Аналитическое моделирование: использование больших данных для защиты маленьких пациентов

Дэниэл Тичи (Daniel Teachey), редактор SAS Insights

Жизнь хрупкого крошечного существа висит на волоске. Сотрудники отделений реанимации новорожденных (ОРН) должны быть готовы ко всему. К ним попадают недоношенные малютки весом меньше килограмма и малыши с тяжелыми заболеваниями, те, кто появился на свет всего несколько часов назад, и те, кому уже несколько месяцев.

Именно поэтому врачи, медсестры и администраторы ОРН отчаянно нуждаются в любых средствах, которые помогут им бороться за жизнь самых уязвимых и беспомощных пациентов.

Представьте, каково это, принимать решения, определяющие процесс лечения других людей. Сколько нужно коек? Сколько нужно медсестер? С чего начать, чтобы повысить качество лечения? Как улучшить результаты и одновременно с этим сократить расходы?

Раньше сотрудники ОРН действовали с высоким риском, методом проб и ошибок. Они изучали ситуацию, готовили решение и проверяли его на практике. Однако сегодня проверку можно перенести в виртуальный мир. Этот подход поддерживают многие работники сферы здравоохранения, например, неонатолог и руководитель отдела контроля качества в больницах Mission Health Крис ДеРиенцо (Chris DeRienzo).

«Вместе с SAS нам удалось создать аналитическую модель ОРН, — говорит ДеРиенцо. — Это цифровая копия реального мира: виртуальное отделение оснащено виртуальными койками и виртуальным оборудованием, в нем даже есть виртуальные медсестры. Мы собираем данные о малыше и моделируем его лечение». Используя огромные объемы данных, система моделирует весь цикл пребывания пациента в отделении, его физическое состояние, а также действия персонала.

Недавно специалисты Duke University Health System и SAS провели совместное исследование, результаты которого были опубликованы в журнале Journal of Perinatology. Они моделировали отдельные события, используя данные ОРН, чтобы спрогнозировать результаты и оценить будущие затраты. Де Риенцо присоединился к исследовательской группе во время своего обучения в университете Дьюка. Его наставником был доктор Дэвид Танака (David Tanaka), который и занимался разработкой данной модели.

«Первые 18 месяцев мы потратили на изучение данных, пытаясь выбрать самые значимые характеристики для моделирования, — говорит ДеРиенцо. — Например, мы обнаружили, что пол младенца практически не имеет значения при решении вопроса о распределении ресурсов. Однако гестационный возраст — то есть сколько недель плод находился в утробе матери до преждевременных родов — оказался, как и ожидалось, очень важным фактором».

«Мы изучили различные осложнения, которые могут развиться у ребенка во время пребывания в ОРН, — заражение крови, кровоизлияние в мозг, тяжелые поражения желудочно-кишечного тракта — и смоделировали влияние этих осложнений на тяжесть состояния ребенка, а также на общую продолжительность его пребывания в реанимации». Все эти факторы так или иначе влияют на состояние каждого из пациентов, что, в свою очередь, определяет общий объем ресурсов, необходимый ОРН для поддержания качества лечения и ухода на высоком уровне.

Моделируя разные ситуации, ДеРиенцо и его коллеги смогли оценить, как изменения графика работы персонала могут сказаться на уходе за пациентами. Например, в обычном режиме медсестра обслуживает трех пациентов. Однако при появлении критических осложнений у одного из них она должна уделить ему все свое внимание, передав двух оставшихся на попечение другим медсестрам. Возможность создать рабочую модель и оценить, насколько часто такое происходит при реализации различных сценариев в виртуальной среде, позволит ОРН оптимизировать работу персонала, чтобы подготовить его к неизбежным экстренным ситуациям и при этом обеспечить эффективную повседневную работу.

Однако польза от модели не ограничивается оптимизацией работы персонала. Учитывая, что модель охватывает всю среду, ее можно использовать для непростой оценки взаимосвязи между финансовыми вложениями, эксплуатационными показателями и результатами лечения.

В самой свежей своей публикации ДеРиенцо и его команда наглядно продемонстрировали, что общие затраты на уход за пациентом не определяются однозначно продолжительностью его пребывания в ОРН. Это может показаться странным, но результаты моделирования показали, что в ОРН, демонстрирующих самые высокие клинические результаты (то есть наименьшее количество смертей и осложнений), среднее время пребывания пациентов больше, а затраты на них меньше, чем в ОРН с самыми низкими результатами.

«По нашим оценкам, в ОРН, модель которого разработана на основе самых высоких документально подтвержденных показателей, пациенты остаются в среднем на три дня дольше, чем в отделении с самыми низкими зафиксированными результатами, — говорит ДеРиенцо. — Что самое интересное — несмотря на более длительное пребывание пациентов в отделении, годовые затраты в “лучшем" ОРН оказались на 3 млн долларов ниже.

Такой вывод имеет важнейшее значение для крупных учреждений здравоохранения, поскольку это означает, что привычное восприятие продолжительности пребывания в отделении как единственного фактора, влияющего на потребление ресурсов, вовсе не дает полного представления о реальном положении дел. Нам необходимо пересмотреть свои представления, уделив достаточно внимания клиническим результатам, от которых также зависит общий объем затрат на уход за пациентами».

Подобные результаты имеют критически важное значение для повышения качества ухода за пациентами в будущем.

«Для нас самое главное — добиться наилучшего результата для наших пациентов и их семей, а остальное приложится, — говорит ДеРиенцо. — Мне кажется, что за последующие десять лет система здравоохранения изменится до неузнаваемости, и сейчас мы находимся в эпицентре этих революционных изменений. Наш проект — всего лишь один из примеров того, как крупнейшие медицинские учреждения могут использовать инновационные инструменты аналитики, чтобы улучшить не только методы работы, но и качество предоставляемых услуг по уходу за пациентами».