فناوری‌های دیجیتال و مدیریت بهینه خدمات درمانی [۱]
تحول دیجیتال، فقط برای بهبود تشخیص‌های پزشکی نیست، بیمارستانها می‌توانند در چندین حوزه کلیدی از تحول دیجیتال برای بهبود مستمر برنامه‌های عملیاتی و ایجاد ارزش و مطلوبیت برای ذینفعان، شامل بیمار، کادر درمان، نوبتدهی و مدیریت زنجیره تامین استفاده کنند، از طرفی کاهش هزینه نه تنها برای مدیریت بیمارستان که برای شرکت‌های بیمه هم بسیار ارزشمند است. امروزه بیمارستانها و مراکز درمانی پیشرو با پیاده‌سازی سامانه‌های یکپارچه هوشمند و داده محور و همچنین بهره‌گیری از فناوریهایی نظیر هوش مصنوعی، بر بهبود فرایند تشخیص و درمان با کمک گرفتن از «سیستمهای پشتیبان تصمیم گیری»، تمرکز کرده‌اند.
سید مهدی حسینی، مدیر ارشد سلامت هوشمند فناپ زیرساخت در گفت‌وگو با توسعه پویا [۲] با بیان این مطلب به تشریح کاربردها و دستاوردهای بهره‌گیری از فناوری‌های نوپدید دیجیتال در بیمارستان پرداخت و گفت: الگوریتمهای هوش مصنوعی بطور فزایندهای برای بهبود تشخیص بالینی علائم بیماری در زمینههایی مانند رادیولوژی، پوست، گوارش، چشمپزشکی و آسیبشناسی مورد استفاده قرار گرفته است، با این حال، تمرکز بر رویکرد تحول دیجیتال، فقط بمنظور بهبود تشخیص‌های پزشکی، اشتباه است. بیمارستانها می‌توانند در چندین حوزه کلیدی از تحول دیجیتال برای بهبود مستمر برنامه‌های عملیاتی و ایجاد ارزش و مطلوبیت برای ذینفعان، شامل بیمار، کادر درمان، نوبت دهی و مدیریت زنجیره تامین استفاده کنند.
مدیریت هوشمند منابع بیمارستانی
حسینی تصریح کرد: از آنجا که بیمارستانها تلاش میکنند مراقبتهای مناسب و اختصاصی را در زمان مناسب به یک بیمار مشخص، ارائه دهند، بنابراین، انجام دو کار ضروری است: نخست ارزیابی دقیق فرایند تشخیص و درمان بیماران و دوم مدیریت موثر منابع بیمارستانی که مسئله چالش‌برانگیزی است. در بیمارستان، سیستمهای عملیاتی «پشتیبان تصمیمگیری» که مبتنی بر داده‌ها هستند، می‌توانند بینش‌های ارزشمندی را برای کمک به تصمیمگیری در حوزههای تریاژ (اولویتبندی بیماران برای بهرهمندی از درمان)، پذیرش و ترخیص ارائه دهند. برای مثال، وقتی در بخش پذیرش مطمئن نیستند که بیمار تازه وارد، باید به آیسییو فرستاده شود یا به بخش عمومی، یک الگوریتم پشتیبان تصمیمگیری میتواند توصیههایی را براساس اولویت‌های پیشبینی شده برای پذیرش در آیسییو ویژه آن بیمار خاص ارائه دهد.
بررسی دادههای عملیاتی بیش از ۱۹۰هزار مورد بستری در ۱۵ بیمارستان نشان میدهد، بیمارانی که می‌بایست در آیسییو پذیرش می‌شدند، اما در بخش دیگری از بیمارستان (برای مثال، بخش عمومی) بستری شدهاند، دوره اقامت طولانی‌تری در بیمارستان داشته و نرخ پذیرش دوباره آنها هم افزایش یافته است.
این کنشگر حوزه هوشمندسازی صنعت سلامت در ادامه گفت: از الگوریتم‌ها همچنین می‌توانیم برای خودکارسازی وظایف عملیاتی استفاده کنیم به عنوان نمونه در یک مجموعه آزمایش، از پزشکان و کارکنان «آمازون مکانیکال ترک» خواسته شد یک واحد بیمارستانی شبیه‌سازی شده را مدیریت کنند، یافته‌های این آزمایش‌ها نشان داد سوگیری‌های رفتاری و خطاهای تصمیمگیری مبتنی بر شناخت، ممکن است بر تصمیم‌های عملیاتی تأثیر بگذارند. با جدا کردن تصمیمگیری به دو بخش بالینی و عملیاتی و استفاده از الگوریتم‌ها برای خودکارسازی مؤلفه عملیاتی به نتایج بهتری می‌انجامند.
مدیر ارشد سلامت هوشمند فناپ زیرساخت تشریح کرد: در بخشهای بیمارستانی، الگوریتمهای یادگیری ماشین و پشتیبان تصمیمگیری می‌توانند برای پیشبینی تعداد مورد انتظار پذیرشها، ترخیص‌ها و انتقال بیماران به بخش استفاده شوند و این پیش‌بینی‌ها، روند اقدامات بعدی را هدایت میکنند و بدین ترتیب روند گردش تختهای بیمارستان تسهیل میشود، سفر بیمار بهبود می‌یابد و از مدت اقامت بیماران کاسته میشود.
وی افزود: نتایج نمونه‌های اجرا شده بسیار امیداورکننده است برای مثال یک مرکز پزشکی در بوستون امریکا، با همکاری گروهی از پژوهشگران دانشگاه امآیتی کارپوشههای پیشبینی شده برای پشتیبانی از تصمیم‌گیری‌ها در زمینه پذیرش و انتقال بیماران را با نمایش آمار فعلی هر بخش و همچنین تعداد ترخیص‌های پیش‌بینی‌شده اجرا کرد. به همین ترتیب یک بیمارستان کودکان در بوستون امریکا از سامانه پیشبینی کننده تعیین جا برای بیمار استفاده میکند که با کمک آن بخش اورژانس می‌داند چه بیمارانی احتمالاً در بیمارستان پذیرش شده و در کدام بخش بستری می‌شوند. به این ترتیب کارتابل مدیریت تختهای بیمارستان، برنامهریزی بهتر و ارتباطات پیشرفته را در بخشهای مختلف امکان‌پذیر میکند و البته این فرایند میتواند به سامانه هشداردهی خودکار تجهیز شود برای مثال وقتی که میانگین زمان انتظار برای تخت جدید از آستانه پیشبینی شده عبور کند، هشدار بدهد.
مدیریت هوشمند منابع انسانی بیمارستان
حسینی تاکید کرد: فناوری دیجیتال قابلیت‌های زیادی در مدیریت هوشمند منابع انسانی بیمارستان دارند، به عنوان نمونه برای مدیریت کارکنان بخش پرستاری که سهم قابل توجهی در سبد هزینههای بیمارستان دارند، بجای تکیه بر تماس‌های تلفنی، پیام‌های متنی و صفحات گسترده(spreadsheets) برای تصمیمگیری درباره کارکنان که اغلب در آخرین لحظات تغییر میکنند، سرپرستاران و مدیران بیمارستانها می‌توانند از تحلیل اطلاعات برای بهبود این روند استفاده کنند. برای مثال، الگوریتم‌ها می‌توانند میزان غیبت پرستاران و نیاز به افزایش نیروی انسانی را پیشبینی کنند تا تعداد لازم پرستاران شناور تعیین بشوند. نتایج تحقیقات در عملیات بخش اورژانس نشان میدهد این موارد را می‌توانیم الگو‌سازی کنیم، حتی در محیط‌هایی که میزان تقاضا بسیار نامشخص است.
وی ادامه داد: سامانه‌های هوشمند مدیریت منابع بیمارستان توانایی اقدامات پیشدستانه و پاسخ سریعتر را دارند از همین رو سطح ثبات و پیش‌بینی‌پذیر بودن برنامه کاری پرستاران را افزایش می‌دهند. این ویژگی بسیار ارزشمند است چون طبق بررسی‌ها ناهماهنگی‌های ناشی از عملکرد کارفرما در برنامهریزی امور محوله به کارکنان، احتمال ترک کار از سوی آنان را افزایش میدهد.
این کنشگر حوزه هوشمندسازی صنعت سلامت بازگو کرد: تحلیل اطلاعات، برای بهینهسازی کار گروهی کارکنان بکار می‌آید. برپایه تحقیقات، چینش ترکیب تیمهای مراقبت، تاثیر قابل توجهی بر عملکرد آنها دارد. یک مطالعه روی تیمهای بخش اورژانس که مجموعاً بیش از ۱۱۱هزار بیمار را در طول ۲ سال ویزیت کرده‌اند، نشان میدهد تفاوت‌ها در سلسله مراتب و مهارت پزشکان، پرستاران و پزشکان مقیم به تأثیرات مختلفی بر عملکرد تیم با توجه به اعضای جدید آن منجر میشود. مطالعه دیگری روی تیمهای جراحی قلب که بیش از ۶۰۰۰ عمل جراحی را در طول ۷ سال انجام داده بودند، نشان داد توجه به آشنایی دوبهدو میان اعضای تیم و تعداد همکاری‌های گذشته هرکدام از ترکیب‌های دونفره جراح‌ها، اثر مهمی روی بهبود بازدهی تیم جراحی دارد. درنظرگرفتن همه این موارد هنگام تلاش برای گزینش اعضای تیم‌ها بصورت دستی غیرممکن است، اما هوش مصنوعی میتواند بهآسانی همه دیدگاههای حاصل از تحقیقات را برای تعیین بهترین ترکیب تعیین کند.
بهینهسازی نوبتدهی
حسینی ابراز داشت: بسیاری از بیمارستانها به سمت ثبت و ذخیره الکترونیکی پرونده بیماران رفته‌اند، اما نوبتدهی در بخشهای مختلف هنوز تا حد زیادی یک فرایند دستی است و همچنان از برنامهریزی روند جراحیها در اتاقهای عمل تا رادیولوژی و بسیاری از موارد دیگر هنوز دستی انجام میشود.
این کنشگر حوزه سلامت هوشمند ادامه داد: فناوری‌های دیجیتال در زمینه نوبتدهی و زمانبندی، برای پیشبینی بهتر نیازهای بخشها و هماهنگی آسان تغییرات لحظه‌ای و همچنین بهینهسازی نوبتدهی‌ها برپایه آخرین متدها بکارگرفته می‌شوند. برای مثال، از الگوریتمهای یادگیری ماشین می‌توان برای پیشبینی بهتر مدتزمان هر روند کاری مانند جراحی یا امآرآی استفاده کرد. یا اینکه مدت زمان مورد انتظار برای یک عمل جراحی نهتنها تابعی از ویژگیهای بیمار و نیازهای بالینی او بلکه تابع عوامل مختلف عملیاتی است، بدان معنا که مدت زمان انجام عمل جراحی بسته به ابعاد تیم جراحی، حجم کاری و مراحل کار در اتاق عمل تغییر میکند. الگوریتم‌ها برای محاسبه تأثیرات این عوامل عملیاتی در ارائه پیش‌بینی‌ها، به ما کمک میکنند.
وی افزود: ازدحام در بخش مراقبتهای پس از بیهوشی اغلب به تاخیر در پیشرفت فرایند اتاق عمل می‌انجامد، تحلیل اطلاعات برای بهینهسازی زمانی روندهای کاری و یادگیری ماشین برای پیشبینی مدتزمانی که هر بیمار باید در بخش مراقبتهای پس از بیهوشی(PACU) بگذراند، کمک میکند.
مدیریت زنجیره تامین و کاهش هزینهها
حسینی بیان کرد: بیان اینکه تامین تجهیزات پزشکی و لوازم جراحی در بیمارستانها هزینه درخورتوجهی دارد و در برخی موارد، این میزان یکسوم کل هزینههای عملیاتی بیمارستانها را شامل میشود. اما بهبود زنجیره تامین و مدیریت موجودی، اغلب در بیمارستانها اولویت بالایی ندارد و ارائهدهندگان خدمات سلامت بیشتر تمایل دارند بر فرایندهای مراقبت مستقیم از بیمار تمرکز کنند.
مدیر ارشد سلامت هوشمند فناپ زیرساخت گفت: تحقیقات نشان داده است در بسیاری از صنایع، رویکرد تحول دیجیتال در زنجیره تامین، هزینههای فرایندها را تا ۵۰ درصد کاهش و درآمد را تا ۲۰درصد افزایش میدهد. بیمارستانها نیز از این قاعده مستثنی نیستند.
وی افزود: خودکارکردن فرایند جمع‌آوری داده‌ها، مرتبسازی، تطبیق حسابها و پرداخت هزینه تجهیزات پزشکی، جراحی و دارویی، باعث کاهش هزینههای مرتبط با زنجیره تامین و مدیریت موجودی میشود. در جریان همه‌گیری کرونا، تقویت چابکی و انعطاف‌پذیری در برابر شوک‌های عرضه و تقاضا بسیار حیاتی‌تر شد و اکنون مدیران بیمارستانها بطور فزایندهای به‌دنبال راه‌هایی برای استفاده از داده‌ها و فناوری‌ها هستند تا درک درستتری از موجودی، قیمت‌گذاری، زمان انتظار و روند تقاضا داشته باشند.
حسینی بازگو کرد: فناوری‌های RFID (ردیابی با استفاده از فرکانس رادیویی) و ردیاب‌های متصل به اینترنت می‌توانند برای ردیابی و مکان‌یابی بهتر و در لحظه هر یک از تجهیزات مورد استفاده قرار بگیرند. برای مثال، بیمارستان سنت ماریس کلینیک مایو در سال ۲۰۱۵ یک سیستم RFID را برای عملیات بخش اورژانس خود راهاندازی کرد که به بهبود مراقبت و تجربه بیمار و همچنین کاهش هزینهها منجر شد.
وی ادامه داد: یکپارچه‌سازی و هماهنگ‌کردن تجهیزات بخشهای مختلف یک بیمارستان میتواند موجودی مورد نیاز برای ارائه سطح معینی از خدمات را تا حد قابل توجهی کاهش دهد. متمرکزسازی فیزیکی یکی از راه‌های دستیابی به این هدف است، اما متمرکزسازی اطلاعات که بهراحتی با یک سیستم دیجیتالی مدیریت زنجیره تامین قابل دستیابی است هم ممکن است بتواند به همان اندازه مفید واقع شود.
حسینی در پایان گفت: بیمارستانها برای امکان‌پذیرکردن برخورداری از مزیتهای تحول دیجیتال، باید با نگاهی تحول آفرین در مدل کسب و کار، فرایندها و ذینفعان و با تمرکز و محوریت جمع‌آوری داده‌ها و تعامل با سیستمهای نوآورانه فناوری اطلاعات، به این مهم بپردازند. برای تحول دیجیتال در گام نخست یک شرکت در حوزه هوشمندسازی را به‌عنوان همکار راهبردی گزینش کنند؛ یک مجموعه متخصص در حوزه تحول دیجیتال که نقشه راه هوشمندسازی را طراحی، در راه پیاده‌سازی آن همراهی و راهنمایی کند و برای چالش‌ها و بازدارنده‌ها، راهکارهای خلاقانه ارائه کند. خوشبختانه امروز در ایران هم مجموعه‌های متخصص وجود دارند و هم فناوری لازم برای ایجاد زیرساخت توسعه یافته است.
لینک کوتاه: