电子新闻独家

预测分析如何帮助医疗服务提供者识别患者进行护理管理

作者:迈克尔·西蒙博士

护理管理计划正成为提供者团体保持高质量护理的重要手段，同时也在基于价值的协议下控制成本和利用率。

然而，许多提供者在启动护理管理项目时面临的问题是，他们需要大量使用资源。例如，每个护理经理通常管理一个由50到200名患者组成的小组，而每个登记的患者通常在一个项目中花费3到6个月的时间。

对于卫生保健组织(hco)来说，挑战在于确定如何最有效地分配护理经理有限的时间来满足每个患者的需求。一般来说，hco采用算法模型根据未来高利用率的可能性来确定哪些患者是护理管理计划的最佳候选人。然而，这些算法有时是一维的，未能考虑到患者是否可能对护理管理作出良好反应。因此，护理管理项目有时并没有招募那些最能从中受益的病人。

现在，有了更成熟的机器学习技术和更全面的数据集，医疗机构可以使用预测分析来确定哪些患者可能对护理管理项目做出最好的反应。

不仅仅是“病情最严重”的病人
医院和卫生系统越来越重视护理管理方案，原因很简单——护理管理已被证明是有效的改善结果加强对病人的护理。由于合并症和复杂的情况，今天的许多病人对一个医生来说太具有挑战性了。经验丰富、知识渊博的护理管理人员能够与患者建立融洽的关系，从而激发患者的行为改变，从而减少住院和急诊次数，降低利用率，并获得更好的结果。

护理管理项目最常见的缺点是，它们往往不能为合适的病人服务。传统的方法通常仅限于检测“病情最严重”的病人，而忽略了其他重要因素，如病人的病情是否可能对护理管理有良好的反应，或者病人的病史是否表明他可能根据护理管理改变自己的行为。

这种传统方法的问题在于，它过度利用了利用率数据，而没有考虑到并非所有高利用率患者都是“可操作的”患者——这些患者极有可能从护理管理计划中受益。例如，接受透析治疗的终末期肾病患者可能病情严重，但使用率很高，但通过护理管理计划进行干预的积极影响甚微。这种护理管理患者登记的方法导致患者类型范围广泛，这可能导致稀缺的护理管理资源分配不当。

与确定患者是否适合护理管理的传统方法不同，预测分析利用了更广泛的临床和人口统计数据，如疾病类型和健康的社会决定因素。在扩展到典型数据资源之外的集成数据集的帮助下，预测分析可以帮助卫生系统轻松地对大量患者记录进行分类，将可采取行动的患者与不太可能对护理管理作出反应的患者区分开来。

创建护理管理的新模式
使用分析来改善护理管理的最重要的组成部分之一是“训练”预测模型，使用大量不同的数据集，包括与HCO特定目标一致的结果。例如，如果目标是减少可避免的再入院和急诊就诊，则数据应包括所有可用结果的广泛患者，以帮助模型确定预测未来潜在利用率的模式和趋势。

接下来，机器学习算法通过越来越精确的模型快速迭代，这些模型可以考虑各种各样的数据，包括发病率风险、脆弱性概念、环境因素(如当地住房空置率和高中毕业率)、临床观察(如血压和体重指数)和医疗保健利用统计数据。目标是确定一个模型，最好地描述这些不同的输入和结果变量之间的关系。开发这些类型的预测模型可能需要大量的时间和资源投入，这就是为什么符合HCO要求的分析工具在护理管理策略中是有用的资源。

由于预测分析解决方案能够准确地预测项目利用率、成本和结果，因此可以识别出最具“影响力”的患者——也就是说，那些护理管理最具生产力和效率的患者。然后，护理管理团队可以使用这些信息来设计方案，以最佳方式分配组织的资源。

对临床医生判断的补充
预测分析提供了一种强大而有效的方法来识别患者，以便进行护理管理，但它不能替代经验丰富的临床医生的医学判断，更不用说直觉了。尽管如此，通过在临床医生之前帮助发现可能成为高成本使用者的患者，预测分析解决方案代表了对临床医生判断的补充，可以帮助hco改善人群健康。

- - - - - -Michael Simon博士是阿卡迪亚的数据科学家。