Работа с данными – революция в будущем здравоохранении

За последние полтора года – с началом эпидемии Covid-19 – общество стало свидетелем серьёзных изменений в здравоохранении и вообще в науках о жизни. Температуры и данные о вакцинировании отслеживаются повсюду, отсутствие вакцинации карается. Логика, которую определяют наши медицинские данные, простая: 0 или 1 – вход или отказ.

Существует огромное количество данных, касающихся госпиталей, фармацевтических препаратов, мобильных устройств, приложений здравоохранения, подключённых устройств, последних медицинских записей. Эти разрозненные наборы данных и другие факторы, такие как образ жизни, социально-экономические условия, геномика и другие, необходимо объединить и рассматривать как единое целое. Это поможет улучшить результаты здравоохранения, снизить нагрузку на врачей и административную нагрузку и перейти к системе здравоохранения, основанной на ценностях. Кроме того, необходимо будет создать интеграцию данных для нескольких рабочих процессов, которые в настоящее время связаны между собой в разных системах и работают в реальном времени.

• Прогнозирующее здравоохранение: Прогнозирующая аналитика в здравоохранении может помочь выявить ранние признаки ухудшения состояния пациентов, выявить пациентов из группы риска в их домах, чтобы предотвратить повторную госпитализацию и простои медицинского оборудования. Например, это помогло бы снизить смертность в неонатальном отделении, где требуется быстрый мониторинг.
• Клинические испытания фармацевтических препаратов: Клинические испытания – это бизнес, ориентированный на данные. Эффективность дают тщательно измеренные наборы данных, получаемые через определённые промежутки времени. Простор для импровизации всегда есть. Требования по выводу на рынок более эффективных, менее ресурсоёмких и более быстрых лекарств – всегда неотложные.
• Исторические данные о пациентах на клавиатуре: Больницы и врачи могли бы обеспечить лучший уход за пациентами, если бы у них были все прошлые медицинские данные, легко доступные в одном месте. Например, важные данные могут быть потеряны или забыты в чрезвычайных ситуациях, таких как аллергия на определённый препарат во время остановки сердца.
• Измерения Интернета вещей и домашних условий: Устройства для измерения Интернета вещей и здоровья станут настолько продвинутыми, что они будут сообщать нам, требуется ли какое лечение, после проверки наших наборов данных здравоохранения и сравнения их с предыдущими.
• Медицинское страхование и претензии: Использование машинного обучения на основе наборов данных по претензиям и суммирование файлов пациентов, чтобы использовать их для обслуживания новых полисов, особенно на этапе медицинского андеррайтинга (гарантирование получения выплат в случае финансовых убытков). Текущий процесс в основном представляет собой бюрократический процесс, управляемый вручную. Страховщики вручную просматривают сотни страниц документов, чтобы принять окончательное решение. Это можно было бы сделать с помощью НЛП (NLP, Нейролингвистическое программирование), чтобы сделать его технологическим решением, поддерживаемым человеком, когда искусственный интеллект выделит случай с предложенным курсом действий. Андеррайтер возьмет краткое изложение дела и даст окончательное одобрение или изменит его по мере необходимости.

Подписывайтесь на журнал «Вестник ГЛОНАСС» и навигационный Telegram-канал

По материалам Medium