Это серия из трех статей о том, как мы можем улучшить уход на дому с помощью данных, машинного обучения и искусственного интеллекта, чтобы повысить качество личного ухода.

Последние 8 лет я работал в индустрии ухода за домом и тратил все свое время на то, чтобы улучшить ее. Это действительно отрасль, в которую стоит инвестировать, учитывая количество доказательств, показывающих, насколько лучше стареть дома (прочитайте это для лучшего обзора контекста).

Оригинальное исследование

В домашних условиях пациенты подвержены риску нежелательных явлений, таких как падения и госпитализации. Эти события огорчают людей, переживающих их, и очень дорого обходятся системе. Положительным аспектом является то, что некоторые из них можно предотвратить, если медицинские работники знают, когда нужно вмешаться (например, пациент, который перестал принимать назначенные лекарства). Поэтому возможность предсказать, когда события с большей вероятностью произойдут, особенно полезна. В начале своего пути в AlayaCare я работал над этой проблемой и смог показать, что прогнозы, основанные на машинном обучении, более точны, чем обычно используемые пороговые значения показателей жизнедеятельности вручную (прочитайте это для обзора исследования). Это не было особенно удивительным. Алгоритмы, как правило, лучше подходят для выявления скрытых тенденций в зашумленных данных, чем жестко запрограммированные правила.

Это исследование привело к выдаче патента в 2020 году, в котором описывается наш подход, основанный на данных удаленного мониторинга пациентов (RPM). Подводя итог, мы работали с нашим клиентом, который в течение нескольких лет запускал пилотную программу RPM с более чем 300 участниками. Для каждого наблюдаемого пациента мы имели доступ к его профилю, периодически отслеживали основные показатели жизнедеятельности и нежелательные явления. Используя профиль пациента, мы создали базовую оценку риска и, используя периодически отслеживаемые жизненные показатели, мы сделали ежедневный прогноз возникновения события в следующие три дня. Была надежда, что предупреждения, созданные с помощью этого алгоритма, помогут медицинским работникам вовремя вмешаться, чтобы предотвратить предсказанные неблагоприятные события.

Реальность все еще в личном уходе

Как бы замечательно все это ни было, реальность такова, что у большинства наших клиентов нет программы RPM. Экосистема плательщиков по-прежнему платит за личные визиты, и хотя мы ожидали, что пандемия COVID-19 ускорит переход на виртуальную помощь, изменения все еще происходят медленно. Это означает, что большая часть данных, которые мы собираем, поступает из личных посещений, когда медицинские работники выполняют задачи, заполняют формы посещения и делают заметки.

Что мы можем сделать с этими данными о посещениях?

Мы сотрудничали с одним из наших клиентов, чтобы создать структуру прогнозирования, которая максимально использует неструктурированные данные о посещениях. Наш подход по-прежнему заключается в том, чтобы рассчитать базовую оценку риска на основе медицинских данных и профиля пациента, собранных во время первоначальной оценки, и предоставить ежедневные прогнозы возникновения неблагоприятных событий для различных периодов времени. Цель та же, что и у первоначального исследования: помочь работникам по уходу вовремя вмешаться, чтобы предотвратить возникновение неблагоприятных событий.

Большая часть проблемы в этом стремлении состоит в том, чтобы найти структуру в неструктурированных данных. В здравоохранении используется много сокращений, быстрый набор текста на телефоне или планшете может привести к орфографическим ошибкам, заметки делаются на разных этапах оказания медицинской помощи, а данные у разных медицинских работников расходятся. Некоторые из них будут предоставлять очень длинные заметки всякий раз, когда что-то происходит, в то время как другие гораздо менее подробны. Вдобавок ко всему, платформа AlayaCare чрезвычайно настраиваема, что удивительно для наших клиентов, поскольку ее можно адаптировать к их конкретным потребностям, но с точки зрения извлечения данных с ней гораздо сложнее работать. Даже структурированные данные, такие как формы, сложнее анализировать, если они различаются от клиента к клиенту.

Краткое содержание

Команда AlayaLabs усердно работает над решением этой проблемы. Как я уже писал во введении, этой отрасли стоит помочь. Если мы успешно используем имеющиеся в нашем распоряжении данные для прогнозирования неблагоприятных событий, это определенно сделает мир лучше, обеспечив заботу, которую мы хотим, чтобы наши близкие получали в месте, которое они называют домом. Я обещаю, что мы предоставим более подробную информацию о некоторых подходах, которые мы используем, в следующем посте.

—

Хотите связаться с нами? Свяжитесь с нами по адресу [email protected]