уилсон отметил, что использование машинного обучения - это уникальная возможность определить наиболее рациональные расходы для пользы системы в целом.
Управление кадрами
По данным исследования Compdata Surveys, текучесть кадров в сфере здравоохранения растет, увеличившись на 5 процентов с 15,6% в 2010 году до 20,6% к 2017 году.
Использование машинного обучения для сбора данных о численности персонала в системе больницы может решить эту растущую проблему текучести кадров.
Помимо основных возможностей автоматизации общих служб управления персоналом, таких как координация рабочих графиков и запросов на отгулы, машинное обучение может отобрать наиболее рекомендуемых кандидатов.
Отдел кадров также сможет использовать прогнозное моделирование данных для определения факторов, и вероятности того, что сотрудник уйдет по их причине.
«Вместо того, чтобы пытаться вручную анализировать данные, например, насколько погода повлияет на количество койко-мест в больнице в зимний период, сотрудники HR смогут генерировать точное прогнозирование кадровых потребностей, на основе агрегированных исторических данных»,- говорит Уилсон.
Другие возможности
Хотя применение машинного обучения для административной стороны системы здравоохранения не ориентировано непосредственно на пациента, но оно ,безусловно, может повысить качество оказания медицинской помощи в целом.
Как отмечает Deloitte Global на примере того, как машинное обучение может повлиять на лечебные учреждения в отчете "The Future of Work in Health Care" ( “Работа в сфере здравоохранения в будущем”), ориентированный на пациента ИИ может работать совместно с административными возможностями для создания целостной картины: «Цифровые киоски, детекторы движения и распознавания голоса удобны для пациентов. Роботы, помогающие выполнять логистические задачи, такие как доставка постельного белья, питания и медицинских принадлежностей, предоставили персоналу больше времени для ухода за пациентами. Благодаря интеграции технологий во все системы повысилась производительность врачей и персонала, что привело к более качественному уходу за пациентами».
Как отметил специалист по машинному обучению из Workday Антон де Вегер (Anton de Weger): «Индустрия здравоохранения хорошо подготовлена к тому, чтобы принять изменения в области машинного обучения, которые происходят в корпоративных системах сейчас и в ближайшем будущем. Благодаря улучшению финансового управления, совершенствованию цепочки поставок и повышению эффективности управления персоналом, возможности машинного обучения продолжают бесконечно расширяться для тех, кто готов воспользоваться этим преимуществом».
Полный текст отчета: