ДалееСледующее руководство
ИИ в управлении диабетом
Отрасли
РУКОВОДСТВО ПО Отраслям
ИИ в потоке пациентов в больницах использует прогнозирование и оптимизацию, чтобы предсказать, сколько пациентов прибудет, кого и когда выпишут, а также сколько коек потребуется каждому отделению.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Это важно, поскольку переполненность отделений неотложной помощи, задержка выписки и отмена операций часто возникают из-за несоответствия между спросом и возможностями, а не из-за клинических проблем, а более ранние прогнозы позволяют менеджерам действовать на несколько часов или дней вперед.
Поток пациентов – это движение пациентов от прибытия через прием, лечение, перевод и выписку. Когда любой шаг останавливается, последствия колеблются: пациенты, поступившие из отделения неотложной помощи, ждут на носилках в коридорах (это называется посадкой), машины скорой помощи могут быть перенаправлены, а плановые операции откладываются. Операционный ИИ нацелен на эти узкие места, а не на постановку диагнозов. Доминируют три задачи прогнозирования. Прогнозирование спроса оценивает прибытие и прием по часам или дням, используя историю, сезонность, день недели, праздники и иногда эпиднадзор за респираторными вирусами. Прогноз продолжительности пребывания и выписки позволяет оценить вероятность выписки каждого текущего пациента из стационара, используя диагнозы, процедуры, лабораторные тенденции, мобильность и нерешенные задачи, такие как визуализация или размещение в реабилитационном учреждении. Прогнозирование мощности объединяет эти два метода для прогнозирования занятости по отделениям, включая специализированные койки, такие как отделения интенсивной терапии или телеметрии, которые не являются взаимозаменяемыми с койками в палатах общего назначения. Эти прогнозы часто используются в командных центрах, где сотрудники видят статус всей больницы в одном месте. Больница Джонса Хопкинса открыла центр управления мощностями вместе с GE Healthcare в 2016 году, и с тех пор многие системы внедрили аналогичные установки от таких поставщиков, как GE HealthCare, Qventus и LeanTaaS. Сообщаемые преимущества обычно заключаются в меньшем количестве посадок или более быстрой передаче, но результаты во многом зависят от изменений процессов, сопровождающих программное обеспечение. Ключевое заблуждение заключается в том, что модель сама освобождает кровати. Прогноз помогает только в том случае, если кто-то действует в соответствии с ним: заканчивает выписку, заказывает транспорт или переназначает медсестер. Во-вторых, вместимость — это просто количество коек. Кадровое обеспечение, уборка помещений и наличие мест в домах престарелых или реабилитационных центрах часто ограничивают поток больше, чем физические койки. Справедливость также имеет значение: если инструменты выписки фокусируют внимание на пациентах, которых легко выписать, сложные пациенты могут ждать дольше, если рабочий процесс не компенсирует это.
Команда по управлению койками использует информационную панель, прогнозирующую количество экстренных госпитализаций по часам на следующие 48 часов, и открывает палату до вечернего пика, а не после того, как пациенты начинают посадку.
Каждое утро модель вероятности выписки ранжирует стационарных пациентов, которые могут быть готовы покинуть больницу в течение 24 часов, что побуждает кураторов заранее организовать транспорт, лекарства и уход на дому.
Составитель хирургического расписания использует прогнозируемую продолжительность послеоперационного пребывания, чтобы избежать бронирования нескольких плановых случаев длительного пребывания в день, когда ожидается, что койки в отделении интенсивной терапии будут тесны.
Трансферный центр системы здравоохранения проверяет прогнозируемую заполняемость больниц, прежде чем принять входящий перевод, и направляет пациента в то место, где с наибольшей вероятностью будет подходящая койка.
Операционный ИИ может распространяться быстрее, чем многие клинические инструменты, поскольку он несет меньший прямой риск для пациентов и имеет четкие финансовые стимулы. Вероятные области роста включают увязку больничных прогнозов с возможностями оказания помощи после неотложной помощи, кадровые планы, привязанные к прогнозируемому спросу, и генеративный искусственный интеллект, который составляет документы о выписке или суммирует, что задерживает выписку. Основные ограничения носят организационный характер: прогнозы приносят пользу только тогда, когда четко определены роли, правила эскалации и полномочия действовать. Больницам также необходимо будет убедиться, что оптимизация не перекладывает нагрузку на персонал и не ставит в невыгодное положение сложных пациентов. Ожидайте стабильных, постепенных результатов, связанных с модернизацией процессов, а не с резкими улучшениями только программного обеспечения.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
ИИ в потоке пациентов в больницах использует прогнозирование и оптимизацию, чтобы предсказать, сколько пациентов прибудет, кого и когда выпишут, а также сколько коек потребуется каждому отделению. Это важно, поскольку переполненность отделений неотложной помощи, задержка выписки и отмена операций часто возникают из-за несоответствия между спросом и возможностями, а не из-за клинических проблем, а более ранние прогнозы позволяют менеджерам действовать на несколько часов или дней вперед.
Интернат происходит, когда пациент госпитализирован, но у него нет стационарной койки, поэтому он остается в отделении неотложной помощи, часто на носилках.
Модели выписки и продолжительности пребывания используют диагнозы, процедуры, лабораторные тенденции и ожидающие задачи, чтобы оценить, когда каждый пациент отправится домой или в другое учреждение.
Бесплатная койка в общем отделении не может вместить пациента, нуждающегося в наблюдении за отделением интенсивной терапии, поэтому прогнозы должны прогнозировать заполняемость по отделениям и типам коек.
Университет Джонса Хопкинса открыл свой центр управления мощностями вместе с GE Healthcare в 2016 году, что стало первым примером централизованной работы больниц на основе данных.
Прогноз помогает только в том случае, если персонал действует в соответствии с ним, например, заканчивая выписку, организуя транспортировку или переназначая медсестер.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
ИИ в управлении диабетом
Отрасли