Nutzung eines Healthcare Data Analytics Hub für wertorientiert Pflege

Im August letzten Jahres schrieb ich einen Blog über die Daten im Herzen des Gesundheitswesens und stellte das Konzept des Data Analytics Hub im Gesundheitswesen vor. Häufige Leser werden sich erinnern, dass ein Healthcare Data Analytics Hub eine einheitliche, Cloud Plattform bietet, die den Zugriff, die Anreicherung, die Analyse, die Visualisierung und die Berichterstellung unterstützt, um die Bereitstellung, den Betrieb und die Verwaltung des Gesundheitswesens zu automatisieren und darauf zu reagieren. Ein Data Analytics Hub für das Gesundheitswesen unterscheidet sich von seinen Vorgängern - DataWarehouses, Data Lakes und Data Hubs - dadurch,dass er die Tools bereitstellt, um Daten aus unterschiedlichen Quellen, von denen viele außerhalb des Unternehmens liegen, und aus internen Quellen, die oft nach Abteilungen im Silo sind (z. B. Systeme von Allscripts, Epic und vielen anderen), in Erkenntnisse umzuwandeln, die für eine Reihe von funktionalen Rollen außerhalb der IT-Abteilung innerhalb des Unternehmens und auch außerhalb des Unternehmens bestimmt sind. Die folgende Abbildung zeigt eine konzeptionelle Darstellung des Data Analytics Hub im Gesundheitswesen.

Warum braucht das Gesundheitswesen dies wirklich? Weil die Umstellung von einem kostenpflichtigen auf ein wertorientiert Versorgungsmodell Erkenntnisse erfordert, die ohne die Effizienzgewinne, die nur durch die Zusammenführung verschiedener und unterschiedlicher klinischer, finanzieller und betrieblicher Daten aus dem gesamten Unternehmen sowie von außerhalb des Unternehmens möglich sind, viel schwieriger zu gewinnen sind. Und ohne diese Erkenntnisse sind die Verbesserung der Ergebnisse und die betriebliche Effizienz, die eine wertorientiert Versorgung verspricht, selbst schwieriger und kostspieliger zu erreichen. Dies ist nur mit einem Data Analytics Hub im Gesundheitswesen möglich.

Die Lücke bei Daten, Wissen und Erkenntnissen im Gesundheitswesen

Die Fachkräfte im Gesundheitswesen denken und arbeiten heute anders als noch vor 20 Jahren. Vorbei sind die Zeiten, in denen Pflegekräfte, Verwaltungsangestellte von Gesundheitsdienstleistern, Versicherungsvertreter, Schadensmanager, Schadensregulierer und andere ausschließlich mit einem Berg von Papierformularen und Berichten zu tun hatten. Die Anforderungen an die digitale Kompetenz haben sich dramatisch verändert. Schauen Sie sich die durchschnittlichen Stellenanforderungen an, die z. B. für einen Manager eines Anbieternetzes ausgeschrieben sind. Sie werden oft feststellen, dass sie SQL fließend beherrschen und in der Lage sein müssen, Daten mit business intelligence (BI)-Tools wie Looker und Tableau zu bearbeiten, zu analysieren und zu visualisieren. Es ist nicht so, dass sie alle ihre Excel-Tabellen aufgegeben haben; es ist einfach so, dass die Anforderungen des Jobs umfangreicher geworden sind. Andernorts im Unternehmen verwenden Kliniker und Geschäftsanalysten vielleicht JavaScript für die Modellierung; Versicherungsmathematiker verwenden vielleicht Python und Plotly. Das Problem ist jedoch, dass sie zwar wissen, wie man anspruchsvolle Analysen durchführt, aber nur selten wissen sie, wie sie auf die unterschiedlichen Datensätze zugreifen oder diese anreichern können, auf denen sie ihre Analysen durchführen wollen. Sie verfügen über viele der erforderlichen Fähigkeiten, um einen echten Mehrwert zu schaffen, aber ihre Fähigkeit, Mehrwert zu schaffen, hängt von ihrer Fähigkeit ab, auf digitale Daten zuzugreifen.

Und genau das ist der Knackpunkt: der Zugriff auf die Daten. In vielen Unternehmen stellt allein die Autorisierung eine große Hürde für den Datenzugriff dar. Da die verschiedenen Datensätze im Besitz unterschiedlicher Datenverwalter sind und oft in verschiedenen Abteilungssilos untergebracht sind, gibt es keine Möglichkeit, einen universellen Zugang zu allen Daten im Unternehmen zu erhalten - oder auch nur einen umfassenden Überblick über diese. Darüber hinaus erfordern die unzähligen proprietären Systeme und ihre unterschiedlichen Zugriffsstandards und -methoden Fähigkeiten, über die oft nur IT-Integrationsspezialisten oder Dateningenieure verfügen. Diese IT-Spezialisten sind in der Regel überbelegt, und die an sie gestellten Anforderungen führen dazu, dass sie oft überfordert sind. Aufgrund der Schwierigkeiten beim Datenzugriff und der Schwierigkeiten beim Zugang zu den IT-Ressourcen, die helfen könnten, haben Unternehmen oft veraltete oder unvollständige Datensätze, aus denen die Benutzer auf allen Ebenen nur veraltete und unvollständige Erkenntnisse gewinnen können.

Die Lücke schließen

Wie können also Dateningenieure, die mit einem Data Analytics Hub im Gesundheitswesen zusammenarbeiten, ihre Geschäftspartner besser unterstützen? Hier sind sieben wichtige Möglichkeiten, wie eine Gesundheitsorganisation ein effektiveres Engagement fördern kann:

1. Service-orientierte Konnektivität ermöglichen. In vielen Unternehmen sind Legacy-Anwendungen und Datenlager oft auf einer Punkt-zu-Punkt-Basis verbunden, ein Ansatz, der die Konnektivität behindert und zu einer ineffizienten Nutzung der Dateningenieure führt. Dateningenieure sollten stattdessen jede Anwendung und jedes Lager als wiederverwendbaren Dienst zur Verfügung stellen, auf den andere Anwendungen und Repositories über eine veröffentlichte Schnittstelle zugreifen können.
2. Alle Dienste katalogisieren. Erleichtern Sie es den Nutzern zu wissen, welche Dienste verfügbar sind, wohin sie sich wenden müssen und wie sie sich mit den Diensten verbinden können, indem Sie ein Verzeichnis mit Richtlinien zur Nutzung der einzelnen Dienste veröffentlichen.
3. Erstellen und verwalten von Datenmodellen. Viele der Daten-Repositories werden über feste und bekannte Schemata verfügen, und einige der moderneren Anwendungen werden über Webservice-APIs und JSON-Daten-Payloads mit Beschreibungen der Daten verfügen - was jedoch wirklich benötigt wird, ist ein Verständnis dafür, wie die Datenmodelle aussehen, wobei alle Daten in diesem Katalog von Diensten berücksichtigt werden müssen. Diese Tätigkeit muss ein gemeinsames Unterfangen des Dateningenieurs und seiner Geschäfts- und Betriebsanalysten, App-Entwickler, IT-Integrationsspezialisten und Datenwissenschaftler sein.
4. Einrichtung von Data Steward Communities. In Anbetracht der unzähligen Probleme beim Datenzugriff und -eigentum - von der seit langem bestehenden "Das ist mein Sandkasten"-Einstellung verschiedener Interessengruppen in Bezug auf verschiedene Anwendungen und Daten über uneinheitliche interne Regeln für die data sharing bis hin zu legitimen HIPAA-Beschränkungen - obliegt es einem Dateningenieur, Gemeinschaften von Datenverwaltern zu bilden, die kennenlernen können, um Fragen im Zusammenhang mit dem Dateneigentum, den Zugriffsparametern und der Frage, wie, wann und unter welchen Bedingungen auf Teile oder alle Daten zugegriffen werden kann, zu diskutieren und zu entscheiden. Diese Gemeinschaften müssen mit einem Katalog von Diensten abgeglichen werden, um sicherzustellen, dass die Dienste auf die benötigten Daten zugreifen können. Generell sollte man mit einer "Do No Harm"-Haltung beginnen - wie z. B. "Keine Störung bestehender Datenbestände" -, um den Zugang zu erleichtern und die Gefahr des Datenmissbrauchs zu verringern.
5. Ermächtigung von Superusern mit Self-Service. Zunächst einmal: Was ist ein Superuser? Ein Superuser ist ein Sammelbegriff, mit dem ich alle Geschäftsanalysten, Kliniker und andere Personen bezeichne, die bereit und in der Lage sind, komplexe Datensätze aufzunehmen, anzureichern und zu analysieren, wenn man ihnen nur die entsprechenden Tools zur Verfügung stellt (und die ersten vier Punkte oben beachtet). Auch diese Benutzer sind in der Regel technisch versiert und in der Lage, ausgefeilte Datenintegrations- und -verwaltungs-Tools zu verwenden, solange diese nur wenig oder - noch besser - gar keine Kodierung erfordern.
6. Unterstützung der Exploration. Sobald ein Datenmodell entwickelt wurde, die Dienste katalogisiert wurden und die Datenverantwortlichen das Kopieren oder Virtualisieren von Daten in einen separaten Aggregationspunkt erlaubt haben, sollte der Dateningenieur Cloud nutzen, um sicherzustellen, dass Superuser über kostengünstige, leicht auf- und abbaubare Sandboxen verfügen, in denen sie die Daten zusammenführen, bereinigen und mit ihnen arbeiten können.
7. Operationalisierung von Daten-Pipelines und Analyse-Assets. Erfolgreiche Erkundungen durch Superuser müssen für die zukünftige Wiederverwendung erfasst und dokumentiert werden. In der Dokumentation sollte angegeben werden, wie die Daten aufgenommen wurden, welche Modellierung verwendet wurde und welche Integrationsdienste genutzt wurden, da diese Informationen einen Integrationsfluss schaffen, der als Datenpipeline automatisiert werden kann. Die verarbeiteten Daten - ob es sich nun um Ad-hoc-Abfragen oder um die Erstellung aktualisierter Dashboards handelt - sollten orchestriert und ihre Ergebnisse als Analyse-Assets katalogisiert werden. Automatisierung und Wiederholbarkeit gewährleisten die Wiederverwendung und den höchsten ROI.

Schaffung der Voraussetzungen für Erkenntnisse zur Unterstützung des Übergangs von der gebührenpflichtigen zur wertorientiert Versorgung

Ein Healthcare Data Analytics Hub bietet eine zentralisierte und standardisierte Plattform, die dem Data Engineer hilft, die Aufgaben eins bis vier zu erfüllen, und bietet direkte Unterstützung für die Aufgaben fünf bis sieben. Die Datenmodelle, der Katalog und die Data Steward-Communities (Aufgaben zwei bis vier) sollten unabhängig von einem Healthcare Data Analytics Hub entwickelt werden, aber die Self-Service des Healthcare Data Analytics Hubs für SuperuserAufgabe fünf) müssen die Aufnahme und Aufbereitung von Daten - schnell und einfach - von jedem Service im Katalog (unter Verwendung der von der Data Steward-Community definierten Regeln) ermöglichen. Das Datenmodell (aus Aufgabe drei) sollte als Leitfaden für die Entwicklung und Automatisierung von Pipelines dienen (Aufgaben sechs und sieben).

Wenn diese Aufgaben erledigt sind, wird der Data Analytics Hub im Gesundheitswesen zu einer Plattform, die die betriebliche Effizienz der Data Analytics Superuser im gesamten betrieblichen Ökosystem steigert, was wiederum folgende Vorteile für das Unternehmen mit sich bringt:

1. Damit entfällt das ständige Warten auf Data Engineering, wenn es um banale Aufgaben geht, und viele der manuellen Aufgaben zur Berichtserstellung, die mit veralteten Plattformen im Gesundheitswesen, veralteten Data Warehouses und Data Marts verbunden sind, werden eliminiert.
2. Es vereinfacht und beschleunigt laufende dashboard und Reporting-Projekte, insbesondere wenn es um kleinere Änderungen und Ergänzungen von Berichten geht (z. B. das Hinzufügen einer neuen Visualisierung derselben Daten oder eines zusätzlichen Datensatz).
3. Es ermöglicht den Nutzern, neue Datensätze kennenlernen oder ein anderes Visualisierungstool zu verwenden, als sie normalerweise verwenden, weil sie an einem neuen Projekt oder mit einer neuen Gruppe arbeiten, die andere Datensätze und Tools verwendet.
4. Es versetzt die Superuser in die Lage, die Qualität ihrer Daten zu verbessern, ohne die Quellsysteme zu stören oder sich auf den Dateningenieur zu verlassen, um die Daten zu bereinigen. Zahlreiche Studien und Erhebungen haben gezeigt, dass die Datenvorbereitung und -erfassung mehr Zeit und Energie dieser Superuser in Anspruch nimmt als jede andere Tätigkeit.
5. Es erleichtert die funktionsübergreifende Teamarbeit, indem es eine neutrale gemeinsame Basis bietet, die alle Teammitglieder als Sandkasten mit einem einheitlichen Datensatz nutzen können. Gleichzeitig sorgt die Flexibilität des Healthcare Data Analytics Hub dafür, dass alle Benutzer die BI- und Analysetools verwenden können, die sie gewohnt sind.

Dies sind einfache Vorteile, die jedoch nur einen Bruchteil der Vorteile ausmachen, die ein Data Analytics Hub im Gesundheitswesen mit sich bringt. Der übergeordnete Punkt ist, dass ein Data Analytics Hub im Gesundheitswesen es einem Dateningenieur ermöglicht, weit mehr Anfragen - über mehrere Projekte hinweg - mit besserer Qualität zu weitaus geringeren Kosten zu unterstützen. Die Vorteile der Kostensenkung ergeben sich aus zwei Aspekten des Data Analytics Hubs für das Gesundheitswesen: Der Hub ist kein Kapitalaufwand, den eine Organisation im Laufe der Zeit abschreiben muss: Der Zugang zum Hub kann auf Projektbasis erworben werden. Außerdem kann die Dauer eines Projekts so lang oder kurz sein, wie es erforderlich ist. Sie zahlen nie mehr, als Sie benötigen. Die Kliniker und Analysten, die den Hub nutzen, erkennen schnell die Produktivitätsverbesserungen und Kosteneinsparungen und nutzen ihn schrittweise für weitere Projekte, was zu einer schnellen Akzeptanz führt.

Im Mittelpunkt aller Herausforderungen bei der Umstellung von gebührenpflichtigen auf wertorientiert Modelle steht die Notwendigkeit, einen data driven Ansatz zu verfolgen, um besser zu verstehen, wie finanzielle, betriebliche und klinische Leistungen zusammenhängen, wie die zugrunde liegenden menschlichen und maschinellen Ressourcen für die Ergebnisse genutzt werden können und was diese Patienten- und Programmergebnisse wirklich sind. Die für den Wandel erforderlichen Erkenntnisse können nur gewonnen werden, wenn die Dateningenieure und Superuser der Organisation einen Blick in und auf die verschiedenen Systeme werfen können, die katalogisiert, modelliert und für die Analyse durch den Data Analytics Hub im Gesundheitswesen zur Verfügung gestellt werden.

Über Actian Corporation

Actian macht Daten einfach. Unsere Datenplattform vereinfacht die Verbindung, Verwaltung und Analyse von Daten in Cloud-, Hybrid- und lokalen Umgebungen. Mit jahrzehntelanger Erfahrung in den Bereichen Datenmanagement und -analyse liefert Actian leistungsstarke Lösungen, die es Unternehmen ermöglichen, datengesteuerte Entscheidungen zu treffen. Actian wird von führenden Analysten anerkannt und wurde für seine Leistung und Innovation mit Branchenpreisen ausgezeichnet. Unsere Teams präsentieren bewährte Anwendungsfälle auf Konferenzen (z. B. Strata Data) und tragen zu Open-Source-Projekten bei. Im ActianBlog behandeln wir Themen wie Echtzeit-Dateneingabe, Datenanalyse, Data Governance, Datenmanagement, Datenqualität, Datenintelligenz und KI-gesteuerte Analysen.