Continue intelligentie drijft snelle, accurate diagnoses in gezondheidszorg

Continue intelligentie (CI) maakt innovatieve benaderingen voor gezondheidszorg mogelijk, geeft clinici snelle, meer accurate diagnostische mogelijkheden.

Gezondheidszorgorganisaties zijn gezegend met een rijkdom aan data om patiëntencondities te evalueren en een behandelplan voor te schrijven. Steeds meer vereist de mogelijkheid om snellere, meer accurate diagnoses te stellen continue intelligentie (CI) afgeleid van de realtime analyse van streamingdata.

Twee factoren drijven deze verandering. Ten eerste, patiëntverwachtingen veranderen. De kwaliteit van zorg wordt steeds belangrijker – naarmate patiënten beginnen hun recht uit te oefenen om te kiezen hoe en met wie ze engageren voor hun gezondheidszorg. Ze eisen transparantie van data en processen. Gevolglig moeten gezondheidszorgorganisaties zich richten op hoe kwalitatieve resultaten op een betekenisvolle manier voor patiënten bereikt kunnen worden.

Zie ook: AI biedt geestelijke gezondheidsbegeleiding? Niet zo gauw, zeggen psychiater

Op hetzelfde moment ervaart gezondheidszorg grote veranderingen door de beschikbaarheid van nieuwe databronnen. Specifiek, is er de opkomst van internet of things (IoT) wearables en verbonden medische apparaten. Naarmate gezondheidszorgorganisaties meer verbonden apparaten, elektronische gezondheidsdossiers (EHRs), en virtuele bezoeken met patiënten gebruiken, stroomt steeds meer data binnen.

Echter, die data zit typisch gesiloiseerd en verbetert patiëntenzorg niet totdat het beoordeeld en weggelegd is voor toekomstig gebruik. Vooruitgang vereist oplossingen die makkelijk verschillende databronnen kunnen benutten en realtime analytics op die data on the fly kunnen toepassen.

Realtime data voor diagnose

Oplossingen die de data-obstakels overwinnen, openen nieuwe kansen. Bijvoorbeeld, het gebruik van streamingdata kan helpen bij vroege diagnose van een verscheidenheid aan gezondheidscondities in veel gebieden. Een voorbeeld is de toepassing van stemcommunicatie om medische condities te diagnosticeren.

Overweeg het volgende scenario: Een vrouw belt in bezorgd over haar moeders gezondheid aangezien ze recentelijk problemen heeft met geheugenverlies. De moeder belt in bij haar kliniek's verpleegkundige triage lijn, waar haar verpleegkundige vijf vragen stelt om informatie te verzamelen voor diagnose. Sentimentanalyse wordt uitgevoerd op de stemcommunicatie met de verpleegkundige. De informatie afgeleid van die analyse wordt gecombineerd met de gezondheidsdata vastgelegd van de moeders wearable apparaat (dat de verpleegkundige in realtime kan bekijken). De verpleegkundige gebruikt de informatie dan om te bepalen dat Alzheimer-ziekte binnen een hoge graad van waarschijnlijkheid is. Als resultaat helpt deze interactie de dochter de volgende stappen voor haar moeders gezondheidszorg te bepalen.

Met een overvloed aan verbonden apparaten beschikbaar vandaag, is iets zo simpels als stemcommunicatie die gebruikt wordt om te diagnosticeren (of de waarschijnlijkheid van diagnose te bepalen) de ultieme medische bot.

Het gebruik van analytics in stemcommunicatie voor vroege diagnose van bepaalde medische condities is dichtbij de realiteit van vandaag. Bijvoorbeeld, de Apple Watch komt nu met een Electrocardiogram (EKG) functie — biedt gebruikers informatie over hun hartslag die hen kan waarschuwen voor ongediagnosticeerde condities. De realtime data geleverd door wearables zoals de Apple Watch kan dienen als een eerste stap in het diagnosticeren van bepaalde gezondheidscondities en patiënten waarschuwen om te consulteren met hun leverancier wanneer data aangeeft dat iets mis is.

Realtime analytics combineren met AI

Het gebruik van realtime analytics om condities te diagnosticeren duwt medische behandeling naar nieuwe niveaus. Nog geavanceerder zijn applicaties die predictieve analytics en kunstmatige intelligentie (AI) gebruiken om de uitbraak van een ziekte of conditie te voorkomen.

Een voorbeeld van de toepassing van deze preventieve technologie is het werk dat gedaan wordt door HCA Healthcare in het reduceren van de dreiging van dood door sepsis.

Sepsis is een onvergeeflijke conditie die ravage kan aanrichten op het lichaam. Het kruipt vaak op, als een dief in de nacht, nadat mensen al toegelaten zijn in ziekenhuizen om andere condities te behandelen. Het barst uit als het lichaam infectie bestrijdt, getriggerd door een onevenwicht in de biochemische stoffen die het lichaam in de bloedstroom stuurt om infectie te bestrijden. Als sepsis voortschrijdt tot septische schok, zijn organen beschadigd, en daalt bloeddruk – een potentieel dodelijke situatie. Sepsis is verantwoordelijk voor 270.000 dodes per jaar in de Verenigde Staten alleen.

Typisch is het diagnosticeren van sepsis alleen mogelijk gebaseerd op handmatige beoordeling van patiëntendossiers tijdens dienstwisselingen. Het probleem is dat op het moment sepsis op die manier gedetecteerd wordt, het te laat kan zijn. "Elk uur vertraagde diagnose verhoogt het risico op dood met vier tot zeven procent," zegt Dr. Jonathan Perlin, president voor klinische diensten en chief medical officer voor gezondheidszorg bij HCA Healthcare.

Deze vertraging was niet acceptabel. Een team van clinici, data scientists, en technologieprofessionals bundelde krachten om een realtime predictieve analytics-systeem te creëren om sepsis in patiënten nauwkeuriger en sneller te detecteren.

De uitdaging was het vastleggen van de data gerelateerd aan pre-sepsis condities. Er was genoeg van het gegenereerd door het gezondheidszorgbedrijfs meer dan 30 miljoen jaarlijkse patiëntinteracties elk jaar over 1.800 zorglocaties. Echter, veel van het was gesiloiseerd over uiteenlopende systemen en applicaties.

Meeste bestaande datainfrastructuren waren niet ontworpen voor grootschalige business intelligence en rapportage. Wat nodig is, is een manier om realtime data van al onze faciliteiten te verzamelen, analyseren en delen zodat levensreddende actie snel ondernomen kan worden. Om deze uitdaging aan te pakken, creëerde het team een realtime predictieve analytics-systeem genaamd SPOT (Sepsis Prediction and Optimization of Therapy).

Met SPOT kunnen clinici sepsis in patiënten nauwkeuriger en sneller detecteren. Het platform verzamelt en analyseert klinische data — zoals patiëntlocatie, vitale tekenen, apotheek, en laboratoriumdata — en signaleert verzorgers in realtime om vroege sepsis-zorg te initiëren.

Met het SPOT-tool is HCA Healthcare in staat om vroege detectie te verbeteren. Clinici kunnen initiële indicatoren van sepsis tot 20 uur eerder detecteren en identificeren dan traditionele screeningmethoden.

Analytics' rol in vroege detectie van medische fraude

Naast diagnose, wordt realtime analytics bekeken voor andere gezondheidszorgapplicaties. Bijvoorbeeld, een van de grote kwesties in de gezondheidszorgindustrie vandaag is de hoeveelheid medische fraude die plaatsvindt. In 2017 waren er $1,3 miljard in valse facturering, volgens het Office of Inspector General van de VS Department of Health & Human Services. Analytics kan een significante rol spelen in het detecteren van medische fraude alsook het helpen bij vroege diagnose van medische condities.

Stel je een medisch callcenter voor dat stemanalysetechnologie gebruikt tijdens een oproep van een patiënt die medische fraude probeert. Met analytics in de software ingebouwd, kunnen rode vlaggen in de toon van de patiënt gepind worden. De persoon die het gesprek afhandelt, kan dan gewaarschuwd worden voor de zorg gesignaleerd door de analytics, waardoor ze de situatie op een dieper niveau kunnen onderzoeken. Analytics kan een dag een sleutelrol spelen in de vroege detectie van medische fraude – organisaties waarschuwen voor potentiële fraude zo vroeg als het afspraakplanningsproces.

De echte uitdaging: Werken met data

In alle inspanningen is de hoofduitdaging hoe de grote hoeveelheid databronnen efficiënt te gebruiken. Een geschikte oplossing zal in staat zijn om:

Verschillende databronnen continu fuseren: Medische apparaten bieden visuele weergaven van vitale tekenen via fysiologische streams zoals een electrocardiogram (ECG), hartslag, zuurstofverzadiging bloed (SpO2), en ademhalingssnelheid. Elektronische gezondheidsdossierinitiatieven over de hele wereld creëren meer bronnen van medische data. Levensbedreigende condities zoals nosocomiale infectie, pneumothorax, intraventriculaire bloeding, en periventriculaire leukomalacie kunnen gedetecteerd worden met analytics die verschillende databronnen fusen.

Hoogst gepersonaliseerde zorg leveren: Tekenen eerder detecteren om patiëntenresultaten te verbeteren en verblijfduur te verkorten. Geautomatiseerde of clinicus-gedreven kennisontdekking om nieuwe relaties te identificeren tussen datastream-gebeurtenissen en medische condities.

Proactieve behandeling ondersteunen: Een profiel bouwen voor elke patiënt gebaseerd op gepersonaliseerde datastreams en continue inzichten ontvangen

Conclusie

Eenvoudig gezegd, het realtime potentieel voor analytics om een verscheidenheid aan uitdagingen in de gezondheidszorgindustrie vandaag te verlichten is enorm. Met alle vooruitgang die gemaakt is in de creatie van nieuwe technologie om gezondheidszorg in de volgende generatie patiëntenervaring te katapulteren, is het maar natuurlijk dat de implementatie van realtime analytics voor vroege medische diagnose, medische fraude, en andere toepassingen zal volgen.