利用机器学习改善医院病人流动的三个关键

本报告基于2019年医疗保健分析峰会上的演讲Michael Thompson, MS Predictive Analytics, cedar - sinai医疗中心企业数据智能执行董事，标题为，用预测分析改善医院流程的新方法”。

医疗保健系统面临的一个永无止境的挑战是管理医院病人流量——病人从入院到出院的流动。如果得不到有效管理，患者流动可能会在整个卫生系统产生负面的连锁反应:

• 病人被“隔离”在急诊科(ED)，等待被收治到医院的病床上，延误了病人接受适当的治疗，并占用了急诊室的空间。
• 急诊科拥挤会增加未就诊患者和等待时间。
• 病人在不必要的情况下会在术后恢复室过夜。
• 重症监护室24小时内重新入院。
• 手术延误或取消。
• 医生、护士和其他工作人员超负荷工作，导致工作倦怠加剧。
• 根据患者的临床情况，延迟将患者转移到适当的单位和出院，降低了吞吐量。

高效的医院病人流可以让新入院的病人一进医院就能到达正确的地方，现有的病人可以无缝地过渡到正确的病房，准备出院的病人可以尽可能少地延迟出院。当医院有效地管理医院的病人流量时，卫生系统和病人都赢了——医院不会让病人呆得超过必要的时间，病人在医院的时间也会减少，从而为需要治疗的新病人腾出空间。

利用机器学习改善医院病人流量

卫生系统改善医院病人流量的一种方法是通过机器学习(ML)。由于医院的病人流动是如此复杂，充满了活动部件，ML提供了预测模型，以协助决策者提供基于近实时数据的医院病人流动信息。

例如，一个学术医疗中心创建了一个ML管道，利用其所有数据——患者数据、EHR数据、临床和索赔数据——来预测住院时间、急诊科(ED)到达、ED入院、总出院和总床位普查。预测模型被证明是有效的，因为医疗中心减少了患者的等待时间和工作人员加班时间，改善了患者的结果以及患者和临床医生的满意度。

ML针对无效的医院病人流动问题

ML可以作为一种有效的工具来改善医院的病人流动，减轻医院的容量压力。ML的目标不仅仅是创建预测模型，而是最终改善，在某些情况下，解决医院患者流动不良带来的挑战:

• 减少对定期增兵计划的需求。
• 避免在急诊科转移注意力和过度拥挤。
• 消除外科手术、治疗和住院的高等待时间和延误。
• 改善员工工作时间以满足需求，同时减少过度加班。
• 根据患者的临床情况，增加适当的住院部收治的患者数量。
• 利用病例管理策略来减少异常病例的住院时间。
• 完善排床容量管理规划。

ML成功的三个关键

关键一:建立一个数据科学团队。

引入数据科学需要最高层强有力的领导支持。向行政领导人介绍数据科学的价值，并对卫生系统内的所有数据分析采取集中方法，为数据科学的成功营造了一个环境。在高层的支持和一个数据科学团队的支持下，数据科学家随时准备与其他部门合作，将数据转化为智能，推动更好的决策制定。

键2:创建ML管道聚合所有数据源。

为了利用卫生系统的所有可用数据，数据科学团队应该创建一个端到端ML管道(图1)来聚合数据。管道应该包括所有数据源、存储、转换和建模以及可视化组件。ML管道包含每个数据源是至关重要的，因为如果数据不准确或不能提供完整的图像，预测模型将无法识别出正确的机会领域，从而导致浪费精力。

为了让ML管道对其他团队成员更友好，不那么令人生畏，数据科学领导者应该考虑用一个人类的名字来称呼数据管道，比如“Alex”，而不是“机器学习”。使用通用名称可以帮助团队成员专注于预测模型的洞察力，而不是来自机器的洞察力。

关键3:组建一个全面的领导团队来管理数据。

机器学习成功的另一个重要因素是包括其他部门的领导。这有两个好处:1。在讨论卫生系统内的数据科学策略时，确保多角度;它有助于从整个组织的各个部门获得对数据科学的支持。例如，一个全面的领导团队可以包括来自手术、护理、患者满意度、病例管理和提供者/临床医生等部门的领导，这样数据科学团队就可以在其他部门培养数据科学的领军人物。创建非数据科学团队成员的数据科学冠军，可以使数据科学实施更有可能取得成功，并帮助团队成员在看到他们的领导者(他们已经信任的领导者)信任并支持数据科学时，更加信任数据科学。

回溯测试模型是获得ML支持的关键

实现对ML的长期机构支持的另一个重要步骤是反向测试模型的重要性——与团队成员会面，向他们展示模型的表现与实际情况相比有多好。回溯测试模型增加了透明度，并设定了团队成员对预测模型的现实期望——它们并不完美。

与团队一起审查模型的准确性也可以促进头脑风暴讨论，从而产生新模型的想法或其他关于模型不准确原因的解释。这些替代的解释可以提供洞察应该包括在模型的下一次迭代，进一步提高准确性。

在与团队成员讨论ML模型时，另一个有价值的实践是使用各种模型并比较哪些模型是最准确的。比较可以帮助团队成员理解不同的模型具有不同程度的准确性，并且没有模型是100%准确的。

让团队成员分享他们对机器学习发现的想法(通常以图表形式显示)，让团队成员有机会与模型互动。而不是听数据分析师报告的发现，他们有机会与数据并参与到数据科学的过程中。

在完善模型的过程中，领导者和团队成员会投入到模型中，为改进提供建议(比如添加新的数据变量)，并最终拥有模型。这是增加对数据科学的参与和支持，从而实现数据民主化的一种策略。

提醒比日常邮件更有效

对于数据科学团队来说，每天都很容易从预测模型中传播信息。日常信息的问题在于，行政领导会产生数据疲劳——每天看到相同的电子邮件，数字略有不同，这让他们很难专注于数字的含义，最终往往会忽略电子邮件。

为了防止数据疲劳，但仍然有效地将预测模型的发现传达给行政领导，数据科学团队可以以警报的形式发送信息(图2)。例如，每当未来三天的警报级别很高或非常高时，警报就会触发——这是由卫生系统领导团队设置的条件，因此只有在他们认为有必要时才会通知他们。

ML与专业知识相结合，改善医院病人流动

医院病人流动的挑战不是单个部门的问题，而是整个卫生系统应该努力克服的问题。为了有效地改善医院的病人流量，必须让运营和临床领导者从一开始就参与进来，以认识到数据科学的价值。

数据科学团队有责任使数据民主化——确保各级决策者都能获得数据。然而，对数据的访问并不意味着对数据的解释将是统一的。数据科学团队首先应该为领导者配备易于理解的模型，并与他们密切合作，直到他们感到舒服为止，慢慢培养他们的分析敏锐度。

数据科学的敏捷方法允许领导者体验数据，而不仅仅是审查数据。ML中的敏捷性至关重要，因为每次模型迭代，临床医生或行政领导的参与都会增加他们的理解，从而提高预测模型的准确性。在这一点上，整个组织的领导者都在引用数据，然后利用它来做出决策。

ML模型可以改善医院的病人流量，但只有当领导通过建议在预测模型中考虑新的变量来增加有价值的观点时，才能有效地改善病人流量。当ML和承诺的团队成员一起工作时，ML会更加准确，因为它对医疗系统的需求、时间表、保险计划，以及最重要的患者非常敏感。

更多的阅读

你想了解更多关于这个话题的信息吗?以下是我们推荐的一些文章:

1. 临床用户有意义的机器学习可视化:一个框架
2. 医疗保健领域的人工智能:更快地找到正确答案
3. 人工智能辅助决策:医疗保健的下一个前沿
4. 机器学习工具从非结构化健康数据中解锁最关键的见解
5. 改善急诊护理的数据驱动系统方法

---

幻灯片

您愿意使用或分享这些概念吗?下载突出重点的演示文稿。

点击此处下载幻灯片

利用机器学习改善医院病人流动的三个关键从世界杯葡萄牙vs加纳即时走地