Gesundheitsmanagement für die Bevölkerung

Patientenergebnisse verbessern und Kosten minimieren

Ein effektives Management der Gesundheitsversorgung der Bevölkerung (Population Healthcare Management, PHM) bietet viele Vorteile für Gesundheitssysteme, Ärzte, Patienten, Gemeinden und Kostenträger. Es kann dazu beitragen, die Gesundheitsergebnisse zu verbessern, das Patientenerlebnis zu steigern, gesundheitliche Benachteiligungen zu verringern, Ineffizienzen und Versorgungslücken zu erkennen und die Versorgungskosten zu kontrollieren. Um effektiv zu sein, benötigt PHM jedoch Zugang zu riesigen Mengen präziser Daten aus verschiedenen Quellen, die nahezu in Echtzeit zur Verfügung stehen, die Tools, um unterschiedliche Datensätze miteinander zu verknüpfen und diese Daten zu nutzen, um verwertbare Erkenntnisse zu gewinnen, und die Sicherheitsvorkehrungen, um zu gewährleisten, dass die Daten jederzeit sicher bleiben.

Um diese Herausforderungen zu meistern und effektive PHM-Strategien zu unterstützen, brauchen Gesundheitssysteme eine Datenplattform, die mit einem Data Lakehouse Erkenntnisse aus Admin-, Omik-, klinischen und betrieblichen Systemen erfassen, speichern, verwalten und ableiten kann. Die Infrastruktur der Plattform muss über einen soliden Rahmen für die Informationsverwaltung verfügen, der einen Opt-out-Standard für die Bürger sowie Interoperabilitäts-, Daten- und Cybersicherheitsstandards umfasst. Die Plattform muss außerdem erweiterte Analysen, maschinelles Lernen und kognitive Analysen bereitstellen, die für die Entwicklung effektiver, robuster Methoden zur Risikostratifizierung und für die Überwachung der Gesundheit der Bevölkerung im Laufe der Zeit unerlässlich sind. Mit der Fähigkeit, Patientendaten, die über zahlreiche Gesundheitsinformationssysteme verteilt sind, in einem einzigen Datensatz zu konsolidieren, können Gesundheitsteams umsetzbare Erkenntnisse gewinnen, die die Patientenergebnisse verbessern und gleichzeitig die Kosten für Patienten, Anbieter und Kostenträger senken.

Alle Daten nutzen

Neue Ansätze sind erforderlich, um die aktuellen Versorgungsbedürfnisse zu erkennen und vorherzusagen, was Patienten in Zukunft brauchen werden. Die folgende Architektur zeigt, wie Oracle Data Platform zur Unterstützung des Gesundheitsmanagements in der Bevölkerung entwickelt wurde, indem es Daten erfasst, speichert, kuratiert und analysiert, um die Anforderungen der Patienten besser zu verstehen und umsetzbare Erkenntnisse bereitzustellen.

Es gibt im Wesentlichen drei Möglichkeiten, Daten in eine Architektur einzubringen, die es Gesundheitsorganisationen erlaubt, ihre Patienten optimal zu verstehen.

• Um Patienten zu verstehen, muss man unbedingt ihre Krankenakte kennen. Um dies zu erreichen, müssen die Gesundheitseinrichtungen alle ihre Aufnahme- und Überweisungsdaten aus den verschiedenen Informationssystemen des Gesundheitswesens beziehen. Diese Daten können mit Patientendaten aus Drittquellen angereichert werden, z. B. mit unstrukturierten Daten aus sozialen Medien usw. Häufige Echtzeit- oder Beinahe-Echtzeitextrakte, für die eine Datenänderungserfassung erforderlich ist, sind gängig, und die Daten werden über OCI GoldenGate regelmäßig aus den operativen Systemen für die Aufnahme und Entlassung übernommen. OCI GoldenGate ist zudem eine entscheidende Komponente der sich entwickelnden Data-Mesh-Architekturen, bei denen „Datenprodukte“ die zentralen Datenobjekte sind.
• Wir können jetzt Streaming-Daten von medizinischen Geräten hinzufügen, die in Echtzeit über einen Streaming-Dienst/Kafka aufgenommen werden. Dazu gehören nicht nur die Daten aller Geräte und Monitore, die ein Patient unter direkter Beobachtung seines Arztes trägt, sondern auch die Daten aller persönlichen Wearables, die ein Patient verwendet und die dem Pflegeteam helfen können, seine Symptome und seinen Lebensstil besser zu verstehen, während er sich außerhalb des Behandlungszentrums befindet. Diese gestreamten Daten (-Ereignisse) werden mit einigen grundlegenden Transformationen/Aggregationen aufgenommen, die vor der Speicherung im Cloud-Speicher stattfinden.
• Auch wenn sich die Echtzeitanforderungen weiterentwickeln, ist die häufigste Extraktion aus Gesundheitssystemen eine Art Batch-Ingestion mit einem Extraktions-, Lade- und Transformations- oder Extraktions-, Transformations- und Ladeprozess. Mit der Batch-Ingestion werden Daten aus Systemen importiert, die das Datenstreaming nicht unterstützen können (z.B. ältere Mainframesysteme). Um ein ganzheitliches Bild von jedem Patienten zu erhalten, brauchen wir auch Daten aus operativen Systemen, wie z. B. Abrechnungssystemen, und Daten, die über das FHIR-Protokoll (Fast Healthcare Interoperability Resources) aus elektronischen Krankenakten oder elektronischen Gesundheitsaktenanwendungen eingehen. Die Daten stammen aus verschiedenen Produkten und Regionen. Aufnahmen können zwar häufig erfolgen, bis zu alle 10 oder 15 Minuten, sind aber immer noch von Natur aus umfangreich. Es werden Gruppen von Datensätzen extrahiert und verarbeitet, nicht einzelne Transaktionen.

Die Datenpersistenz und die Verarbeitungsoptionen für gesammelte Daten basieren auf drei (optional vier) Komponenten.

• Aufgenommene Rohdaten werden im Cloud-Speicher für die Batchverarbeitung gespeichert. Dabei werden die erforderlichen Bereinigungen, Anreicherungen usw. ausgeführt, um die Daten in den erforderlichen Status zu versetzen, der von nachgelagerten Benutzern verwendet werden muss – also Personen, Anwendungen oder Plattformen für maschinelles Lernen. Obwohl einige Daten direkt im dienenden Datenspeicher abgelegt werden können, werden diese Daten gleichzeitig auch im Cloud-Speicher abgelegt. Diese Daten werden mit Spark verarbeitet. Die Verarbeitung kann direkt mit OCI Data Flow oder als Teil einer größeren Pipeline mit den Orchestrierungsfunktionen in OCI Data Integration durchgeführt werden. Die verarbeiteten Datensätze werden an den Cloud-Speicher zurückgegeben, wo sie weiter aufbewahrt, kuratiert und analysiert und schließlich in optimierter Form in den dienenden Datenspeicher geladen werden. Je nach Architekturvoreinstellung kann das auch mit Oracle Big Data Service als verwaltetes Hadoop-Cluster erfolgen.
• Wir haben jetzt verarbeitete Datensätze erstellt, die in optimierter relationaler Form dauerhaft gespeichert werden können, um die Verwaltungs- und Abfrageperformance im dienenden Datenspeicher zu gewährleisten. So kann das medizinische Personal besser auf die Bedürfnisse der Patienten eingehen, ohne dass diese stationär aufgenommen oder wieder eingewiesen werden müssen.

Der Analyseteil basiert auf zwei Technologien.

• Die Analyse- und Visualisierungsservices bieten deskriptive Analysen (Beschreibung aktueller Trends mit Histogrammen und Diagrammen), prädiktive Analysen (Vorhersage zukünftiger Ereignisse, Ermittlung von Trends und Bestimmung der Wahrscheinlichkeiten ungewisser Ergebnisse) und präskriptive Analysen (Vorschläge für geeignete Maßnahmen, die zu einer optimalen Entscheidungsfindung führen). Gemeinsam können sie den Patientenbedarf vorhersagen und geeignete Maßnahmen anbieten. Beispielsweise können Analysen vorhersagen, ob ein Cluster von Patienten eines bestimmten Alters, die in einem bestimmten Gebiet leben, unterschiedlichen Umweltauswirkungen ausgesetzt sind und denen eine bestimmte Kombination von Behandlungen verschrieben wurde, eine bestimmte chronische Krankheit entwickeln könnte.
• Neben dem Einsatz von erweiterten Analysen werden auch Modelle für maschinelles Lernen entwickelt, trainiert und bereitgestellt. Auf diese Modelle kann über APIs zugegriffen werden, die im bereitstellenden Datenspeicher bereitgestellt oder als Teil der Streaming-Analyse-Pipeline von OCI GoldenGate eingebettet werden.
• Unsere kuratierten, getesteten und qualitativ hochwertigen Daten und Modelle können Governance-Regeln und -Richtlinien anwenden und als „Datenprodukt“ (API) innerhalb einer Data-Mesh-Architektur für die Verteilung im Gesundheitswesen verfügbar gemacht werden.

Die Komplexität und die Kosten der Verwaltung des Gesundheitswesens mit der richtigen Datenplattform reduzieren

Mit der richtigen Datenplattform können Gesundheitsorganisationen den größtmöglichen Nutzen aus allen verfügbaren Daten ziehen, um besser abgestimmte, kosteneffizientere und nachhaltige Gesundheitsdienstleistungen bereitzustellen. Dazu gehören maßgeschneiderte Versorgungspläne und Unterstützung für den Einzelnen, einschließlich frühzeitiger und proaktiver Maßnahmen wie routinemäßige Vorsorgeuntersuchungen, die die Gesundheitsergebnisse sowie das Engagement und die Zufriedenheit der Patienten verbessern können.