Nutzung eines Healthcare Data Analytics Hub für wertorientiert Pflege

Last August, I wrote a blog about the data at the Beating Heart of Healthcare and introduced the concept of the healthcare data analytics hub. Frequent readers will remember that a healthcare data analytics hub provides a unified, cloud-based platform that supports access, enrichment, analysis, visualization, and reporting services to both automate and act on healthcare delivery, operations, and administration activities. What distinguishes a healthcare data analytics hub from its forerunners—data warehouses, data lakes, and data hubs—is that it provides the tools to transform data from disparate sources many of which are external to the organization with sources internal to the organization that is often siloed by department (e.g., systems from Allscripts, Epic, and many others) into insights intended for a range of functional roles residing outside the IT department within the organization as well as external to the organization. The figure below provides a conceptual illustration of the healthcare data analytics hub.

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, 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 das Problem: der Zugriff auf die Daten. In vielen Unternehmen stellt allein schon die Autorisierung eine enorme Hürde für den Datenzugriff dar. Da verschiedene Datensätze unterschiedlichen Datenverwalter gehören Datenverwalter oft in verschiedenen Abteilungs-Silos gespeichert sind, gibt es keine Möglichkeit, einen universellen Zugriff auf alle innerhalb des Unternehmens vorhandenen Daten zu erhalten – oder auch nur einen umfassenden Überblick darüber zu gewinnen. Darüber hinaus erfordern die Vielzahl proprietärer Systeme und ihre unterschiedlichen Zugriffsstandards und -methoden Fähigkeiten, über die oft nur IT-Integrationsspezialisten oder Dateningenieure verfügen. Diese IT-Spezialisten sind in der Regel überlastet, und die Anforderungen, die an sie gestellt werden, führen dazu, dass sie oft überfordert sind. Zwischen den Schwierigkeiten beim Zugriff auf Daten und den Schwierigkeiten beim Zugriff auf die IT-Ressourcen, die helfen könnten, sehen sich Unternehmen oft mit veralteten oder unvollständigen Datensätzen konfrontiert, aus denen Benutzer auf allen Ebenen nur Erkenntnisse gewinnen können, die ebenfalls veraltet und unvollständig sind.

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. Datenverwalter-Communities aufbauen. Angesichts der Vielzahl von Problemen im Zusammenhang mit dem Datenzugriff und -eigentum – von seit langem bestehenden „Das ist mein Sandkasten”-Haltung verschiedener Interessengruppen in Bezug auf unterschiedliche Anwendungen und Daten über inkonsistente interne Regeln data sharing und legitime HIPAA-Beschränkungen bis hin zu vielem mehr – ist es Aufgabe eines Dateningenieurs, Gemeinschaften von Datenverwalter aufzubauen, Datenverwalter sich treffen können, um Fragen zum Eigentumsrecht an Daten, zu den Parametern für den Zugriff und dazu, wie, wann und unter welchen Bedingungen auf einen Teil oder alle dieser Daten zugegriffen werden kann, zu diskutieren und zu entscheiden. Diese Gemeinschaften müssen einem Katalog von Diensten zugeordnet werden, um sicherzustellen, dass die Dienste auf die erforderlichen Daten zugreifen können. Im Allgemeinen erleichtert eine „Do No Harm“-Haltung – also „bestehende Datenrepositorien nicht stören“ – den Zugriff und verringert die Wahrscheinlichkeit eines Datenmissbrauchs.
5. Empower Superusers With Self-Service. First, what’s a superuser? A superuser is an umbrella term I’m using to denote all the business analysts, clinicians, and others that would be eager and able to ingest, enrich, and analyze complex datasets if you just give them the tools to do it (and have taken care of the first four points above). Again, these users tend to be technical and capable of using sophisticated data integration and management tools, as long as they involve little or—better yet—no coding.
6. Unterstützung der Erkundung. Sobald ein Datenmodell entwickelt, die Dienste katalogisiert und Datenverwalter das Kopieren oder Virtualisieren der Daten in einen separaten Aggregationspunkt erlaubt Datenverwalter , sollte der Dateningenieur Cloud nutzen, um sicherzustellen, dass Superuser über kostengünstige, einfach einzurichtende und abbaubare Sandboxes verfügen, in denen sie die Daten zusammenführen, bereinigen und bearbeiten 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 Benutzern, neue Datensätze zu 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 eines data-driven Ansatzes, 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 Healthcare Data Analytics Hub verfügbar gemacht werden.

Über den Autor

Über Actian Germany GmbH

Actian ermöglicht es Unternehmen, Daten in großem Umfang sicher verwalten zu steuern. Unternehmen vertrauen auf Datenmanagement Data-Intelligence-Lösungen von Actian, um komplexe Datenumgebungen zu optimieren und die Bereitstellung von KI-fähigen Daten zu beschleunigen. Die auf Flexibilität ausgelegten Lösungen von Actian lassen sich nahtlos integrieren und arbeiten zuverlässig in On-Premises, Cloud und Hybridumgebungen. Erfahren Sie mehr über Actian, den Daten- und KI-Geschäftsbereich von HCL Software, unter actian.com.