Uso de un centro de análisis de datos sanitarios para una atención basada en el valor

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.

Centro de análisis de datos sanitarios con Actian

¿Por qué lo necesita realmente la sanidad? Porque el paso de un modelo de atención de pago por servicio a otro basado en el valor requiere conocimientos que son mucho más difíciles de obtener sin las eficiencias que sólo se pueden identificar reuniendo datos clínicos, financieros y operativos diversos y dispares de toda la organización, así como de fuera de ella. Y sin esa información, la mejora de los resultados y la eficiencia operativa que promete ofrecer la atención basada en el valor serán más difíciles y costosas de conseguir. Esto sólo es posible con un centro de análisis de datos sanitarios.

La brecha de datos, conocimientos e información en la sanidad

Hoy en día, los profesionales sanitarios piensan y trabajan de forma diferente a como lo hacían hace 20 años. Atrás quedaron los días en los que los profesionales sanitarios, los administradores de proveedores sanitarios, los suscriptores de seguros, los gestores de siniestros, los liquidadores de siniestros y otros se enfrentaban exclusivamente a una montaña de formularios e informes en papel. El nivel requerido de alfabetización digital ha cambiado radicalmente. Fíjese en los requisitos laborales medios que se exigen, por ejemplo, a un gestor de red de proveedores. A menudo encontrarán que deben dominar SQL y ser capaces de manipular, analizar y visualizar datos en herramientas informatique décisionnelle (BI) como Looker y Tableau. No es que todos hayan abandonado sus hojas de cálculo de Excel; es simplemente que las exigencias del trabajo se han ampliado. En otras partes de la organización, los médicos y los analistas empresariales pueden utilizar JavaScript para modelar; los científicos actuariales pueden utilizar Python y Plotly. Pero la cuestión es la siguiente: saben cómo realizar análisis sofisticados, pero rara vez saben cómo acceder o enriquecer los conjuntos de datos dispares sobre los que quieren ejecutar sus análisis. Tienen muchas de las habilidades necesarias para añadir valor real, pero su capacidad para añadir valor depende de su capacidad para acceder a los datos digitales.

Y ahí está el problema: obtener acceso a los datos. En muchas organizaciones, la autorización por sí sola es una barrera enorme para acceder a los datos, y dado que los diferentes conjuntos de datos pertenecen a diferentes administradores de datos y a menudo se alojan en diferentes silos departamentales, no hay forma de obtener un acceso universal -ni siquiera una visión completa- a todos los datos que existen en la organización. Además, la miríada de sistemas propietarios y sus diferentes normas y metodologías de acceso requieren conocimientos que a menudo sólo poseen los especialistas en integración de TI o los ingenieros de datos. Estos especialistas en TI suelen estar saturados, y las exigencias que se les imponen hacen que a menudo estén desbordados. Entre las dificultades para acceder a los datos y las dificultades para acceder a los recursos informáticos que podrían ayudar, las organizaciones se encuentran a menudo con conjuntos de datos obsoletos o incompletos de los que los usuarios de todos los niveles sólo pueden obtener información que también es obsoleta e incompleta.

Cerrar la brecha

Entonces, ¿cómo pueden los ingenieros de datos que trabajan en tándem con un centro de análisis de datos sanitarios ayudar mejor a sus socios comerciales? He aquí siete formas clave en las que una organización sanitaria puede fomentar un compromiso más eficaz:

Habilitar la conectividad orientada a servicios. En muchas organizaciones, las aplicaciones heredadas y los repositorios de datos suelen estar conectados punto a punto, un enfoque que obstaculiza la conectividad y conduce a un uso ineficiente de los ingenieros de datos. En su lugar, los ingenieros de datos deben hacer que cada aplicación y repositorio de datos esté disponible como un servicio reutilizable al que otras aplicaciones y repositorios puedan acceder a través de una interfaz publicada.
Catalogar todos los servicios. Facilite a los usuarios saber qué servicios están disponibles, dónde acudir y cómo conectarse a ellos publicando un directorio con directrices sobre cómo utilizar cada servicio.
Construir y gestionar modelos de datos. Muchos de los repositorios de datos tendrán esquemas fijos y conocidos, y algunas de las aplicaciones más modernas tendrán API de servicios web y cargas útiles de datos JSON con descripciones de los datos, pero lo que realmente se necesita es comprender cómo son los modelos de datos, teniendo en cuenta todos los datos de este catálogo de servicios. Esta actividad tendrá que ser una empresa conjunta entre el ingeniero de datos y sus analistas de negocio y operaciones, desarrolladores de aplicaciones, especialistas en integración de TI y científicos de datos.
Establecer comunidades de administradores de datos. Dada la miríada de problemas de acceso y propiedad de los datos -que van desde las antiguas actitudes de "esta es mi caja de arena" mantenidas por diferentes partes interesadas sobre diferentes aplicaciones y datos, normas internas incoherentes sobre partage des données, restricciones legítimas de la HIPAA, etc.- corresponde a un ingeniero de datos desarrollar comunidades de administradores de datos que puedan reunirse para debatir y decidir sobre cuestiones relacionadas con la propiedad de los datos, los parámetros de acceso y cómo, cuándo y en qué condiciones se puede acceder a parte o a la totalidad de esos datos. Estas comunidades deben cotejarse con un catálogo de servicios para garantizar que los servicios pueden acceder a los datos requeridos. Por lo general, empezar con una actitud de "no hacer daño" -como en "no perturbar los repositorios de datos existentes"- facilitará el acceso y reducirá las posibilidades de uso indebido de los datos.
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.
Apoyar la exploración. Una vez que se ha desarrollado un modelo de datos, se han catalogado los servicios y los administradores de datos han permitido que los datos se copien o virtualicen en un punto de agregación independiente, el ingeniero de datos debe utilizar los servicios en la nube para garantizar que los superusuarios dispongan de zonas de pruebas económicas y fáciles de configurar y desmontar en las que reunir los datos, limpiarlos e interactuar con ellos.
Operacionalizar las canalizaciones de datos y los activos analíticos. Las exploraciones fructíferas de los superusuarios deberán capturarse y documentarse para su futura reutilización. La documentación debe indicar cómo se ingirieron los datos, qué modelado se utilizó y qué servicios de integración se aprovecharon, ya que esta información crea un flujo de integración que puede automatizarse como un pipeline de données. Los datos procesados -ya sean consultas ad hoc o algo que cree cuadros de mando actualizados- deben orquestarse y su resultado catalogarse como un conjunto de activos analíticos. La automatización y la repetibilidad garantizan la reutilización y el máximo retorno de la inversión.

Preparar el terreno para que los conocimientos ayuden a pasar de la asistencia de pago por servicio a la asistencia basada en el valor

Un centro de análisis de datos sanitarios proporciona una plataforma centralizada y estandarizada para ayudar al ingeniero de datos a llevar a cabo las tareas uno a cuatro y proporciona apoyo directo para las tareas cinco a siete. Los modelos de datos, el catálogo y las comunidades de administradores de datos (tareas dos a cuatro) deben desarrollarse independientemente de un centro de análisis de datos sanitarios, pero las funciones de autoservicio del centro de análisis de datos sanitarios para superusuarios (tarea cinco) deben permitir la ingesta y la preparación de datos -de forma rápida y sencilla- desde cualquier servicio del catálogo (utilizando las reglas definidas por la comunidad de administradores de datos). El modelo de datos (de la tarea tres) debe utilizarse para guiar el desarrollo y la automatización de la canalización (tareas seis y siete).

A medida que se completan estas tareas, el centro de análisis de datos sanitarios se convierte en una plataforma que aumenta la eficiencia operativa de los superusuarios de análisis de datos en todo el ecosistema operativo, lo que a su vez genera los siguientes beneficios para la organización:

Elimina la espera continua de la ingeniería de datos cuando se trata de tareas mundanas y elimina muchas de las tareas manuales de producción de informes asociadas a las plataformas sanitarias aisladas, los almacenes de datos empresariales heredados y los data marts.
Simplifica y acelera los proyectos de tableau de bord e informes en curso, sobre todo cuando se solicitan pequeños cambios y adiciones a los informes (como añadir una nueva visualización de los mismos datos o añadir un jeu de données adicional).
Permite a los usuarios explorar nuevos conjuntos de datos o utilizar una herramienta de visualización distinta de la que utilizan normalmente porque están trabajando en un nuevo proyecto o con un nuevo grupo que utiliza conjuntos de datos y herramientas diferentes.
Permite a los superusuarios mejorar la calidad de sus datos sin perturbar los sistemas de origen ni depender del ingeniero de datos para limpiar los datos. Numerosos estudios y encuestas han demostrado que la preparación y el descubrimiento de datos consumen más tiempo y energía de estos superusuarios que cualquier otra actividad.
Facilita el trabajo en equipo interfuncional al proporcionar un terreno común neutral que todos los miembros del equipo pueden utilizar como una caja de arena con un conjunto de datos unificado. Al mismo tiempo, la flexibilidad del centro de análisis de datos sanitarios garantiza que todos los usuarios puedan utilizar las herramientas de BI y análisis a las que están acostumbrados.

Se trata de ventajas sencillas, pero sólo representan una fracción de los beneficios que aporta un centro de análisis de datos sanitarios. Lo más importante es que un centro de análisis de datos sanitarios permite a un ingeniero de datos atender muchas más solicitudes -en múltiples proyectos- con mejor calidad y a un coste mucho menor. Los beneficios de la reducción de costes se derivan de dos aspectos del centro de análisis de datos sanitarios: El centro no es un gasto de capital que una organización tenga que amortizar con el tiempo: El acceso al centro puede adquirirse por proyecto. Además, la duración de un proyecto puede ser tan larga o corta como sea necesario. Nunca se paga por más de lo que se necesita. Los clínicos y analistas que utilizan el hub se dan cuenta rápidamente de las mejoras de productividad y el ahorro de costes y lo utilizan cada vez más para proyectos adicionales, lo que conduce a una rápida adopción.

En el centro de todos los retos que plantea el paso de modelos de pago por servicio a modelos basados en el valor, está la necesidad de adoptar un enfoque basado en los datos para comprender mejor cómo se interrelacionan el rendimiento financiero, operativo y clínico, cómo los activos subyacentes, humanos y mecánicos, pueden influir en los resultados, y cuáles son realmente esos resultados para los pacientes y los programas. La información necesaria para impulsar el cambio sólo puede obtenerse cuando los ingenieros y superusuarios de datos de la organización pueden examinar los distintos sistemas catalogados, modelados y disponibles para el análisis a través del centro de análisis de datos sanitarios.

About Author