Исследователи используют ИИ для анализа удовлетворенности пациентов - Производство ЭКОтехнологии

Исследователи используют ИИ для анализа удовлетворенности пациентов

Удовлетворенность пациента может определять вероятность того, что пациент вернется для дальнейшего лечения, вероятность выполнения инструкций по выписке и общее состояние здоровья, но, согласно исследованию Пенсильванского университета, искусственный интеллект (ИИ) может улучшить удовлетворенность и улучшить состояние здоровья. команда.

В сотрудничестве с Geisinger исследователи применили ИИ к алгоритмам машинного обучения, чтобы выработать полезные рекомендации на основе исторических данных о состоянии здоровья, документирующих, почему пациенты покидают больницу, чувствуя себя довольными или неудовлетворенными. Исследование было опубликовано в Журнале биомедицинской и медицинской информатики Института инженеров электроники и электроники.

В состав команды входили ведущий автор Нин Лю, получившая осенью 2019 года докторскую степень в области промышленного проектирования в Пенсильвании, а также нынешний аналитик данных в Microsoft; Саундар Кумара, профессор промышленной инженерии Аллена Э. Пирса и Аллена М. Пирса и научный руководитель Лю; и Эрик С. Райх, директор по бизнес-аналитике и передовой аналитике Института инноваций в области здравоохранения Гейзингера Стила. Райх также является выпускником Университета Пенсильвании, получил степень бакалавра экономических наук в Бизнес-колледже Смила в 2002 году и получил диплом с отличием Schreyer.

«Забота о здоровье пациентов – это как путешествие», – сказал Лю. «Им необходимо взаимодействовать с несколькими специалистами в области здравоохранения из разных служб на протяжении всего срока пребывания. Для поставщиков медицинских услуг важно понимать потребности каждой группы пациентов, например тех, кто получает хирургическое вмешательство, лечение рака или неотложные визиты. Мы хотели знать, что это такое. наиболее важно для каждой группы, и как мы интерпретируем это на основе полученных данных? ”

Набор анонимных данных об удовлетворенности пациентов, использованный в исследовании, был собран в период с 2009 по 2016 год. Набор данных содержал данные электронных медицинских карт, охватывающие различные точки зрения больничных услуг и клиническую информацию, а также результаты опроса удовлетворенности пациентов, в котором задавались вопросы о стационарном лечении. услуги и степень удовлетворенности, которую они чувствовали после ухода. Разработанная исследователями структура машинного обучения преобразует необработанные данные в информацию, которая может быть интерпретирована ИИ и передана пользователям-людям как полезные, действенные элементы.

Результаты показали, что переменные, связанные с вежливостью и уважением медсестер и врачей, а также общением между медицинскими работниками и пациентами, значительно повлияли на общий опыт пациентов в больнице. По мнению исследователей, оперативность и готовность помочь в решении проблем или жалоб пациентов были наиболее важным компонентом в ориентированном на пациента общении и в значительной степени были связаны с повышением степени удовлетворенности пациентов. Качество обезболивания также имело решающее значение для удовлетворения: пациенты, получающие активную и эффективную помощь по поводу боли, в целом были более удовлетворены.

«Ключевым показателем эффективности больниц является удовлетворенность пациентов», – сказал Кумара. «Таким образом, возникает вопрос: как мы анализируем и объясняем, почему пациенты оценивают больницу так, как они это делают?» В контексте больниц интерпретируемость данных становится критически важной. Основное влияние на эту работу оказывают модели искусственного интеллекта, которые мы разработали для интерпретации результатов методологий машинного обучения. Эта работа – одна из первых в этой сфере ».

Лю объяснил, что многие системы машинного обучения предоставляют результаты без объяснения того, как они выводили свои ответы. Для этого исследования предложенный метод обеспечил интерпретацию данных и результатов модели, что позволило другим лучше понять полученные результаты и доверять им.

По мнению исследователей, высокая интерпретируемость предложенной модели потенциально делает ее полезной для различных отраслей, а не только для здравоохранения.

«Если вы подаете заявку на получение кредитной карты и получаете отказ, компания, выпускающая кредитные карты, должна объяснить вам, почему», – сказал Лю. «Для нашей модели она должна рассказать нам, как она получила свой ответ. Это облегчает другим понимание данных, что делает ее мощным инструментом для больниц и систем здравоохранения в целом. Это помогает им внедрять изменения для повышения удовлетворенности пациентов. на разных уровнях, сверху вниз до отдельных работников подразделения ».

Райх сказал, что удовлетворенность пациентов, как было показано, тесно связана с большей приверженностью и повышением приверженности лечению, что приводит к улучшению результатов в отношении здоровья . Он отметил, что, поощряя пациентов участвовать в их лечении и предоставляя отзывы посредством опросов пациентов, больницы смогут улучшить качество оказываемой ими помощи.

«Я думаю, что эта работа стимулирует дальнейшие исследования в области удовлетворенности пациентов в сочетании с передовой аналитикой», – сказал Райх. «Системы здравоохранения могут использовать эти результаты для целенаправленного улучшения удовлетворенности пациентов до такой степени, что мы знаем, заменяют ли пациенты с определенным набором характеристик свое колено, тогда мы считаем, что это три основных элемента, которые будут гарантировать пациент имеет очень положительный опыт. Выявление ключевых факторов, лежащих в основе удовлетворенности пациентов, является важным инициатором повышения качества медицинской помощи, ориентированной на пациента “.

Ссылка на основную публикацию