Analiza predykcyjna i przyszłość opieki zdrowotnej

Firma Intel dostarcza podstaw do tworzenia platform dużych zbiorów danych oraz AI do zaawansowanej analizy zdrowia.

Korzyści analizy predykcyjnej w opiece zdrowotnej:

  • Modele predykcyjne umożliwiają utrzymanie zdrowia pacjentów poprzez przewidywanie potrzeby pomocy doraźnej i prawdopodobieństwa wystąpienia poważnego stanu, zanim się rozwinie.

  • Identyfikując pacjentów, którzy prawdopodobnie będą wymagali ponownego przyjęcia do szpitala, analiza predykcyjna umożliwia dostawcom usług medycznych skierowanie dodatkowej opieki tam, gdzie i kiedy jest potrzebna.

  • Szpitale mogą skuteczniej planować zasoby poprzez przewidywanie długości pobytu pacjentów.

BUILT IN - ARTICLE INTRO SECOND COMPONENT

Analiza predykcyjna danych umożliwia organizacjom służby zdrowia ulepszenie opieki nad pacjentami, poprawę wyników i zmniejszenie kosztów poprzez przewidywanie tego, kiedy, gdzie i jak należy zapewniać opiekę medyczną. Technologie Intel® zapewniają wysokowydajne podstawy do najnowszych platform dużych zbiorów danych i modeli sztucznej inteligencji (AI), które pomagają lekarzom w diagnostyce i poprawie opieki medycznej.

Wzrost kosztów, starzejąca się populacja i rozpowszechnianie chorób przewlekłych przekształcają branżę opieki zdrowotnej. Przewiduje się, że do 2030 r. globalne wydatki w opiece zdrowotnej osiągną niesłychanie wysoki poziom 18,3 tryliona dolarów.1 W odpowiedzi na te trendy modele płatności już przechodzą z modeli powiązanych z wolumenem na modele powiązane z wynikiem lub wartością.

Analiza predykcyjna pomaga organizacjom służby zdrowia w dostosowaniu się do tych nowych modeli, jednocześnie umożliwiając ulepszenie opieki nad pacjentami i poprawę wyników. Od przewidywania stanów krytycznych, takich jak wstrząs septyczny i niewydolność serca, po zapobieganie ponownym przyjęciom, najnowsze postępy w analizie dużych danych i AI napędzają nowe rozwiązania analizy predykcyjnej, które pomagają lekarzom poprawiać wyniki i zmniejszać koszty.

Wykorzystanie danych do analizy predykcyjnej zdrowia

Opieka zdrowotna została zdigitalizowana i tworzy ogromne nowe zbiory danych. Obejmują one systemy elektronicznej dokumentacji medycznej (EMR), dane dotyczące oświadczeń zdrowotnych, obrazy radiologiczne i wyniki badań laboratoryjnych. W najbliższej przyszłości wzrośnie także znacząco liczba danych genomicznych.

Nowe dane są również generowane przez rosnącą liczbę urządzeń medycznych na brzegu, w tym akcesoriów elektronicznych dla pacjentów i urządzeń monitorujących. Poza placówkami opieki zdrowotnej pacjenci generują dane okołozdrowotne przy użyciu akcesoriów elektronicznych do noszenia, urządzeń do monitorowania sprawności fizycznej i aplikacji zdrowotnych.

Dzięki wykorzystaniu danych z tych źródeł dostawcy usług medycznych napędzają nowe rozwiązania w analizie predykcyjnej do diagnostyki medycznej, modelowania predykcyjnego zagrożeń dla zdrowia, a nawet analizy preskryptywnej dla medycyny precyzyjnej.

Jednakże przekształcanie danych w wyniki kliniczne wymaga stworzenia podstaw sprzętowych i oprogramowania stworzonego do wydobywania wartości z różnorodnych zestawów danych. Jedno badanie wykazało, że ponad połowa organizacji medycznych nie posiada kompleksowego planu zarządzania danymi.2 W rezultacie znaczna część danych dotyczących opieki zdrowotnej pozostaje niewykorzystana.

Dzięki ofercie rozwiązań technologicznych stworzonych do skutecznego przenoszenia, przechowywania i przetwarzania danych, platform dużych zbiorów danych oraz modeli AI firma Intel i nasi partnerzy współpracują z organizacjami zdrowotnymi, aby zwiększyć wykorzystanie analizy predykcyjnej.

Analiza predykcyjna oparta na platformie dużych zbiorów danych z procesorem Intel® Xeon® umożliwiła dużej grupie szpitalnej zaoszczędzić 120 milionów dolarów kosztów.

Korzyści modelowania predykcyjnego w opiece zdrowotnej

Analityka predykcyjna stała się kluczowym elementem każdej strategii analityki medycznej. Dzisiaj jest to istotne narzędzie do mierzenia, agregowania i zrozumienia danych behawioralnych, psychologicznych i biomedycznych, które do niedawna były niedostępne lub niezwykle trudne do zdobycia.

Na poziomie indywidualnym, analiza predykcyjna umożliwia dostawcom usług medycznych zapewnienie właściwej opieki zdrowotnej, dopasowanej do pacjenta i świadczonej w odpowiednim czasie. Na większą skalę umożliwia systemom opieki zdrowotnej identyfikację i zrozumienie szerszych trendów, co prowadzi do poprawy strategii związanych ze zdrowiem populacji.

W jednym przykładzie naukowcy opracowali model rozprzestrzeniania się gorączki krwotocznej ebola przy pomocy analizy dużych zbiorów danych i ogromnych ilości danych, w tym informacji z mediów społecznościowych i wyszukiwarek. Osoby, które potencjalnie mogły mieć kontakt z ebolą, mogą wprowadzić swoje objawy do aplikacji mobilnej, która korzysta ze współrzędnych geograficznych, aby sprawdzić, czy dana osoba znajdowała się w pobliżu innej osoby w społeczności, w której wirus eboli był aktywny.3

Analiza predykcyjna nie tylko poprawia jakość opieki, ale także znacznie obniża koszty. Na przykład dokładniejsze modele prognozowania dla pacjentów dotyczące długości pobytu w placówce i wskaźników ponownych przyjęć umożliwiają szpitalom unikanie kar i zmniejszanie kosztów operacyjnych. Poprzez wykorzystanie elektronicznych systemów dokumentacji medycznej (EHR) i analizy predykcyjnej dostawcy usług medycznych identyfikują pacjentów, którzy prawdopodobnie nie przyjdą na wizytę. Po zidentyfikowaniu tacy pacjenci mogą otrzymać przypomnienie lub innego rodzaju pomoc w stawieniu się na wizytę.

Olbrzymi potencjał analizy predykcyjnej obejmuje identyfikację pacjentów z ryzykiem wystąpienia chorób przewlekłych, opracowywanie najlepszych praktyk opartych na dowodach i aktywne rozpoznawanie potencjalnych przeszkód w przestrzeganiu planu leczenia. Dane pomagają lekarzom uprzedzać zdarzenia i świadczyć aktywną opiekę pacjentom, zanim ich stan zdrowia stanie się krytyczny.

Przykłady analizy predykcyjnej w opiece zdrowotnej

Obecnie systemy i dostawcy usług medycznych sprawdzają różne sposoby korzystania z platform dużych zbiorów danych i AI do analizy predykcyjnej. Te rozwiązania pomagają organizacjom zdrowotnym w przejściu z prostego wykorzystania danych w celu ustalenia, co się wydarzyło do wykorzystywania danych w celu przewidywania, co się wydarzy.

Przyspieszenie leczenia przypadków krytycznych

Firma Penn Medicine, we współpracy z firmą Intel, stworzyła platformę opartą na współpracy w zakresie analizy danych, aby przewidywać i zapobiegać dwóm najczęstszym i kosztownym problemom w szpitalach: sepsie i niewydolności serca.

Model predykcyjny zidentyfikował około 85% przypadków sepsy (wzrost o 50%) nawet na 30 godzin przed wystąpieniem wstrząsu septycznego (w porównaniu do dwóch godzin przy wykorzystaniu tradycyjnych metod).4 Udało się również zidentyfikować od 20 do 30% pacjentów z niewydolnością serca, którzy nie zostali wcześniej odpowiednio zdiagnozowani.4 Te wysiłki umożliwiły lekarzom wcześniejsze wdrożenie leczenia, skróciły okres rekonwalescencji i zaoszczędziły zasoby szpitala.

Przewidywanie długości pobytu

Firmy Intel i Cloudera pomogły dużej grupie szpitalnej wykorzystać analizę predykcyjną, aby poprawić dokładność w przewidywaniu długości pobytu w placówkach. Platforma dużych zbiorów danych z klastrami procesorów Intel® Xeon® pozwoliła grupie szpitalnej na przetworzenie niepowiązanych, nieustrukturyzowanych i częściowo ustrukturyzowanych danych.

Dzięki możliwości lepszego zaplanowania pracy i personelu grupa szpitalna uzyskała 120 milionów dolarów oszczędności kosztów rocznie (około 12 000 dolarów na pacjenta) i zwiększyła wykorzystanie placówek o 5 procent, zwiększając możliwości obsługi o dodatkowe 10 000 pacjentów rocznie.5

Zmniejszenie liczby ponownych przyjęć

W innym przypadku, firmy Intel i Cloudera wykorzystały dane społeczno-ekonomiczne i analizy predykcyjne, aby pomóc grupie szpitalnej zidentyfikować w momencie stawiania diagnozy pacjentów z wysokim ryzykiem ponownego przyjęcia. Dzięki temu personel szpitala mógł im zapewnić dodatkową opiekę, aby obniżyć wskaźniki ponownych przyjęć.

Platforma dużych zbiorów danych z procesorami Intel® Xeon® umożliwiła grupie szpitalnej zmniejszyć liczbę ponownych przyjęć pacjentów do placówek o 6000 przypadków, uniknąć 4 milionów dolarów w potencjalnych karach Medicare oraz zaoszczędzić 72 miliony dolarów kosztów usług medycznych rocznie.6

Odkrywanie potencjału AI

Firma Intel z pasją korzysta z AI w celu ułatwienia systemom i dostawcom usług medycznych walki z chorobami i personalizacji leczenia. Od sponsorowania konkursu badań przesiewowych w kierunku raka z wykorzystaniem AI do wielu rozwiązań AI z technologiami Intel® w dziedzinie zdrowia i nauk przyrodniczych, firma Intel pomaga organizacjom służby zdrowia odnaleźć właściwe technologie do wdrażania analizy predykcyjnej.

Identyfikowanie pacjentów z ryzykiem pogorszenia stanu

Firma Sharp HealthCare wykorzystała technologie firm Intel i Cloudera do skutecznego wdrożenia modelu predykcyjnego analizy klinicznej. Model wykorzystuje uczenie maszynowe i dane z systemu EMR w szpitalach, aby zidentyfikować pacjentów, u których występuje ryzyko interwencji zespołu szybkiego reagowania w najbliższej godzinie.

Model miał 80% skuteczność w przewidywaniu prawdopodobieństwa wystąpienia zdarzenia w ciągu godziny.7 To pozwoliło zespołom szybkiego reagowania na aktywne interwencje, ulepszenie opieki i zmniejszenie jej kosztów oraz na poprawę wykorzystania zasobów.

Firma Intel wspiera lekarzy analizą predykcyjną

Dzięki stworzeniu podstaw technologii dla AI i platform dużych zbiorów danych, firma Intel i nasz ekosystem partnerów umożliwiają dostawcom usług medycznych wykorzystanie ogromnej ilości danych dotyczących pacjentów i zdrowia, których dotychczas nie używano. Stworzone rozwiązania pozwalają dostawcom usług medycznych zwiększać bezpieczeństwo pacjentów, podnosić wydajność operacyjną i co najważniejsze poprawiać wyniki pacjentów.

Jesteśmy tu, żeby Ci pomóc


Czy chcesz porozmawiać z firmą Intel na temat potrzeb związanych z kolejnym projektem technologicznym?

Zastrzeżenia i uwagi prawne

Oprogramowanie i obciążenia wykorzystane w testach wydajności mogły zostać zoptymalizowane pod kątem wydajnego działania tylko na mikroprocesorach Intel®.

Testy wydajności, takie jak SYSmark* i MobileMark*, mierzą wydajność określonych systemów komputerowych, komponentów, oprogramowania, operacji i funkcji. Dowolna zmiana wyżej wymienionych czynników może spowodować uzyskanie innych wyników. Aby wszechstronnie ocenić planowany zakup, w tym wydajność danego produktu w porównaniu z konkurencyjnymi, należy zapoznać się z informacjami z innych źródeł oraz innymi testami wydajności. Więcej informacji można znaleźć na stronie www.intel.pl/benchmarks.

Wyniki wydajności są oparte na testach z dnia wskazanego w konfiguracjach i mogą nie uwzględniać wszystkich publicznie dostępnych aktualizacji zabezpieczeń. Więcej informacji zawiera zastrzeżenie dotyczące konfiguracji. Żaden produkt ani komponent nie jest całkowicie bezpieczny.

Informacje o produktach i wydajności

1Healthcare Disrupted: Next Generation Business Models and Strategies, Jeff Felton and Anne O’Riordan.
3 „Modeling Ebola Spread Using Big Data Analytics”, 2016 r., iucrc.org/node/modeling-ebola-spread-using-big-data-analytics.
5„Intel and Cloudera Help a Large Hospital Group Allocate Resources by Predicting Patient Length-of-Stay”, https://www.intel.pl/content/www/pl/pl/healthcare-it/solutions/documents/large-hospital-group-allocate-resources-by-predicting-length-of-stay-study.html.
6“Intel and Cloudera Use Predictive Analytics to Help a Large Hospital Group Reduce Readmission Rates,” https://www.intel.pl/content/www/pl/pl/healthcare-it/solutions/documents/predictive-analytics-reduce-hospital-readmission-rates-white-paper.html.