داده ها همچنان یک نقطه دردناک قابل توجه برای صنعت مراقبت های بهداشتی هستند، با افزایش نقض امنیتی، سیستم های دست و پا گیر، و افزونگی داده ها که کیفیت مراقبت های ارائه شده را تضعیف می کند.
علاوه بر این فشارها، وزارت بهداشت و خدمات انسانی ایالات متحده (HSS) قرار است مقررات سختگیرانه تری را معرفی کند در مورد قابلیت همکاری و رسیدگی به پرونده الکترونیک سلامت (EHRs)، با شفافیت در اولویت قرار دارد.
با این حال، واضح است که فناوری نقش مهمی در ساده‌سازی و سازمان‌دهی به اشتراک‌گذاری اطلاعات در صنعت داشته است، که زمانی که خدمات برجسته به شدت به سرعت و دقت تکیه می‌کنند، مزیت مهمی است.
سازمان های مراقبت های بهداشتی برای کاهش فشارهای رو به رشد به فناوری های نوظهور روی آورده اند می تواند سالانه 360 میلیارد دلار صرفه جویی کند. در واقع، 85 درصد شرکت ها سرمایه‌گذاری یا برنامه‌ریزی برای سرمایه‌گذاری در هوش مصنوعی برای ساده‌سازی عملیات و کاهش تأخیر در مراقبت از بیمار. فناوری به عنوان اولویت استراتژیک در مراقبت های بهداشتی برای 56 درصد از شرکت ها در مقابل 34 درصد در سال 2022 ذکر شده است. بینش های Bain & Company و KLAS Research.
با این حال، تعدادی از عوامل وجود دارد که ارائه دهندگان مراقبت های بهداشتی باید هنگام به کارگیری فناوری پیشرفته به آنها توجه داشته باشند، به ویژه با توجه به اینکه راه حل های هوش مصنوعی فقط به اندازه اطلاعات مورد استفاده برای آموزش آنها خوب هستند.
بیایید نگاهی به بزرگترین نقاط دردناک داده ها در مراقبت های بهداشتی و نقش فناوری در کاهش آنها بیندازیم.
حجم عظیمی از داده ها
بر کسی پوشیده نیست که سازمان‌های مراقبت‌های بهداشتی باید با حجم عظیمی از داده‌ها سر و کار داشته باشند و اندازه آن تنها در حال افزایش است: انتظار می‌رود تا سال آینده، داده‌های مراقبت‌های بهداشتی به به 10 تریلیون گیگابایت رسیده است.
حجم انبوه داده‌هایی که باید ذخیره شوند، نیروی محرکه محبوبیت فضای ذخیره‌سازی ابری است، اگرچه این یک پاسخ بدون مشکل نیست، به‌ویژه وقتی صحبت از امنیت و قابلیت همکاری باشد. به همین دلیل است که 69٪ از سازمان های مراقبت های بهداشتی ذخیره سازی ابری محلی (یعنی ابرهای خصوصی در محل) را ترجیح می دهند.
با این حال، مدیریت این امر به دلایلی به راحتی می تواند چالش برانگیز باشد. به ویژه، این حجم عظیم از داده ها باید برای سال ها ذخیره شود تا با HHS سازگار باشد.
هوش مصنوعی به ارائه‌دهندگان کمک می‌کند تا با خودکار کردن فرآیندهایی که از نظر نیروی انسانی و زمان، منابع کاملی دارند، با این چالش مقابله کنند. راه‌حل‌های زیادی در بازار وجود دارد که برای تسهیل مدیریت داده‌ها طراحی شده‌اند، چه به شکل ردیابی داده‌های بیمار از طریق یکپارچه‌سازی یادگیری ماشین با تجزیه و تحلیل داده‌های بزرگ یا استفاده از هوش مصنوعی مولد برای سرعت بخشیدن به تشخیص.
برای اینکه هوش مصنوعی کار خود را به خوبی انجام دهد، سازمان‌ها باید اطمینان حاصل کنند که اکوسیستم‌های دیجیتالی خود را تا حد امکان سازگار نگه می‌دارند تا اختلالات در تبادل داده‌ها را که پیامدهای مخربی برای رفاه بیمارانشان دارد به حداقل برسانند.
علاوه بر این، بسیار مهم است که این راه حل ها با توجه به نیازهای نوسان سازمان از نظر عملکرد و قابلیت های پردازش، مقیاس پذیر باشند. به روز رسانی و جایگزینی راه حل ها به دلیل عدم موفقیت در مقیاس، فرآیندی زمان بر و پرهزینه است که تعداد کمی از ارائه دهندگان مراقبت های بهداشتی می توانند از عهده آن برآیند. دلیل آن این است که آموزش بیشتر، تنظیم مجدد فرآیندها و اطمینان از اینکه قابلیت همکاری با معرفی یک فناوری جدید به خطر نیفتاده است.
افزونگی داده ها
با وجود این همه داده برای مدیریت و ردیابی، جای تعجب نیست که همه چیز از بین برود، و در صنعتی که زندگی در خطر است، افزونگی داده ها بدترین سناریویی است که فقط کیفیت مراقبت از بیمار را تضعیف می کند. به طرز تکان دهنده، 24 درصد سوابق بیماران تکراری هستند و این چالش در هنگام ادغام اطلاعات در چندین پرونده الکترونیکی پزشکی (EMR) بدتر می شود.
هوش مصنوعی نقش مهمی در مدیریت افزونگی داده ها دارد و به شرکت ها کمک می کند تا عملیات را ساده کرده و خطاهای داده را به حداقل برسانند. راه حل های اتوماسیون به ویژه در این زمینه مفید هستند، سرعت بخشیدن به فرآیندهای ورود داده ها در سیستم های مدیریت اطلاعات سلامت (HIMS)، کاهش خطر خطای انسانی در ایجاد و حفظ EHR های دقیق تر، و کاهش خطرات اطلاعات تکراری یا نادرست.
با این حال، این راه‌حل‌ها همیشه بی‌عیب نیستند و سازمان‌ها باید هنگام ادغام آنها در سیستم‌های خود، تحمل خطا را در اولویت قرار دهند. بسیار مهم است که اقدامات خاصی انجام شود تا زمانی که یک جزء از کار می افتد، نرم افزار بتواند به درستی به کار خود ادامه دهد.
مکانیسم‌های کلیدی تحمل خطا شامل تحویل تضمینی داده‌ها و اطلاعات در موارد خرابی سیستم، پشتیبان‌گیری و بازیابی اطلاعات، متعادل‌سازی بار در جریان‌های کاری متعدد و مدیریت افزونگی است.
این اساساً تضمین می‌کند که چرخ‌ها به چرخش ادامه می‌دهند تا زمانی که یک مدیر سیستم در دسترس باشد تا به صورت دستی مشکل را برطرف کند و از قطع شدن کل سیستم جلوگیری کند. تحمل خطا یک ویژگی عالی است که هنگام انتخاب راه حل باید به آن توجه کرد، بنابراین می تواند به محدود کردن جستجوی محصول برای سازمان های مراقبت های بهداشتی کمک کند.
علاوه بر این، برای سازمان‌ها بسیار مهم است که مطمئن شوند چارچوب مناسبی را برای وقوع افزونگی و خطا در نظر گرفته‌اند. اینجاست که مدل‌سازی داده مطرح می‌شود زیرا به سازمان‌ها کمک می‌کند تا نیازمندی‌ها و فرآیندهای داده را برای به حداکثر رساندن موفقیت ترسیم کنند.
با این حال، یک کلمه احتیاط: ساخت بهترین مدل های داده مستلزم تجزیه و تحلیل تمام اطلاعات اختیاری به دست آمده از داده های از قبل موجود است. به این دلیل که این امکان شناسایی دقیق یک بیمار و ارائه اطلاعات به موقع و مرتبط در مورد آنها را برای مداخله سریع و بینش محور فراهم می کند. مزیت اضافی مدل‌سازی داده این است که شناسایی APIها و مدیریت آنها برای فیلتر کردن خودکار و رسیدگی به موارد اضافی مانند تکرار داده‌ها آسان‌تر است.
داده های تکه تکه و جدا شده
ما می‌دانیم که بخش‌های متحرک زیادی در مدیریت داده‌ها وجود دارد، اما این را با ماهیت سرعت بالای مراقبت‌های بهداشتی ترکیب می‌کنیم و به راحتی دستوری برای فاجعه است. سیلوهای داده یکی از خطرناک ترین نقاط کور در این صنعت هستند و در شرایط مرگ یا زندگی که پزشکان قادر به دسترسی به تصویر کاملی از پرونده بیمار نیستند، عواقب آن فراتر از فاجعه است.
در حالی که هوش مصنوعی و فناوری به سازمان‌ها در مدیریت و پردازش داده‌ها کمک می‌کنند، ادغام مجموعه‌ای از APIها و نرم‌افزارهای جدید همیشه آسان نیست، به‌ویژه اگر هر زمان که تغییر یا به‌روزرسانی جدیدی ایجاد می‌شود به کمک برون‌سپاری نیاز داشته باشد. قابلیت همکاری و قابلیت استفاده در مرکز به حداکثر رساندن نقش فناوری در مدیریت داده های مراقبت های بهداشتی است و باید توسط سازمان ها اولویت بندی شود.
بیشتر پلتفرم‌ها توسعه‌دهنده محور هستند و شامل سطوح بالایی از کدنویسی با ابزارهای پیچیده هستند که فراتر از مجموعه مهارت‌های بیشتر افراد است. این تغییراتی را که می توان در یک سیستم ایجاد کرد محدود می کند و به این معنی است که هر بار که یک سازمان می خواهد به روز رسانی کند، باید یک توسعه دهنده آموزش دیده را برون سپاری کند.
این یک سردرد قابل توجه برای افرادی است که در صنعتی کار می کنند که واقعاً نمی توانند زمان و انرژی بیشتری را فدای فرآیندهای بیهوده پیچیده کنند. فناوری باید اقدام فوری را تسهیل کند، نه مانع آن شود، به همین دلیل است که ارائه دهندگان مراقبت های بهداشتی و سازمان ها باید راه حل هایی را انتخاب کنند که بتوانند به سرعت و به طور یکپارچه در اکوسیستم دیجیتال موجود خود ادغام شوند.
در یک راه حل به دنبال چه چیزی باشید
پلتفرم هایی را انتخاب کنید که قابل قالب بندی باشند تا بتوانند به راحتی بدون نیاز به ساخت و نوشتن کدهای پیچیده از ابتدا وارد و پیاده سازی شوند، مانند راه حل های Enterprise Integration Platform as a Service (EiPaaS). به طور خاص، این سرویس‌ها از ویژگی‌های کشیدن و رها کردن استفاده می‌کنند که کاربرپسند هستند تا بدون نیاز به کدنویسی، تغییرات ایجاد شود.
این بدان معناست که از آنجایی که استفاده از آنها بسیار آسان است، دسترسی را برای کارآیی مستمر دموکراتیک می کنند تا اعضای تیم از بخش های مختلف بتوانند بدون ترس از ایجاد اختلالات گسترده، تغییرات را اعمال کنند.
یکی دیگر از ملاحظات حیاتی حسابرسی است، که به ارائه دهندگان کمک می کند تا اطمینان حاصل کنند که مسئولیت پذیری را حفظ می کنند و به طور مداوم نقاط را به هم متصل می کنند تا داده ها از بین نرود. اقداماتی مانند ردیابی تراکنش‌ها، ثبت تغییرات داده‌ها، مستندسازی تعاملات سیستم، نظارت بر کنترل‌های امنیتی، اندازه‌گیری عملکرد، و علامت‌گذاری نقاط خرابی باید غیرقابل مذاکره برای مقابله با این چالش‌های داده باشد.
در واقع، مسیرهای حسابرسی برای سازمان‌ها برای موفقیت مستمر در مدیریت داده‌ها خدمت می‌کند. آنها نه تنها ایمنی یک سیستم را برای اطمینان از مدیریت بهتر داده ها تقویت می کنند، بلکه برای تقویت منطق تجاری نیز ارزشمند هستند تا عملیات ها و جریان های کاری فرآیند تا حد ممکن محفوظ بماند.
مسیرهای حسابرسی همچنین به تیم‌ها این امکان را می‌دهد که تا حد امکان فعال و هوشیار باشند و از اطلاعاتی که از کجا می‌آیند، زمانی که ثبت شده‌اند و کجا ارسال می‌شوند، آگاه باشند. این امر خط پایانی مسئولیت پذیری را در کل مرحله پردازش تقویت می کند تا خطر خطا در پردازش داده ها را تا حد امکان به حداقل برساند.
بهترین راه‌حل‌های مراقبت‌های بهداشتی به گونه‌ای طراحی شده‌اند که تمامی مبانی مدیریت داده‌ها را پوشش می‌دهد، بنابراین هیچ سنگی روی آن باقی نمی‌ماند. هوش مصنوعی کامل نیست، اما در نظر گرفتن این خطرات و فرصت ها به ارائه دهندگان کمک می کند تا بهترین استفاده را از آن در چشم انداز مراقبت های بهداشتی ببرند.
