Ngành chăm sóc sức khỏe rất phức tạp và phân tán, thường xuyên thiếu sự phối hợp hoặc các biện pháp khuyến khích không phù hợp dẫn đến việc phân bổ nguồn lực không hiệu quả. Kết quả của bệnh nhân, chi phí và hiệu quả của các liệu pháp điều trị đều bị ảnh hưởng tiêu cực bởi sự phân tán.
Dữ liệu có thể được sử dụng để cải thiện hệ thống bị phân mảnh và giảm chi phí chăm sóc sức khỏe
Jana EggersGiám đốc điều hành của Nara Logics, và Sachin JoshiSVP, kỹ thuật dữ liệu và phân tích tại Evernorth (một công ty con của Cigna), đã thảo luận về cách Cigna đang sử dụng dữ liệu để cải thiện dịch vụ chăm sóc phân tán và giảm chi phí chăm sóc sức khỏe trong thời gian Hội nghị ảo Transform 2022 của VentureBeat. Jana Eggers có 30 năm kinh nghiệm trong ngành AI. Chúng tôi cũng thảo luận về tương lai của bảo mật dữ liệu chăm sóc sức khỏe 2 nhiều tháng trước. Dữ liệu rất quan trọng đối với lĩnh vực chăm sóc sức khỏe. Bạn có biết AI có thể nói những gì bác sĩ không thể? Bây giờ nó có thể xác định cuộc đua!
Để triển khai các biện pháp can thiệp cụ thể đối với tình trạng lâm sàng và sở thích tham gia của bệnh nhân, Cigna đã phát triển một nền tảng cho phép doanh nghiệp tự động xác định các tình huống cần được chú ý về mặt lâm sàng. Ngoài ra, nền tảng này còn cung cấp cái nhìn 360 độ về hoạt động của bệnh nhân, tạo ra chương trình phối hợp chăm sóc tốt nhất.
Tổ chức y tế thế giới (AI) khẳng định rằng hiệu suất, hiệu quả và sự phù hợp của bệnh nhân trong chăm sóc y tế đều bị ảnh hưởng bởi hệ thống phân phối được sử dụng trong ngành chăm sóc sức khỏe. Khi chọn mô hình chăm sóc dựa trên kết quả đảm bảo các mục tiêu lâm sàng và kết nối các điểm tiếp xúc của bệnh nhân trong suốt quá trình chăm sóc liên tục, bệnh nhân thường đưa ra lựa chọn đúng đắn.
Tuy nhiên, Eggers chỉ ra rằng nhiều cá nhân đã gặp khó khăn trong ngành chăm sóc sức khỏe. Cô khuyến khích Joshi xem xét các vấn đề chăm sóc sức khỏe từ quan điểm của hệ thống chăm sóc sức khỏe hơn là từ quan điểm của bệnh nhân. Joshi đồng ý rằng vấn đề chính là sự phân mảnh nội bộ này.
“Tôi biết chúng tôi với tư cách là người tiêu dùng cảm thấy rằng hàng ngày khi chúng tôi đến phòng thí nghiệm, đến gặp bác sĩ chăm sóc chính của mình… đi mua thuốc theo toa. Hãy tưởng tượng việc cố gắng tập hợp những thông tin đó lại với nhau để tạo ra kết quả tốt hơn cho bệnh nhân của chúng ta để họ không phải điều hướng tất cả các kênh khác nhau đó mà không có cảm giác rằng, một, họ đang bị cố tình cắt giá và, hai, [wondering if] Toàn bộ sức khỏe của họ đang được xem xét trên tất cả các kênh khác nhau,” Joshi giải thích.
Joshi tuyên bố rằng những cá nhân nắm rõ điều này đều biết rằng có một cách để kết hợp tất cả lại với nhau và đưa ra giải pháp.
Joshi làm rõ rằng một kỹ thuật được sử dụng để giảm bớt một số thách thức đó là quản lý điều phối. Theo Joshi, Health Connect 360 của Evernorth được tạo ra để xem xét toàn bộ dân số từ quan điểm quản lý bệnh nhân. Kết quả là khách hàng có được cái nhìn vĩ mô.
Joshi cho biết: “Sau đó, ở cấp độ vi mô, chúng tôi có thể xem xét cách tiếp cận theo từng giai đoạn kết quả nhằm mang lại kết quả tốt hơn cho bệnh nhân từ góc độ sức khỏe bằng cách giảm chi phí”.
Từ quan điểm dữ liệu, vấn đề với Health Connect 360 là có thể cung cấp mô hình dự đoán giúp Evernorth tập trung và nâng cao kết quả của bệnh nhân.
Joshi tiếp tục nói rằng trong trường hợp này, điều quan trọng là có thể cung cấp cho mỗi bệnh nhân một chiến lược điều trị riêng. Ông đưa ra một cách tiếp cận tùy chỉnh cho khách hàng, cho phép họ làm việc với doanh nghiệp, đánh giá mức độ cam kết và chi phí phải trả để phục vụ bệnh nhân của họ và so sánh nó với kết quả mà họ đã trải qua trước đây.
“Đó là điều phổ biến trong cộng đồng, nhưng có thể phổ biến hơn ở một số phân khúc nhà tuyển dụng nhất định so với những phân khúc khác. Vì vậy, những gì chúng tôi có thể làm từ góc độ tổng dân số của mình là phân tích dữ liệu đó về dược phẩm y tế, dữ liệu của bên thứ ba, dữ liệu khiếu nại, là dữ liệu của riêng chúng tôi. Bằng cách tích hợp dữ liệu đó với các bên thứ ba cũng như các thiết bị kỹ thuật số, Evernorth có thể tạo ra dữ liệu ở cấp độ vĩ mô,” Joshi nêu rõ khi lấy bệnh tiểu đường làm ví dụ.
“Có phải chúng ta đang thấy rằng họ đang nộp ít hồ sơ dược phẩm hơn [prescription] yêu cầu bồi thường và mua ít hơn? Bởi vì chúng tôi có thông tin đó nên chúng tôi có thể phân biệt nhóm đối tượng đó, tiếp cận cộng đồng và can thiệp để đảm bảo rằng việc tuân thủ thuốc hoặc [that] Ông nói thêm: các chỉ thị của người kê đơn được thực hiện đúng cách để tạo ra một loại trường hợp sử dụng mang tính phòng ngừa trong đó chúng tôi tiếp cận vấn đề theo dõi lượng glucose.
Theo các khái niệm về mô hình dự đoán và học máy, công ty có thể tiếp cận trực tiếp với bệnh nhân hoặc thông qua các nhà cung cấp, nếu họ có nguy cơ mắc bệnh tiền tiểu đường hoặc tiểu đường để họ có thể hành động trước khi phải vào phòng cấp cứu, mà hậu quả còn nghiêm trọng hơn nhiều. Joshi tuyên bố rằng điều này giúp nâng cao kết quả của bệnh nhân đồng thời giảm chi phí dài hạn cho người tiêu dùng.
“Lượng dữ liệu khổng lồ luôn là thách thức lớn đối với người dùng công nghệ, vì chúng rất rời rạc và không kết hợp chặt chẽ với nhau. Khán giả đang vượt qua những thách thức của riêng họ về cách cung cấp năng lượng cho dữ liệu đó. Tôi biết có một số sức mạnh ở đó, nhưng tôi bị mắc kẹt trong việc phân tích hoặc điều gì đó,” Eggers giải thích. AI có thể nói những gì bác sĩ không thể: Bây giờ nó có thể xác định chủng tộc
Để giải quyết vấn đề đó, Eggers nhắc lại lời khuyên của Joshi, nói với khán giả công nghệ rằng “hãy đạt được MVP mà bạn biết đấy [and] hãy chắc chắn rằng bạn luôn tập trung vào trải nghiệm. Sau đó, hãy đảm bảo rằng nhóm của bạn cảm nhận được trải nghiệm mà bạn đang cố gắng mang lại. Hãy đảm bảo rằng họ biết mình dễ bị tổn thương và thử mọi thứ và bạn có thể đi theo quan điểm trung dung đó vì không phải lúc nào bạn cũng đạt được sự hoàn hảo.” Bạn có biết rằng việc phân loại kích thích thị giác dựa trên mạng lưới thần kinh mở đường cho việc chẩn đoán sớm bệnh Alzheimer?
