Прогнозная аналитика и будущее здравоохранения

Корпорация Intel создает основу для платформ обработки больших данных и искусственного интеллекта, чтобы развивать аналитику в области здравоохранения.

Преимущества прогнозной аналитики в здравоохранении:

  • Прогнозные модели могут помочь поддерживать здоровье пациентов, позволяя определять необходимость оказания неотложной помощи или вероятность развития серьезных проблем со здоровьем до их появления.

  • Благодаря определению тех пациентов, которым может потребоваться повторная госпитализация, прогнозная аналитика помогает поставщикам медицинских услуг дополнительно предоставлять непосредственную помощь, когда и где это нужно.

  • Больницы могут планировать, как использовать ресурсы более эффективно при прогнозировании продолжительности госпитализации пациентов.

BUILT IN - ARTICLE INTRO SECOND COMPONENT

Прогнозная аналитика помогает медицинским организациям повысить эффективность лечения пациентов, улучшить его результаты, а также сократить расходы с помощью прогнозирования того, когда, где и как следует оказывать помощь. Технологии Intel® обеспечивают высокопроизводительную основу для новейших платформ, созданных для работы с большими данными, и моделей искусственного интеллекта, которые помогают врачам выполнять диагностику и повышать эффективность лечения.

Растущие расходы, старение населения и увеличение числа хронических заболеваний приводят к трансформации отрасли здравоохранения. К 2030 году глобальные расходы на здравоохранение, как ожидается, достигнут беспрецедентного уровня в 18,3 трлн долларов США.1 Вследствие появления этих тенденций уже сегодня используются модели оплаты, в основе которых лежат результаты и эффективность лечения, а не его объем.

Прогнозная аналитика помогает организациям в области здравоохранения перенять эти новые модели, одновременно способствуя повышению эффективности лечения пациентов и улучшению его результатов. Начиная с прогнозирования критических состояний, таких как септический шок или сердечная недостаточность, и заканчивая предотвращением повторной госпитализации, новейшие достижения в области аналитики больших данных и искусственного интеллекта позволяют внедрять новые решения для прогнозной аналитики, которые позволяют врачам улучшить результаты лечения и сократить расходы.

Использование данных для прогнозной аналитики в области здравоохранения

Здравоохранение переходит на цифровые технологии, создавая массивные наборы новых данных. Эти технологии включает в себя системы электронных медицинских карт, информацию о пользе для здоровья, рентгенологические снимки и результаты лабораторных исследований. В ближайшем будущем данные геномики также значительно возрастут в объеме.

Новые данные также генерируются растущим количеством медицинских устройств на периферии, в том числе носимыми и регистрирующими устройствами для пациентов. Вне клинической обстановки пациенты генерируют квазиданные о состоянии здоровья с помощью персональных носимых устройств, фитнес-браслетов и приложений для контроля состояния здоровья.

Используя данные из этих источников, поставщики медицинских услуг могут внедрять новые решения в прогнозную аналитику для выполнения медицинской диагностики, прогнозного моделирования с целью оценки рисков для здоровья и даже получения предписывающей аналитики для прецизионной медицины.

Однако для преобразования данных в клинические результаты требуется основа в виде аппаратного и программного обеспечения, предназначенного для извлечения ценных выводов из разрозненных наборов данных. В ходе одного из исследований было установлено, что более половины организаций в области здравоохранения не обладают комплексным планом по управлению данными.2 В результате значительная часть данных в области здравоохранения остается неиспользованной.

Благодаря набору технологий, предназначенных для эффективного перемещения, хранения и обработки данных, мощных платформ для работы с большими данными и использованию моделей искусственного интеллекта, корпорация Intel и наши партнеры взаимодействуют с медицинскими организациями для применения прогнозной аналитики на практике.

Прогнозная аналитика на базе платформы для работы с большими данными с процессорами Intel® Xeon™ позволила крупной сети медицинских учреждений сэкономить 120 млн долларов США за год.

Преимущества прогнозного моделирования в здравоохранении

Прогнозная аналитика стала ключевым элементом любой стратегии аналитики в области здравоохранения. Сегодня это критически важный инструмент для оценки, объединения и осмысления поведенческих, психосоциальных и биометрических данных, которые до недавнего времени было невозможно или чрезвычайно сложно получить.

Прогнозная аналитика позволит поставщикам медицинских услуг в нужный момент предоставлять соответствующее лечение индивидуально для каждого пациента. В более широком масштабе она может позволить медицинским организациям выявлять и оценивать большие тенденции, что приведет к совершенствованию стратегий здравоохранения.

Например, исследователи разработали модель распространения вируса Эбола с помощью аналитики больших данных и массивных объемов данных, в том числе информации из социальных сетей и поисковых систем. Люди, которые могли заразиться вирусом Эбола, могут указывать свои симптомы в мобильном приложении. Оно использует географические координаты для проверки того, находились ли они вблизи одной из общин, где были выявлены случаи заболевания этим вирусом.3

Прогнозная аналитика не только может повысить эффективность лечения, но и существенно сократить расходы. Например, более точные модели прогнозирования госпитализации пациентов и показатели повторной госпитализации позволяют больницам избегать штрафов и сокращать эксплуатационные расходы. Используя электронный медицинские карты и прогнозную аналитику, поставщики медицинских услуг могут выявлять пациентов, которые с большой вероятностью забудут прийти к врачу на прием. После выявления таких пациентов им можно отправить напоминание или использовать другой способ, чтобы они об этом не забыли.

Огромный потенциал прогнозной аналитики заключается в выявлении пациентов, подверженных риску хронических заболеваний, разработке передовых практических методов на основе фактических данных, а также активном устранении потенциальных препятствий на пути осуществления плана лечения. Данные могут помочь врачам оставаться на один шаг впереди событий, предоставляя упреждающее лечение пациентам, прежде чем состояние их здоровья станет критическим.

Примеры прогнозной аналитики в здравоохранении

Сегодня организации в области здравоохранения и поставщики медицинских услуг изучают разные способы использования платформ для работы с большими данными и искусственного интеллекта для получения прогнозной аналитики. Эти решения помогают медицинским организациям перейти от простого использования данных для оценки уже произошедших событий к надежному прогнозированию событий будущего.

Ускорение лечения пациентов в критическом состоянии

Корпорация Intel и компания Penn Medicine создали платформу для совместной работы с данными, чтобы помочь спрогнозировать и предотвратить две наиболее распространенные и связанные с большими издержками проблемы в больницах: сепсис и сердечная недостаточность.

С помощью прогнозной модели удалось выявить около 85% случаев сепсиса (по сравнению с 50% ранее) за 30 часов до появления признаков септического шока (по сравнению с двумя часами при использовании традиционных методов).4 Также с ее помощью удалось выявить от 20 до 30 процентов больных с сердечной недостаточностью, не определенных ранее.5 Эти усилия позволили врачам быстрее предоставить лечение, сократить время выздоровления и сэкономить ресурсы больницы.

Прогнозирование продолжительности госпитализации

Корпорация Intel и компания Cloudera помогли крупной сети больниц использовать прогнозную аналитику, чтобы повысить точность прогнозирования продолжительности госпитализации. Платформа для работы с большими данными на базе кластеров процессоров Intel® Xeon® позволила сети больниц использовать несвязанные, неструктурированные и полуструктурированные данные.

Благодаря возможности более эффективного планирования и поиска персонала сеть больниц сэкономила 120 млн долларов США за год (примерно 12 000 долларов США на пациента) и увеличила использование ресурсов на 5 процентов, что позволило ей ежегодно обслуживать дополнительно 10 000 пациентов.6

Сокращение случаев повторной госпитализации

В рамках другой работы корпорация Intel и компания Cloudera использовали социально-экономические данные, электронные медицинские карты и прогнозную аналитику, чтобы помочь сети больниц выявлять пациентов с высоким риском повторной госпитализации во время постановки диагноза. Сотрудники больницы затем смогут предоставлять им дополнительное лечение для снижения количества случаев повторной госпитализации.

Платформа для работы с большими данными на базе процессоров Intel® Xeon® позволила сети больниц сократить количество случаев повторной госпитализации на 6 000, избежать потенциальных штрафов на сумму 4 млн долларов США в рамках программы Medicare и сэкономить около 72 млн долларов США за год на предоставлении медицинских услуг.7

Оценка потенциала искусственного интеллекта

Корпорация Intel стремится использовать искусственный интеллект, чтобы помочь организациям в области здравоохранения и поставщикам медицинских услуг бороться с заболеваниями и персонализировать лечение. От спонсирования конкурса по улучшению точности онкологического скрининга до множества решений для искусственного интеллекта в области здравоохранения и медико-биологической промышленности на базе технологий Intel® корпорация Intel помогает медицинским организациям найти правильные технологии для развертывания прогнозной аналитики.

Определение пациентов с риском ухудшения состояния здоровья

Сеть медицинских учреждений Sharp HealthCare использовала технологии корпорации Intel и компании Cloudera для успешного развертывания прогнозной модели клинической аналитики. Чтобы выявить пациентов, которым в ближайший час может понадобиться скорая помощь, в модели использовали машинное обучение и данные из системы электронных медицинских карт больниц.

Модель продемонстрировала 80% точность при прогнозировании вероятности явления в течение часа.8 Это позволило бригадам скорой помощи предупреждать возникновение явлений, повысить эффективность лечения и сократить соответствующе затраты, а также улучшить использование ресурсов.

Корпорация Intel помогает врачам с помощью прогнозной аналитики

Создавая технологическую основу для искусственного интеллекта и платформ для работы с большими данными, корпорация Intel и наша экосистема партнеров помогают поставщикам медицинских услуг задействовать огромное количество данных о пациентах и их здоровье, которые раньше не использовались. Полученные в результате решения могут помочь поставщикам медицинских услуг повысить безопасность пациентов и эффективность работы и, что самое главное, улучшить результаты лечения.

Уведомления и отказ от ответственности

Программное обеспечение и рабочие нагрузки, используемые в тестах производительности, могли быть оптимизированы только для микропроцессоров Intel®.

Тесты производительности, в том числе SYSmark и MobileMark, проводятся с использованием определенных компьютерных систем, компонентов, программного обеспечения, операций и функций. Любые изменения этих параметров могут привести к изменению конечных результатов. При принятии решения о покупке следует обращаться к другим источникам информации и тестам производительности, в том числе к информации о производительности этой продукции по сравнению с другой продукцией. Подробная информация: www.intel.ru/benchmarks.

Результаты тестов производительности основаны на тестировании по состоянию на момент времени, указанный в конфигурации, и могут не отражать всех общедоступных обновлений безопасности. Подробная информация представлена в описании конфигурации. Ни один продукт или компонент не может обеспечить абсолютную защиту.

Информация о продукте и производительности

1Healthcare Disrupted: Next Generation Business Models and Strategies, Джефф Элтон (Jeff Felton) и Энн О'риордан (Anne O’Riordan).
3 “Modeling Ebola Spread Using Big Data Analytics,” 2016 г., iucrc.org/node/modeling-ebola-spread-using-big-data-analytics.
6“Intel and Cloudera Help a Large Hospital Group Allocate Resources by Predicting Patient Length-of-Stay,” https://www.intel.ru/content/www/ru/ru/healthcare-it/solutions/documents/large-hospital-group-allocate-resources-by-predicting-length-of-stay-study.html.
7“Intel and Cloudera Use Predictive Analytics to Help a Large Hospital Group Reduce Readmission Rates,” https://www.intel.ru/content/www/ru/ru/healthcare-it/solutions/documents/predictive-analytics-reduce-hospital-readmission-rates-white-paper.html.