پرسش و پاسخ: نقشه راه برای انقلابی در مراقبت های بهداشتی از طریق نوآوری مبتنی بر داده

چه می شود اگر داده ها می توانند به پیش بینی بیمار ، عملیات بیمارستانی یا بهینه سازی منابع انسانی در پزشکی کمک کنند؟ یک کتاب تازه از قفسه ها ، “لبه تحلیلی در مراقبت های بهداشتی، “نشان می دهد که این در حال حاضر اتفاق می افتد ، و روش مقیاس آن را نشان می دهد.

نویسنده Dimitris Bertsimas ، معاون Provost MIT برای یادگیری آزاد ، به همراه دو نفر از دانشجویان سابق Bertsimas – Agni Orfanoudaki Phd ’21 ، استادیار مدیریت عملیات در دانشکده تجارت SAD ACTION ACTION OF TRINTOTATE ، و HOLLY WIBERG PHD ’22 ، دستیار استاد سیاست های عمومی و عملیات در زمینه کارنژیک Mellon – تجزیه و تحلیل با تأکید روی برنامه های کاربردی در دنیای واقعی ، بخش اول کتاب پایه های فنی-یادگیری ماشین و بهینه سازی را ایجاد می کند-در حالی که بخش دوم کتاب مطالعات موردی یکپارچه را ارائه می دهد که شامل تخصص های مختلف بالینی و انواع مشکل با استفاده از تجزیه و تحلیل های توصیفی ، پیش بینی و تجربی است.

بخشی از یک سری گسترده تر ، “Edge Analytics در مراقبت های بهداشتی” نشان می دهد که چگونه می توان از داده ها و مدل ها برای تصمیم گیری های بهتر در بخش مراقبت های بهداشتی ، در حالی که سلف آن است ، استفاده کرد. “لبه تحلیلی، “به علم استفاده از داده ها برای ساختن مدل ها ، بهبود تصمیمات و افزودن ارزش به موسسات و افراد شیرجه می زند.

Bertsimas ، که همچنین معاون دانشیار تجزیه و تحلیل تجارت و رهبران بوئینگ برای عملیات جهانی استاد مدیریت در دانشکده مدیریت MIT Sloan است ، مبتکر در پشت است 15.071 (لبه تحلیلی)، یک دوره روی MIT Open Learning’s MITX این صدها هزار زبان آموز آنلاین را به خود جلب کرده و به عنوان الهام بخش سریال کتاب خدمت کرده است. Bertsimas از تحقیقات و کار خود در MIT Open Learning استراحت کرد تا در مورد چگونگی تغییر زمینه تحلیلی سیستم مراقبت های بهداشتی و به اشتراک گذاشتن برخی از روشهای غافلگیرکننده از تجزیه و تحلیل در بیمارستان ها استفاده کند.

س: چگونه زمینه تحلیلی روش ارائه مراقبت از بیمارستان ها و مدیریت عملیات خود را چگونه تغییر می دهد؟

الف: من به عنوان یک دانشگاهی ، من همیشه آرزو کرده ام که آموزش ، انتشارات را بنویسم و ​​از آنچه در عمل انجام می دهیم استفاده کنم. بنابراین ، من با هدف بهینه سازی عملیات بیمارستانی با یادگیری ماشین برای بهبود مراقبت از بیمار ، بهینه سازی کلیدی بیمارستان (H20) را تأسیس کردم. ما ابزارهای متنوعی را در MIT ایجاد کرده ایم و آنها را در بیمارستان های سراسر جهان پیاده سازی کرده ایم. به عنوان مثال ، ما مدت اقامت بیماران و شاخص های وخامت آنها را مدیریت می کنیم (ابزاری رایانه ای که خطر ابتلا به وخامت بالینی بیمار را پیش بینی می کند). ما بهینه سازی پرستار را مدیریت می کنیم و چگونه بیمارستان ها می توانند منابع انسانی را به طور مناسب اختصاص دهند. و ما بلوک ها را برای جراحی بهینه می کنیم. این آغاز تغییری است که اکنون از آنالیزها و روشهای هوش مصنوعی کاملاً گسترده استفاده می شوند. امید من این است که این کار و این کتاب اثر استفاده از این ابزارها را تسریع کند.

علاوه بر این ، من یک دوره نه سخنرانی را دو بار با Agni و Holly در سیستم بیمارستان هارتفورد تدریس کرده ام ، جایی که فهمیدم که این روشهای تحلیلی-که به طور معمول در دانشکده های پزشکی تدریس نمی شوند-می توانند برای پزشکان مراقبت های بهداشتی از جمله پزشکان ، پرستاران و مدیران نشان داده شوند. برای تأثیرگذاری ، شما باید روش های مناسب داشته باشید ، آنها را پیاده سازی کنید و از آنها استفاده کنید ، اما شما نیز باید به افراد آموزش دهید روی روش استفاده از آنها این به خوبی با نقش من در یادگیری آزاد پیوند می یابد ، جایی که هدف ما آموزش زبان آموزان در سطح جهان است. در واقع ، یادگیری آزاد در حال راه اندازی امسال جهانی AI ، یک تجربه یادگیری آنلاین پویا است که دانش جامع را ارائه می دهد روی هوش مصنوعی ، آماده سازی مخاطبان جهانی زبان آموزان برای اشتغال در بازار کار به سرعت در حال تحول ما.

س: روشهای شگفت آور تجزیه و تحلیل در مراقبت های بهداشتی که بیشتر مردم انتظار ندارند استفاده می شود؟

الف: با استفاده از تجزیه و تحلیل ، مدت اقامت بیماران در بیمارستان هارتفورد را از 5.67 روز به پنج روز کاهش داده ایم. ما یک الگوریتم داریم که احتمال آزاد شدن بیماران را پیش بینی می کند. بنابراین ، پزشکان بیماران را با بیشترین احتمال در اولویت قرار می دهند و آنها را برای ترخیص آماده می کنند. این بدان معنی است که بیمارستان می تواند بیماران بیشتری را معالجه کند و بیماران در بیمارستان زمان کمتری بمانند.

علاوه بر این ، هنگامی که بیمارستانها شاهد افزایش گردش مالی پرستار در طول همه گیر COVID-19 بودیم ، ما یک سیستم تحلیلی ایجاد کردیم که حقوق صاحبان سهام و انصاف را در نظر می گیرد و هزینه های اضافه کاری را کاهش می دهد و شکاف های ترجیحی را به پرستاران و کاهش گردش مالی کلی می بخشد. اینها فقط دو نمونه است. بسیاری دیگر وجود دارد که یک چشم انداز تحلیلی برای مراقبت های بهداشتی و پزشکی تفاوت مادی ایجاد کرده است.

س: با نگاه به آینده ، چگونه می بینید که هوش مصنوعی آینده مراقبت های بهداشتی را شکل می دهد؟

الف: به روشی بسیار مهم – ما از یادگیری ماشین برای پیش بینی های بهتر استفاده می کنیم ، اما هوش مصنوعی مولد می تواند آنها را توضیح دهد. من قبلاً حرکتی را در آن جهت می بینم. این واقعاً تکامل هوش مصنوعی است که این امر را ممکن کرده است و هیجان انگیز است. همچنین به دلیل توانایی های آن در بهبود مراقبت و نجات جان ، برای جهان نیز مهم است.

به عنوان مثال ، از طریق برنامه ما در سیستم بیمارستان هارتفورد ، متوجه شدیم که یک بیمار بدتر می شود و از طریق تجزیه و تحلیل پیش بینی می شود که آنها حتی بدتر می شوند. پس از پیش بینی ما ، پزشکان بیمار را از نزدیک بررسی کردند و کشف کردند که بیمار مورد اولیه سپسیس است ، یک بیماری تهدید کننده زندگی است که در آن بدن به طور نادرست به عفونت پاسخ می دهد. اگر ما زودتر سپسیس را تشخیص نداده بودیم ، ممکن است بیمار درگذشت. این باعث ایجاد تفاوت واقعی در نجات زندگی یک شخص شد.

س: اگر مجبور بودید “لبه های تحلیلی در مراقبت های بهداشتی” را در یک یا دو کلمه توصیف کنید ، آنها چه خواهند بود و چرا؟

الف: این کتاب یک انتقال فاز در مراقبت های بهداشتی است زیرا قادر به تأثیرگذاری بر بخش مراقبت های بهداشتی به گونه ای است که قبلاً انجام نشده است. این کتاب واقعاً کار من در مراقبت های بهداشتی و کاربردهای آن در دهه گذشته را تشریح می کند.