ตัวอย่างการใช้ Data Science เพื่อเพิ่มประสิทธิภาพการให้บริการทางการแพทย์

ในโรงพยาบาลและองค์กรสาธารณสุขมีการเก็บข้อมูลที่มีขนาดใหญ่จำนวนมหาศาลและสามารถนำมาใช้ให้เกิดประโยชน์ได้มากมาย การทำ analytics ที่ถูกวิธีจะช่วยให้ได้ insight ที่ช่วยให้แพทย์หรือผู้ปฏิบัติการตัดสินใจได้แม่นยำยิ่งขึ้น ทำให้การรักษามีประสิทธิภาพและมีคุณภาพมากขึ้น 
การใช้ Data Analytics นั้นมีอยู่หลายระดับ ซึ่งแต่ละระดับก็ให้ผลลัพท์ที่แตกต่างกันออกไปแล้วแต่จุดประสงค์ของการใช้งาน แบ่งได้เป็น 4 ระดับดังนี้ 
1. Descriptive ทำให้เข้าใจ“What happened?”
คือ การอธิบายสิ่งที่เกิดขึ้น  
2. Diagnostic ทำให้เข้าใจ“Why did it happen?”
คือ การวินิจฉัยถึงสาเหตุที่เกิดขึ้น 
3. Predictive ทำให้เข้าใจ“What will happen?”
คือ การคาดการณ์สิ่งที่จะเกิดขึ้น 
4. Prescriptive ทำให้เข้าใจ“What should I do?”
คือ สิ่งที่ต้องตัดสินใจและสิ่งที่ควรทำต่อไปคืออะไร

วันนี้ทางทีมเพอเซ็ปทราจะยกตัวอย่างการใช้ Data Analytics เพื่อช่วยเพิ่มประสิทธิภาพในการรักษาคนไข้ ทำนายโอกาสที่คนไข้จะเป็นโรคเรื้อรัง (Risk scoring for chronic diseases)

1.ทำนายโอกาสที่คนไข้จะเป็นโรคเรื้อรัง (Risk scoring for chronic diseases)
โรคเรื้อรังเป็นโรคที่รักษายากและมีค่าใช้จ่ายสูงในการรักษา แต่อาจจะสามารถป้องกันได้ถ้ารู้แต่เนิ่นๆ ว่าประชากรกลุ่มไหนมักจะเป็นกลุ่มเสี่ยง โรคเรื้อรังที่พบบ่อยและเป็นสาเหตุการตายอันดับต้นๆ ได้แก่ โรคหัวใจ โรคเส้นเลือดในสมองแตก โรคมะเร็ง โรคอ้วน และโรคเบาหวาน 
หากโรงพยาบาลหรือหน่วยงานสาธารณสุขสามารถที่จะทำนายได้ตั้งแต่เนิ่นๆว่าใครมีโอกาสเป็นโรคเรื้อรังเหล่านี้ก็จะสามารถใช้คะแนนความเสี่ยงเหล่านี้ในการออกแบบ intervention strategy ที่ได้ผล
ข้อมูลที่ใช้ในการทำนายได้แก่ ผลการตรวจเลือดสม่ำเสมอ ข้อมูล biometric ข้อมูลการเคลมประกัน ข้อมูลสุขภาพของผู้ป่วย และข้อมูลปัจจัยเสี่ยงทางสังคมอื่นๆ

2. ทำนายโอกาสที่คนไข้จะอาการทรุดลง หรือจะต้องกลับมาแอดมิตใหม่ (Predicting patient’s deterioration and re-admission)
การที่คนไข้เจอภาวะแทรกซ้อนที่ทำให้อาการทรุดลงอย่างกระทันหัน หรือแม้แต่คนไข้ที่อาการเหมือนจะดีขึ้นได้รับการดิสชาร์จกลับบ้านไปแล้วแต่กลับพบว่าอาการทรุดลงจนต้องกลับเข้ามาแอดมิตใหม่ นอกจากจะเพิ่มความเครียดให้กับผู้ป่วยและญาติมิตรแล้วยังไม่เป็นผลดีต่อชื่อเสียงของโรงพยาบาล อีกทั้งค่าใช้จ่ายในการดูแลผู้ป่วยอาจจะสูงขึ้นเพราะการรักษาไม่ต่อเนื่องและไม่มีประสิทธิภาพ
ปัจจุบันมีวิธี Predictive Analytics ที่จะช่วยให้แพทย์สามารถทำนายเหตุการณ์เหล่านี้ล่วงหน้าได้ เช่นการทำนายภาวะการติดเชื้อในกระแสเลือด การทำนายภาวะไตวาย หรือแม้แต่การทำนายโอกาสที่คนไข้จะต้องเข้ามาแอดมิตใหม่ภายใน 20 วัน
การทำ Analytics จะช่วยให้เข้าใจถึง factor ที่มีความเสี่ยงต่อการกลับมา admit ที่โรงพบาลอีกครั้งของผู้ป่วย และช่วยให้โรงพยาบาลสามารถคาดการณ์ผู้ป่วยที่มีความเสี่ยงต่อการกลับมา admit อีกครั้งเพื่อเตรียมแผนการป้องกันและกับรับมือได้อย่างมีประสิทธิภาพ

3. ทำนายโอกาสที่คนไข้จะไม่มาตามที่หมอนัด (Forestalling appointment no-shows)
ในแต่ละวันโรงพยาบาลจะประสบปัญหาผู้ป่วยที่นัดไว้แต่ไม่ได้มาตามนัด ทำให้โรงพยาบาลสูญเสียเวลารายได้ในส่วนนี้ และเสียโอกาสในการนัดหมายผู้ป่วยคนอื่นทำให้การรักษาล่าช้าขึ้นไปอีก ซึ่งถ้าโรงพยาบาลสามารถ predict ได้ว่าผู้ป่วยคนไหนมีโอกาสที่จะไม่มาตามนัดก็สามารถที่จะส่งข้อความเตือน หรือให้ข้อเสนอในการนัดหมายเวลาใหม่ หรือเสนอบริการอื่นๆ ที่อำนวยความสะดวกต่อผู้ป่วยในการเดินทาง หรือให้ทางเลือกในการโทรพูดคุยกับแพทย์โดยไม่ต้องมาที่โรงพยาบาลได้

4. ทำนายจำนวนผู้ป่วยที่เข้ารับการตรวจรักษาแต่ละช่วงเวลาและแผนก (Predicting patient utilization patterns)
การทำ Analytic เพื่อเข้าใจ pattern ของการเข้ารับบริการของผู้ป่วย จะช่วยให้โรงพยาบาลสามารถบริหารจัดการทีมแพทย์และพยาบาลให้เหมาะสมกับจำนวนผู้ป่วยที่เข้ารับการรักษาตามช่วงเวลาเช่นแผนกฉุกเฉินของโรงพยาบาลที่จะต้องมีพนักงานอยู่ประจำตลอดเวลาเพื่อให้บริการผู้ป่วย แต่จำนวนของพนักงานอาจจะเพิ่มขึ้นหรือลดลงได้ แล้วแต่จำนวนของผู้ป่วยที่เข้ามา หรือจำนวนแพทย์ที่ออกตรวจผู้ป่วยนอก อาจจะปรับให้มีจำนวนมากหรือน้อย ในแต่ละช่วงเวลาได้ 

Predictive Analytics สามารถช่วยทำนายผู้ป่วยในแต่ละแผนกและช่วงเวลาได้ และยังช่วยจัดตารางนัดแบบประสิทธิภาพสูงสุด โดยกระจายให้ผู้ป่วยเข้ามาในช่วงที่มีคนไข้น้อย ช่วยลดปัญหาความแออัดของโรงพยาบาลในช่วงเวลาพีคและเพิ่มความพึงพอใจต่อผู้ใช้บริการโรงพยาบาลอีกด้วย

ในต่างประเทศโรงพยาบาลใช้ data visualization เพื่อดูการเคลื่อนไหวของผู้ป่วยไปยังแผนกต่างๆ อีกทั้งยังติดตามการกระจุกตัวของผู้ป่วยที่แผนกใดแผนกหนึ่ง และระยะเวลาเฉลี่ยในการรอแต่ละแผนก ซึ่งทั้งหมดนี้ล้วนแล้วแต่เป็น insights ที่สำคัญที่สามารถทำให้การบริหารจัดการ ในหลายกรณีการเลื่อนเวลาเปิดบริการแผนกใดแผนกหนึ่งในช่วง peak time อาจจะส่งผลให้การบริการทั่วไปเร็วขึ้นได้อย่างเห็นได้ชัด

Reference: 
https://healthitanalytics.com/news/10-high-value-use-cases-for-predictive-analytics-in-healthcare
https://mobisoftinfotech.com/resources/blog/data-science-in-healthcare-use-cases/
https://www.medicalnewstoday.com/articles/316416.php#1


Leave a Reply

Your email address will not be published. Required fields are marked *