Лекси Синьориелло, Стивен Миллс и Джоанна Бенести
По мере того как COVID-19 продолжает распространяться, системы здравоохранения во всем мире все еще работают в режиме кризисного реагирования. Чтобы помочь потоку больных, попадающих в систему, многие больницы используют данные и аналитику для создания точных перспективных представлений о спросе и предложении на персонал, оборудование и расходные материалы, необходимые для управления критическим дефицитом.
В какой-то момент кризис со здоровьем начнет утихать, но это не значит, что в ближайшее время станет легче. Данные и аналитика останутся важными инструментами, помогающими системам здравоохранения наметить путь к выздоровлению.
Пять ВАРИАНТОВ ИСПОЛЬЗОВАНИЯ ДЛЯ УПРАВЛЕНИЯ ПОСЛЕДСТВИЯМИ COVID-19
Опираясь на опыт работы с клиентами в секторе здравоохранения, мы определили пять вариантов использования, которые могут оказать критически важную поддержку больницам, которые думают о выздоровлении от COVID-19. Варианты использования варьируются от лучшего распределения ресурсов до изменения маршрутов цепочек поставок.
Развертывание моделей динамического моделирования для управления ресурсами больницы
По мере того, как мы переходим в период восстановления, нагрузка на системы здравоохранения начнет снижаться. Больницы столкнутся со структурой спроса, непохожей на все, что они когда-либо видели. В этих меняющихся условиях предыдущие кадровые и операционные подходы могут оказаться ненадежными. Могут помочь модели динамического моделирования (DSM).
Применяя ряд переменных, характерных для каждой больничной системы (например, планировка, количество коек, частота прибытия пациентов, задачи и продолжительность), DSM запускает сотни сценариев для определения набора операционных изменений, выполнение которых наиболее важно. требование. Обилие доступных данных позволяет модели точно количественно оценить как прямые, так и второстепенные воздействия, возникающие в результате любых инициатив по изменению, которые могут быть предприняты. В случаях, когда данные ограничены, в дополнение к DSM можно использовать другие формы аналитики, такие как анализ чувствительности.
BCG Gamma использовала DSM, чтобы помочь системе здравоохранения увеличить количество пациентов в отделениях неотложной помощи. Используя данные скорой помощи и отделений неотложной помощи за год, мы смоделировали более 100 возможных путей доступа к пациентам. Этот анализ с более чем 40 отдельными источниками данных включал примерно 30 000 схем прибытия пациентов, 150 000 посещений пациентов в пунктах скорой помощи и 250 000 дополнительных мест проведения мероприятий. После тестирования более 20 сценариев мы определили сценарии, которые могут сократить около 840 000 часов рабочего времени медицинского работника ED в течение года. Несколько примеров вмешательств, которые DSM помогла определить:
· Прямая госпитализация для групп хронических заболеваний, которые часто требуют госпитализации, чтобы сократить время сортировки и трудозатраты
· Совместное размещение отделения радиологии, чтобы сократить время, затрачиваемое на перемещение пациентов
· Сократите количество медицинских осмотров для известных пациентов, которым ранее требовалась госпитализация.
Сравнение смоделированных прибытий пациентов, лечения и времени ожидания с реальными данными показало, что моделирование точно отражает реальность. Эта проверка вселила в клиницистов уверенность в правильности сделанных выводов.
DSM - это не временное решение. Они станут важными инструментами в обозримом будущем, поскольку число случаев заболевания, связанных с COVID-19, сокращается, возникают длительные осложнения, а пациенты, отложившие лечение, обращаются за помощью.
Использование алгоритмов оптимизации для улучшения кадрового состава больниц
Стремительно растущий спрос на работников больниц истощил медицинский персонал - ситуация усугубляется увеличением числа заболевших работников. По мере того, как мы приближаемся к выздоровлению, ситуация на местах будет оставаться нестабильной, с быстро меняющимися потребностями, изменением профиля пациентов и персоналом больницы, которому нужно время для восстановления.
Разработать правильную кадровую стратегию, что непросто в лучшие времена, будет еще сложнее, учитывая комплексное количество факторов, которые необходимо учитывать. Алгоритм оптимизации может помочь лицам, принимающим решения, найти жизнеспособное решение.
BCG Gamma разработала специально разработанный алгоритм для оптимизации укомплектования персоналом больничной системы в США. Алгоритм размещает поставщиков медицинских услуг в учреждениях для удовлетворения спроса, создаваемого нагрузкой на пациентов по разным специальностям. Он количественно оценивает использование провайдером по множеству сценариев, чтобы определить специализацию провайдеров, которые работают с недостаточной пропускной способностью, что позволяет больницам расширять ресурсы в сети.
Этот анализ позволяет максимизировать использование медицинских работников при минимизации пробелов в уходе за пациентами. Это также помогает оптимизировать укомплектование персоналом многих больниц в заданном географическом районе.
Подобные модели оптимизации будут необходимы на протяжении всего периода восстановления. Они позволят больницам изучить кадровые стратегии, отвечающие потребностям пациентов, а также дать медицинским работникам время на восстановление.
Моделирование цифровых двойников для восстановления после сбоев в цепочке поставок медицинских товаров
Кризис COVID-19 выявил острую нехватку важного медицинского оборудования и материалов во всем мире. По мере того, как мы переходим к периоду восстановления, поставки начнут становиться более доступными, но сохраняющаяся нехватка, вероятно, будет сохраняться.
Моделирование цифровых двойников позволяет понять, где в цепочке поставок существует такая нехватка. Сетевые данные могут быть объединены с перспективными прогнозами спроса и предложения для определения приоритетности поставок и выявления критического дефицита.
BCG Gamma применила пространственное моделирование, чтобы понять устойчивость к сбоям в цепочке поставок продуктов питания в крупном городе США. Нашим первым шагом было извлечение, интеграция и хранение геопространственных (связанных с местоположением) данных из внутренних и внешних наборов данных, которые мы использовали для создания базы данных производителей, дистрибьюторов и точек продаж (POS). Составив карту ключевых игроков в цепочке поставок продуктов питания, мы составили полную картину размеров и структуры городской распределительной системы.
Затем мы построили модели, чтобы найти геопространственные отношения между различными участниками цепочки поставок продуктов питания. Модель смогла обнаружить кластеризацию, ближайший POS к каждому дистрибьютору и другие важные детали, относящиеся к функционированию сети. Этот анализ позволил определить, в каких районах города было слишком мало еды, а в каких - слишком много перед лицом возможных сбоев. На основе этих данных мы создали интерактивную тепловую карту, которую клиент мог использовать для обеспечения готовности и устойчивости в будущем.
По мере того, как предметы, дефицитные из-за COVID-19, станут доступными, их необходимо будет быстро доставить в наиболее нуждающиеся районы. Надеемся, что города, которые построили импровизированные больничные помещения на случай кризиса, смогут возобновить нормальную работу, что высвободит дополнительное оборудование и материалы для больниц, которые все еще пользуются высоким спросом. Пространственное моделирование позволит динамически перенаправлять текущие маршруты снабжения, чтобы было легче увидеть, какие маршруты будут работать лучше всего.
Разработка модели прогнозирования спроса
Несмотря на то, что пиковый период, кажется, уже позади в ряде географических регионов, все еще существует высокий риск того, что несколько волн, даже если они будут меньшими или более локализованными, окажут давление на работу больниц. Если нет способа предвидеть величину и характер волны, чтобы больницы могли использовать прошлый опыт, чтобы поглотить ее менее разрушительным образом.
BCG GAMMA разработала модель для прогнозирования спроса в больнице и построения сценариев того, как это повлияет на основные функции: центр экстренного вызова, экстренный транспорт, койки интенсивной терапии, койки для госпитализации, конкретный персонал и т. Д.
Модель используется в сочетании с уроками, извлеченными из первой волны эпидемии, чтобы обеспечить разумное планирование. Команда знает, сколько времени потребуется, чтобы задействовать каждый из имеющихся рычагов для увеличения пропускной способности больницы. Модель позволяет грамотно управлять пропускной способностью больницы. Он откалиброван для запуска оповещения достаточно рано, чтобы у команды было достаточно времени для организации и принятия оперативных решений, таких как депрограммирование выборных процедур для освобождения мест в отделениях интенсивной терапии, открытие дополнительных возможностей колл-центра, открытие дополнительных мощностей реанимации, доступ резервирование кадровых ресурсов и т. д. Во время первого пика эта работа помогла сократить очередь в центре экстренного вызова с 2 часов до нескольких минут и помогла предвидеть и организовать удвоение пропускной способности отделения интенсивной терапии.
Понимание путей пациентов для улучшения получаемой помощи
Как мы узнаем из первой волны пациентов с COVID-19, мы также можем лучше понять профили пациентов, которые в конечном итоге придут в больницу. Две особые группы составляют основную часть погибших; пациенты старше 75 лет и пациенты в отделении интенсивной терапии.
BCG GAMMA работает над анализом потоков пациентов для этих пациентов, изучая данные из нескольких разных больниц и отделений интенсивной терапии. Сценарии использования могут помочь в принятии большого количества решений - от профилактики до лечения и ухода. Например, выявление сопутствующих заболеваний, которые могут помочь предсказать пациентов, подвергающихся наибольшему риску, чем другие, или выявление закономерностей эволюции лабораторных результатов, которые могут помочь предсказать ухудшение состояния и т. Д.
Учитывая высокий уровень неизвестности об этом вирусе, способность очень быстро объединять и анализировать данные из нескольких больниц и получать практические идеи может стать ключом к поддержке работы тех, кто спасает жизни.
В то время, когда так много неизвестного, новые большие данные и аналитика являются инструментами, которые необходимы больницам для управления и без того скудными ресурсами и ускорения пути к выздоровлению. Обсуждаемые здесь типы аналитических решений могут реально изменить ситуацию.
