به گزارش خبرنگار مهر، سامانه‌های یکپارچه هوشمند و داده محور و همچنین فناوری‌هایی نظیر هوش مصنوعی، فرایند تشخیص و درمان را دگرگون کرده‌اند، اما تحول دیجیتال، نه تنها دقت و سطح تشخیص‌های پزشکی را افزایش می‌دهد، بلکه برنامه‌های عملیاتی، نوبت‌دهی و مدیریت زنجیره تأمین بیمارستانها را ارتقا می‌دهد و در نتیجه برای بیماران و کادر درمان ارزش و مطلبوبیت ایجاد می‌کند.
سید مهدی حسینی، کنشگر حوزه هوشمندسازی صنعت سلامت در گفت‌وگو با خبرنگار مهر با بیان این مطلب به تشریح کاربردها و دستاوردهای بهره‌گیری از فناوری‌های نوپدید دیجیتال در بیمارستان پرداخت و گفت: الگوریتم‌های هوش مصنوعی به طور فزاینده ای برای بهبود تشخیص بالینی علائم بیماری در زمینه‌هایی مانند رادیولوژی، پوست، گوارش، چشم-پزشکی و آسیب شناسی مورد استفاده قرار گرفته است، اما دستاوردهای تحول دیجیتال، فراتر از تشخیص‌های پزشکی است و در چندین حوزه کلیدی از تحول دیجیتال برای بهبود مستمر برنامه‌های عملیاتی و ایجاد ارزش و مطلوبیت برای ذی‌نفعان، شامل بیمار، کادر درمان و مدیریت بیمارستان استفاده می‌شود.
مدیریت هوشمند سفر بیمار و منابع بیمارستان
حسینی تصریح کرد: بیمارستانها برای اینکه مراقبتهای مناسب را در زمان مناسب به یک بیمار مشخص، ارائه دهند، لازم است در گام نخست ارزیابی دقیقی از فرایند تشخیص و درمان بیماران داشته باشند و در گام دوم منابع بیمارستانی را مدیریت کنند، سیستم‌های هوشمند یکپارچه در هر دو حوزه کمک می‌کند.
وی ادامه داد: از الگوریتم‌ها همچنین می‌توانیم برای خودکارسازی وظایف عملیاتی استفاده کنیم پژوهش‌ها نشان می‌دهد سوگیری‌های رفتاری و خطاهای تصمیم‌گیری مبتنی بر شناخت، ممکن است بر تصمیم‌های عملیاتی تأثیر بگذارند. با جدا کردن تصمیم گیری به دو بخش بالینی و عملیاتی و استفاده از الگوریتم‌ها برای خودکارسازی مؤلفه عملیاتی به نتایج بهتری می‌انجامند.
این کنشگر حوزه هوشمندسازی صنعت سلامت در ادامه گفت: در بیمارستان، سیستم‌های داده‌محور «پشتیبان تصمیم‌گیری» بینش‌های ارزشمندی را برای کمک به تصمیم‌گیری در حوزه‌های تریاژ (اولویت‌بندی بیماران برای بهره‌مندی از درمان)، پذیرش و ترخیص ارائه می‌دهند. برای مثال، وقتی در بخش پذیرش مطمئن نیستند که بیمار تازه وارد، باید به آی سی یو فرستاده شود یا به بخش عمومی، یک الگوریتم پشتیبان تصمیم‌گیری می‌تواند توصیه‌هایی را براساس اولویت‌های پیش بینی شده برای پذیرش در آی‌سی‌یو ویژه آن بیمار خاص ارائه دهد.
حسینی تصریح کرد: بررسی داده‌های عملیاتی بیش از ۱۹۰ هزار مورد بستری در ۱۵ بیمارستان نشان می‌دهد، بیمارانی که می‌بایست در آی سی‌یو پذیرش می‌شدند، اما در بخش دیگری از بیمارستان (برای مثال، بخش عمومی) بستری شده اند، دوره اقامت طولانی‌تری در بیمارستان داشته و نرخ پذیرش دوباره آنها هم افزایش یافته است.
حسینی تشریح کرد: در بخشهای بیمارستانی، الگوریتم‌های یادگیری ماشین و پشتیبان تصمیم گیری می‌توانند برای پیش‌بینی تعداد مورد انتظار پذیرش‌ها، ترخیص‌ها و انتقال بیماران به بخش استفاده شوند و این پیش‌بینی‌ها، روند اقدامات بعدی را هدایت می‌کنند و بدین ترتیب روند گردش تخت‌های بیمارستان تسهیل می‌شود، سفر بیمار بهبود می‌یابد و از مدت اقامت بیماران کاسته می‌شود.
وی افزود: نتایج نمونه‌های اجرا شده بسیار امیدوارکننده است برای مثال یک مرکز پزشکی در بوستون آمریکا، با همکاری گروهی از پژوهشگران دانشگاه ام آی تی کارپوشه‌های پیش‌بینی شده برای پشتیبانی از تصمیم‌گیری‌ها در زمینه پذیرش و انتقال بیماران را با نمایش آمار فعلی هر بخش و همچنین تعداد ترخیص‌های پیش‌بینی‌شده اجرا کرد و در ادامه یک بیمارستان کودکان در بوستون آمریکا سامانه پیش‌بینی کننده تعیین جا برای بیمار را اجرایی کرد که با کمک آن بخش اورژانس می‌داند چه بیمارانی احتمالاً در بیمارستان پذیرش شده و در کدام بخش بستری می‌شوند. به این ترتیب کارتابل مدیریت تخت‌های بیمارستان، برنامه ریزی بهتر و ارتباطات پیشرفته را در بخشهای مختلف امکان‌پذیر می‌کند و البته این فرایند می‌تواند به سامانه هشداردهی خودکار تجهیز شود برای مثال وقتی که میانگین زمان انتظار برای تخت جدید از آستانه پیش‌بینی شده عبور کند، هشدار بدهد.
مدیریت هوشمند منابع انسانی بیمارستان
حسینی تاکید کرد: فناوری دیجیتال قابلیت‌های زیادی در مدیریت هوشمند منابع انسانی بیمارستان دارند، به عنوان نمونه برای مدیریت کارکنان بخش پرستاری که سهم قابل توجهی در سبد هزینه‌های بیمارستان دارند، به جای تکیه بر تماس‌های تلفنی، پیام‌های متنی و اسپریدشیت‌ها (صفحات گسترده) برای تصمیم‌گیری درباره کارکنان که اغلب در آخرین لحظات تغییر می‌کنند، سرپرستاران و مدیران بیمارستان می‌توانند از تحلیل اطلاعات برای بهبود این روند استفاده کنند. برای مثال، الگوریتم‌ها می‌توانند میزان غیبت پرستاران و نیاز به افزایش نیروی انسانی را پیش‌بینی کنند تا تعداد لازم پرستاران شناور تعیین بشوند. نتایج تحقیقات در عملیات بخش اورژانس نشان می‌دهد این موارد را می‌توانیم الگوسازی کنیم، حتی در محیط‌هایی که میزان تقاضا بسیار نامشخص است.
وی ادامه داد: سامانه‌های هوشمند مدیریت منابع بیمارستان توانایی اقدامات پیش دستانه و پاسخ سریع‌تر را دارند از همین رو سطح ثبات و پیش‌بینی‌پذیر بودن برنامه کاری پرستاران را افزایش می‌دهند. این ویژگی در نگهداشت نیروها ارزشمند است، چون طبق بررسی‌ها ناهماهنگی‌های ناشی از عملکرد کارفرما در برنامه‌ریزی امور محوله، احتمال نارضایتی و ترک کار را افزایش می‌دهد.
این کنشگر حوزه هوشمندسازی صنعت سلامت گفت: تحلیل اطلاعات، برای بهینه سازی کار گروهی کارکنان بکار می‌آید. برپایه تحقیقات، چینش ترکیب تیم‌های مراقبت، تأثیر قابل توجهی بر عملکرد آنها دارد. یک مطالعه روی تیم‌های بخش اورژانس که بیش از ۱۱۱ هزار بیمار را در طول ۲ سال ویزیت کرده‌اند، نشان می‌دهد تفاوت‌ها در سلسله مراتب و مهارت پزشکان، پرستاران و پزشکان مقیم به تأثیرات مختلفی بر عملکرد تیم با توجه به اعضای جدید آن منجر می‌شود. مطالعه دیگری روی تیم‌های جراحی قلب که بیش از ۶۰۰۰ عمل جراحی را در طول ۷ سال انجام داده بودند، نشان داد توجه به آشنایی دوبه دو میان اعضای تیم و تعداد همکاری‌های گذشته هرکدام از ترکیب‌های دونفره جراح‌ها، اثر مهمی روی بهبود بازدهی تیم جراحی دارد. درنظرگرفتن همه این موارد هنگام تلاش برای گزینش اعضای تیم‌ها بصورت دستی غیرممکن است، اما هوش مصنوعی می‌تواند به آسانی همه دیدگاه‌های حاصل از تحقیقات را برای تعیین بهترین ترکیب تعیین کند.
بهینه‌سازی نوبت‌دهی
حسینی ابراز داشت: بسیاری از بیمارستانها به سمت ثبت و ذخیره الکترونیکی پرونده بیماران رفته‌اند، اما نوبت دهی در بخشهای مختلف هنوز تا حد زیادی یک فرایند دستی است و همچنان از برنامه‌ریزی روند جراحی‌ها در اتاق‌های عمل تا رادیولوژی و بسیاری از موارد دیگر هنوز دستی انجام می‌شود.
این کنشگر حوزه سلامت هوشمند ادامه داد: فناوری‌های دیجیتال در زمینه نوبت دهی و زمانبندی، برای پیش‌بینی بهتر نیازهای بخش‌ها و هماهنگی آسان تغییرات لحظه‌ای و همچنین بهینه‌سازی نوبت دهی‌ها برپایه آخرین متدها بکارگرفته می‌شوند. برای مثال، از الگوریتم‌های یادگیری ماشین می‌توان برای پیش‌بینی بهتر مدت زمان هر روند کاری مانند جراحی یا ام آرآی استفاده کرد. یا اینکه مدت زمان مورد انتظار برای یک عمل جراحی نه تنها تابعی از ویژگی‌های بیمار و نیازهای بالینی او بلکه تابع عوامل مختلف عملیاتی است، بدان معنا که مدت زمان انجام عمل جراحی بسته به ابعاد تیم جراحی، حجم کاری و مراحل کار در اتاق عمل تغییر می‌کند. الگوریتم‌ها برای محاسبه تأثیرات این عوامل عملیاتی در ارائه پیش‌بینی‌ها، به ما کمک می‌کنند.
وی افزود: ازدحام در بخش مراقبتهای پس از بیهوشی اغلب به تأخیر در پیشرفت فرایند اتاق عمل می‌انجامد، تحلیل اطلاعات برای بهینه‌سازی زمانی روندهای کاری و یادگیری ماشین برای پیش‌بینی مدت ¬زمانی که هر بیمار باید در بخش مراقبتهای پس از بیهوشی (PACU) بگذراند، کمک می‌کند.
مدیریت زنجیره تأمین و کاهش هزینه‌ها
حسینی بیان کرد: بیان اینکه تأمین تجهیزات پزشکی و لوازم جراحی در بیمارستانها هزینه درخور توجهی دارد و در برخی موارد، این میزان یک سوم کل هزینه‌های عملیاتی بیمارستانها را شامل می‌شود. اما بهبود زنجیره تأمین و مدیریت موجودی، اغلب در بیمارستانها اولویت بالایی ندارد و ارائه دهندگان خدمات سلامت بیشتر تمایل دارند بر فرایندهای مراقبت مستقیم از بیمار تمرکز کنند.
مدیر ارشد سلامت هوشمند گفت: تحقیقات نشان داده است در بسیاری از صنایع، رویکرد تحول دیجیتال در زنجیره تأمین، هزینه‌های فرایندها را تا ۵۰ درصد کاهش و درآمد را تا ۲۰ درصد افزایش می‌دهد. بیمارستانها نیز از این قاعده مستثنی نیستند.
حسینی تاکید کرد: فناوری دیجیتال قابلیت‌های زیادی در مدیریت هوشمند منابع انسانی بیمارستان دارند، به عنوان نمونه برای مدیریت کارکنان بخش پرستاری که سهم قابل توجهی در سبد هزینه‌های بیمارستان دارند، به جای تکیه بر تماس‌های تلفنی، پیام‌های متنی و اسپریدشیت‌ها (صفحات گسترده) برای تصمیم‌گیری درباره کارکنان که اغلب در آخرین لحظات تغییر می‌کنند، سرپرستاران و مدیران بیمارستان می‌توانند از تحلیل اطلاعات برای بهبود این روند استفاده کنند. برای مثال، الگوریتم‌ها می‌توانند میزان غیبت پرستاران و نیاز به افزایش نیروی انسانی را پیش‌بینی کنند تا تعداد لازم پرستاران شناور تعیین بشوند. نتایج تحقیقات در عملیات بخش اورژانس نشان می‌دهد این موارد را می‌توانیم الگوسازی کنیم، حتی در محیط‌هایی که میزان تقاضا بسیار نامشخص است.
وی ادامه داد: سامانه‌های هوشمند مدیریت منابع بیمارستان توانایی اقدامات پیش دستانه و پاسخ سریع‌تر را دارند از همین رو سطح ثبات و پیش‌بینی‌پذیر بودن برنامه کاری پرستاران را افزایش می‌دهند. این ویژگی در نگهداشت نیروها ارزشمند است، چون طبق بررسی‌ها ناهماهنگی‌های ناشی از عملکرد کارفرما در برنامه‌ریزی امور محوله، احتمال نارضایتی و ترک کار را افزایش می‌دهد.
این کنشگر حوزه هوشمندسازی صنعت سلامت گفت: تحلیل اطلاعات، برای بهینه سازی کار گروهی کارکنان به کار می‌آید. برپایه تحقیقات، چینش ترکیب تیم‌های مراقبت، تأثیر قابل توجهی بر عملکرد آنها دارد. یک مطالعه روی تیم‌های بخش اورژانس که بیش از ۱۱۱ هزار بیمار را در طول ۲ سال ویزیت کرده‌اند، نشان می‌دهد تفاوت‌ها در سلسله مراتب و مهارت پزشکان، پرستاران و پزشکان مقیم به تأثیرات مختلفی بر عملکرد تیم با توجه به اعضای جدید آن منجر می‌شود. مطالعه دیگری روی تیم‌های جراحی قلب که بیش از ۶۰۰۰ عمل جراحی را در طول ۷ سال انجام داده بودند، نشان داد توجه به آشنایی دوبه دو میان اعضای تیم و تعداد همکاری‌های گذشته هرکدام از ترکیب‌های دونفره جراح‌ها، اثر مهمی روی بهبود بازدهی تیم جراحی دارد. درنظرگرفتن همه این موارد هنگام تلاش برای گزینش اعضای تیم‌ها بصورت دستی غیرممکن است، اما هوش مصنوعی می‌تواند به آسانی همه دیدگاه‌های حاصل از تحقیقات را برای تعیین بهترین ترکیب تعیین کند.
بهینه‌سازی نوبت‌دهی
حسینی ابراز داشت: بسیاری از بیمارستانها به سمت ثبت و ذخیره الکترونیکی پرونده بیماران رفته‌اند، اما نوبت دهی در بخشهای مختلف هنوز تا حد زیادی یک فرایند دستی است و همچنان از برنامه‌ریزی روند جراحی‌ها در اتاق‌های عمل تا رادیولوژی و بسیاری از موارد دیگر هنوز دستی انجام می‌شود.
این کنشگر حوزه سلامت هوشمند ادامه داد: فناوری‌های دیجیتال در زمینه نوبت دهی و زمانبندی، برای پیش‌بینی بهتر نیازهای بخش‌ها و هماهنگی آسان تغییرات لحظه‌ای و همچنین بهینه‌سازی نوبت دهی‌ها برپایه آخرین متدها بکارگرفته می‌شوند. برای مثال، از الگوریتم‌های یادگیری ماشین می‌توان برای پیش‌بینی بهتر مدت زمان هر روند کاری مانند جراحی یا ام آرآی استفاده کرد. یا اینکه مدت زمان مورد انتظار برای یک عمل جراحی نه تنها تابعی از ویژگی‌های بیمار و نیازهای بالینی او بلکه تابع عوامل مختلف عملیاتی است، بدان معنا که مدت زمان انجام عمل جراحی بسته به ابعاد تیم جراحی، حجم کاری و مراحل کار در اتاق عمل تغییر می‌کند. الگوریتم‌ها برای محاسبه تأثیرات این عوامل عملیاتی در ارائه پیش‌بینی‌ها، به ما کمک می‌کنند.
وی افزود: ازدحام در بخش مراقبتهای پس از بیهوشی اغلب به تأخیر در پیشرفت فرایند اتاق عمل می‌انجامد، تحلیل اطلاعات برای بهینه‌سازی زمانی روندهای کاری و یادگیری ماشین برای پیش‌بینی مدت ¬زمانی که هر بیمار باید در بخش مراقبتهای پس از بیهوشی (PACU) بگذراند، کمک می‌کند.
مدیریت زنجیره تأمین و کاهش هزینه‌ها
حسینی بیان کرد: بیان اینکه تأمین تجهیزات پزشکی و لوازم جراحی در بیمارستانها هزینه درخور توجهی دارد و در برخی موارد، این میزان یک سوم کل هزینه‌های عملیاتی بیمارستانها را شامل می‌شود. اما بهبود زنجیره تأمین و مدیریت موجودی، اغلب در بیمارستانها اولویت بالایی ندارد و ارائه دهندگان خدمات سلامت بیشتر تمایل دارند بر فرایندهای مراقبت مستقیم از بیمار تمرکز کنند.
مدیر ارشد سلامت هوشمند گفت: تحقیقات نشان داده است در بسیاری از صنایع، رویکرد تحول دیجیتال در زنجیره تأمین، هزینه‌های فرایندها را تا ۵۰ درصد کاهش و درآمد را تا ۲۰ درصد افزایش می‌دهد. بیمارستانها نیز از این قاعده مستثنی نیستند.
وی افزود: خودکارکردن فرایند جمع‌آوری داده‌ها، مرتب سازی، تطبیق حساب‌ها و پرداخت هزینه تجهیزات پزشکی، جراحی و دارویی، باعث کاهش هزینه‌های مرتبط با زنجیره تأمین و مدیریت موجودی می‌شود. در جریان همه‌گیری کرونا، تقویت چابکی و انعطاف‌پذیری در برابر شوک‌های عرضه و تقاضا بسیار حیاتی‌تر شد و اکنون مدیران بیمارستانها بطور فزاینده‌ای به‌دنبال راه‌هایی برای استفاده از داده‌ها و فناوری‌ها هستند تا درک درست‌تری از موجودی، قیمت‌گذاری، زمان انتظار و روند تقاضا داشته باشند.
حسینی بازگو کرد: فناوری‌های ردیابی با استفاده از فرکانس رادیویی (RFID) و ردیاب‌های متصل به اینترنت می‌توانند برای ردیابی و مکان‌یابی بهتر و در لحظه هر یک از تجهیزات مورد استفاده قرار بگیرند. برای مثال، بیمارستان سنت ماریس کلینیک مایو در سال ۲۰۱۵ یک سیستم فناوری‌های ردیابی با استفاده از فرکانس رادیویی را برای عملیات بخش اورژانس خود راه اندازی کرد که به بهبود مراقبت و تجربه بیمار و همچنین کاهش هزینه‌ها منجر شد.
وی ادامه داد: یکپارچه‌سازی و هماهنگ‌کردن تجهیزات بخشهای مختلف یک بیمارستان می‌تواند موجودی مورد نیاز برای ارائه سطح معینی از خدمات را تا حد قابل توجهی کاهش دهد. متمرکزسازی فیزیکی یکی از راه‌های دستیابی به این هدف است، اما متمرکزسازی اطلاعات که به راحتی با یک سیستم دیجیتالی مدیریت زنجیره تأمین قابل دستیابی است هم ممکن است بتواند به همان اندازه مفید واقع شود.
حسینی در پایان گفت: بیمارستانها برای امکان پذیر کردن برخورداری از مزیت‌های تحول دیجیتال، باید با نگاهی تحول آفرین در مدل کسب و کار، فرایندها و ذی‌نفعان و با تمرکز و محوریت جمع‌آوری داده‌ها و تعامل با سیستم‌های نوآورانه فناوری اطلاعات، به این مهم بپردازند. برای تحول دیجیتال در گام نخست یک شرکت در حوزه هوشمندسازی را به‌عنوان همکار راهبردی گزینش کنند؛ یک مجموعه متخصص در حوزه تحول دیجیتال که نقشه راه هوشمندسازی را طراحی، در راه پیاده‌سازی آن همراهی و راهنمایی کند و برای چالش‌ها و بازدارنده‌ها، راهکارهای خلاقانه ارائه کند. خوشبختانه امروز در ایران هم مجموعه‌های متخصص وجود دارند و هم فناوری لازم برای ایجاد زیرساخت توسعه یافته است.
نظرات کاربران