فناوری‌های دیجیتال و مدیریت بهینه خدمات درمانی

امروزه بیمارستان‌ها و مراکز درمانی پیشرو با پیاده‌سازی سامانه‌های یکپارچه هوشمند و داده محور و همچنین بهره‌گیری از فناوری‌­هایی نظیر هوش مصنوعی، بر بهبود فرایند تشخیص و درمان با کمک گرفتن از «سیستم‌­های پشتیبان تصمیم گیری»، تمرکز کرده‌اند. سید مهدی حسینی، مدیر ارشد سلامت هوشمند فناپ زیرساخت در گفت‌وگو با توسعه پویا با بیان این مطلب به تشریح کاربردها و دستاوردهای بهره‌گیری از فناوری‌های نوپدید دیجیتال در بیمارستان پرداخت و گفت: الگوریتم‌های هوش مصنوعی بطور فزاینده­ای برای بهبود تشخیص بالینی علائم بیماری در زمینه­‌هایی مانند رادیولوژی، پوست، گوارش، چشم‌­پزشکی و آسیب­‌شناسی مورد استفاده قرار گرفته‌ است، با این حال، تمرکز بر رویکرد تحول دیجیتال، فقط بمنظور بهبود تشخیص‌های پزشکی، اشتباه است. بیمارستان‌ها می‌توانند در چندین حوزه کلیدی از تحول دیجیتال برای بهبود مستمر برنامه‌های عملیاتی و ایجاد ارزش و مطلوبیت برای ذی‌نفعان، شامل بیمار، کادر درمان، نوبت دهی و مدیریت زنجیره تامین استفاده کنند.

مدیریت هوشمند منابع بیمارستانی

حسینی تصریح کرد: از آنجا که بیمارستان‌­ها تلاش می­‌کنند مراقبت‌­های مناسب و اختصاصی را در زمان مناسب به یک بیمار مشخص، ارائه دهند، بنابراین، انجام دو کار ضروری است: نخست ارزیابی دقیق فرایند تشخیص و درمان بیماران و دوم مدیریت موثر منابع بیمارستانی که مسئله چالش‌برانگیزی است. در بیمارستان، سیستم‌های عملیاتی «پشتیبان تصمیم‌گیری» که مبتنی بر داده‌ها هستند، می‌توانند بینش‌های ارزشمندی را برای کمک به تصمیم‌گیری‌ در حوزه‌های تریاژ (اولویت‌­بندی بیماران برای بهره‌­مندی از درمان)، پذیرش و ترخیص ارائه دهند. برای مثال، وقتی در بخش پذیرش مطمئن نیستند که بیمار تازه وارد، باید به آی­‌سی­‌یو فرستاده شود یا به بخش عمومی، یک الگوریتم پشتیبان تصمیم‌­گیری می­‌تواند توصیه‌­هایی را براساس اولویت‌های پیش­بینی ‌شده برای پذیرش در آی‌­سی‌­یو ویژه آن بیمار خاص ارائه دهد. بررسی داده­های عملیاتی بیش از 190هزار مورد بستری در 15 بیمارستان نشان می­دهد، بیمارانی که می‌بایست در آی­‌سی‌­یو پذیرش می‌شدند، اما در بخش دیگری از بیمارستان (برای مثال، بخش عمومی) بستری شده­اند، دوره اقامت طولانی‌تری در بیمارستان داشته و نرخ پذیرش دوباره آنها هم افزایش یافته است. این کنشگر حوزه هوشمندسازی صنعت سلامت در ادامه گفت: از الگوریتم‌ها همچنین می‌توانیم برای خودکارسازی وظایف عملیاتی استفاده کنیم به عنوان نمونه در یک مجموعه آزمایش، از پزشکان و کارکنان «آمازون مکانیکال ترک» خواسته شد یک واحد بیمارستانی شبیه‌سازی شده را مدیریت کنند، یافته‌های این آزمایش‌ها نشان داد سوگیری‌های رفتاری و خطاهای تصمیم‌گیری مبتنی بر شناخت، ممکن است بر تصمیم‌های عملیاتی تأثیر بگذارند. با جدا کردن تصمیم­گیری­ به دو بخش بالینی و عملیاتی و استفاده از الگوریتم‌ها برای خودکارسازی مؤلفه عملیاتی به نتایج بهتری می‌انجامند. مدیر ارشد سلامت هوشمند فناپ زیرساخت تشریح کرد: در بخش­های بیمارستانی، الگوریتم‌های یادگیری ماشین و پشتیبان تصمیم­گیری 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 امیداورکننده است برای مثال یک مرکز پزشکی در بوستون امریکا، 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. به همین ترتیب یک بیمارستان کودکان در بوستون امریکا از سامانه پیش‌بینی‌ کننده تعیین جا برای بیمار استفاده می‌کند 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، برنامه­ریزی 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، بجای تکیه بر تماس‌های تلفنی، پیام‌های متنی و صفحات گسترده(spreadsheets) برای تصمیم‌گیری درباره کارکنان که اغلب در آخرین لحظات تغییر می‌کنند، سرپرستاران و مدیران بیمارستان‌ها 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 پیش­دستانه و پاسخ سریع­تر را دارند از همین رو سطح ثبات و پیش‌بینی‌پذیر بودن برنامه کاری پرستاران را افزایش می‌دهند. این ویژگی بسیار ارزشمند است چون طبق بررسی‌ها ناهماهنگی‌های ناشی از عملکرد کارفرما در برنامه‌ریزی امور محوله به کارکنان، احتمال ترک کار از سوی آنان را افزایش می­دهد. این کنشگر حوزه هوشمندسازی صنعت سلامت بازگو کرد: تحلیل اطلاعات، برای بهینه­سازی کار گروهی کارکنان بکار می‌آید. برپایه تحقیقات، چینش ترکیب تیم­های مراقبت، تاثیر قابل توجهی بر عملکرد آنها دارد. یک مطالعه روی تیم‌های بخش اورژانس که مجموعاً بیش از 111هزار بیمار را در طول 2 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 6000 عمل جراحی را در طول 7 سال انجام داده‌ بودند، نشان داد توجه به آشنایی دوبه­‌دو 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 نوبت­دهی 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 نوبت­دهی و زمانبندی، برای پیش‌بینی بهتر نیازهای بخش­ها و هماهنگی آسان تغییرات لحظه‌ای و همچنین بهینه‌سازی نوبت­دهی­‌ها برپایه آخرین متدها بکارگرفته می‌شوند. برای مثال، از الگوریتم‌های یادگیری ماشین می‌توان برای پیش‌بینی بهتر مدت­زمان هر روند کاری مانند جراحی یا ام­آر­آی استفاده کرد. یا اینکه مدت ­زمان مورد انتظار برای یک عمل جراحی نه­‌تنها 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 تاخیر 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 تامین و کاهش هزینه‌‌ها

حسینی بیان کرد: بیان اینکه تامین تجهیزات پزشکی و لوازم جراحی در بیمارستان‌ها هزینه درخورتوجهی دارد و در برخی موارد، این میزان یک­سوم کل هزینه­های عملیاتی بیمارستان‌ها را شامل می­شود. اما بهبود زنجیره تامین و مدیریت موجودی، اغلب در بیمارستان­ها اولویت بالایی ندارد و ارائه­دهندگان خدمات سلامت بیشتر تمایل دارند بر فرایندهای مراقبت مستقیم از بیمار تمرکز کنند. مدیر ارشد سلامت هوشمند فناپ زیرساخت گفت: تحقیقات نشان داده‌ است در بسیاری از صنایع، رویکرد تحول دیجیتال در زنجیره تامین، هزینه‌­های فرایندها را تا 50 درصد کاهش و درآمد را تا 20درصد افزایش می­دهد. بیمارستان­‌ها نیز از این قاعده مستثنی نیستند. وی افزود: خودکارکردن فرایند جمع‌آوری داده‌ها، مرتب­سازی، تطبیق حساب­ها و پرداخت هزینه تجهیزات پزشکی، جراحی و دارویی، باعث کاهش هزینه‌های مرتبط با زنجیره تامین 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 RFID (ردیابی با استفاده از فرکانس رادیویی) 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 2015 یک سیستم RFID را برای عملیات­ بخش اورژانس خود راه­اندازی 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 به­راحتی با یک سیستم دیجیتالی مدیریت زنجیره تامین قابل دستیابی است هم ممکن است بتواند به همان اندازه مفید واقع شود. حسینی در پایان گفت: بیمارستان‌ها برای امکان‌پذیرکردن 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.