Utilisation d'un centre d'analyse des données de santé pour basé sur la valeur Care

En août dernier, j'ai écrit un blog sur les données au cœur des soins de santé et j'ai présenté le concept de centre d'analyse des données de santé. Les lecteurs assidus se souviendront qu'un centre d'analyse des données de santé fournit une plateforme unifiée, basée sur le cloud, qui prend en charge l'accès, l'enrichissement, l'analyse, la visualisation et les services de reporting afin d'automatiser et d' agir sur les activités de prestation, d'exploitation et d'administration des soins de santé. Ce qui distingue un centre d'analyse des données de santé de ses prédécesseurs -entrepôts de données, lacs de données et hubs de données - c'estqu'il fournit les outils nécessaires pour transformer les données provenant de sources disparates, dont beaucoup sont externes à l'organisation, et de sources internes à l'organisation qui sont souvent en silo par département (par exemple, les systèmes d'Allscripts, Epic et bien d'autres) en informations destinées à un éventail de rôles fonctionnels résidant en dehors du département informatique au sein de l'organisation ainsi qu'à l'extérieur de l'organisation. La figure ci-dessous fournit une illustration conceptuelle du centre d'analyse des données de santé.

Pourquoi les soins de santé en ont-ils vraiment besoin ? Parce que le passage d'un modèle de soins basé sur la valeur paiement à l'acte à un modèle basé sur la valeur nécessite des informations qu'il est beaucoup plus difficile d'obtenir sans les gains d'efficacité que l'on ne peut identifier qu'en rassemblant des données cliniques, financières et opérationnelles diverses et disparates provenant de l'ensemble de l'organisation ainsi que de l'extérieur. Et sans ces informations, l'amélioration des résultats et l'efficacité opérationnelle que les soins basé sur la valeur promettent d'apporter seront elles-mêmes plus difficiles et plus coûteuses à obtenir. Cela n'est possible qu'avec un centre d'analyse des données de santé.

Le manque de données, de connaissances et d'informations dans le domaine de la santé

Aujourd'hui, les professionnels de la santé pensent et travaillent différemment d'il y a 20 ans. L'époque est révolue où les professionnels de la santé, les administrateurs des prestataires de soins, les souscripteurs d'assurance, les gestionnaires de sinistres, les experts en sinistres et d'autres encore traitaient exclusivement avec une montagne de formulaires et de rapports papier. Le niveau requis de culture numérique a radicalement changé. Examinez les exigences moyennes d'un poste de gestionnaire de réseau de prestataires, par exemple. Vous constaterez souvent qu'il doit maîtriser le langage SQL et être capable de manipuler, d'analyser et de visualiser des données à l'aide d'outils d'informatique décisionnelle (BI) tels que Looker et Tableau. Ce n'est pas qu'ils aient tous abandonné leurs feuilles de calcul Excel ; c'est simplement que les exigences du travail sont devenues plus vastes. Ailleurs dans l'organisation, les cliniciens et les analystes commerciaux peuvent utiliser JavaScript pour la modélisation ; les actuaires peuvent utiliser Python et Plotly. Mais voilà : ils savent comment effectuer des analyses sophistiquées, mais ils savent rarement comment accéder aux ensembles de données disparates sur lesquels ils veulent effectuer leurs analyses ou les enrichir. Ils possèdent un grand nombre des compétences nécessaires pour apporter une réelle valeur ajoutée, mais leur capacité à apporter une valeur ajoutée dépend de leur capacité à accéder aux données numériques.

Et c'est là que le bât blesse : l'accès aux données. Dans de nombreuses organisations, l'autorisation à elle seule constitue un énorme obstacle à l'accès aux données, et étant donné que les différents ensembles de données appartiennent à différents gestionnaires de données et sont souvent hébergés dans différents silos départementaux, il n'y a aucun moyen d'obtenir un accès universel - ni même une vue d'ensemble - à toutes les données qui existent au sein de l'organisation. En outre, la myriade de systèmes propriétaires et leurs différentes normes et méthodologies d'accès exigent des compétences que seuls les spécialistes de l'intégration informatique ou les ingénieurs de données possèdent souvent. Ces spécialistes de l'informatique ont tendance à être sursollicités, et les exigences qui leur sont imposées signifient qu'ils sont souvent à bout de souffle. Entre les difficultés d'accès aux données et les difficultés d'accès aux ressources informatiques qui pourraient les aider, les organisations se retrouvent souvent avec des ensembles de données périmées ou incomplètes à partir desquelles les utilisateurs à tous les niveaux ne peuvent obtenir que des informations également périmées et incomplètes.

Combler le fossé

Comment les ingénieurs de données travaillant en tandem avec un centre d'analyse des données de santé peuvent-ils mieux support leurs partenaires commerciaux ? Voici sept moyens clés permettant à un organisme de santé de favoriser un engagement plus efficace :

1. Permettre une connectivité orientée services. Dans de nombreuses organisations, les applications et les dépôts de données existants sont souvent connectés point à point, une approche qui entrave la connectivité et conduit à une utilisation inefficace des ingénieurs des données. Les ingénieurs de données devraient plutôt faire en sorte que chaque application et chaque dépôt dépôt données soit disponible en tant que service réutilisable auquel d'autres applications et dépôts peuvent accéder par le biais d'une interface publiée.
2. Cataloguer tous les services. Il est plus facile pour les utilisateurs de savoir quels sont les services disponibles, où aller et comment se connecter aux services en publiant un répertoire avec des lignes directrices sur la façon d'utiliser chaque service.
3. Construire et gérer des modèles de données. De nombreux référentiels de données auront des schémas fixes et connus, et certaines des applications les plus modernes auront des API de services web et des charges utiles de données JSON avec des descriptions des données - mais ce qui est vraiment nécessaire, c'est de comprendre à quoi ressemblent les modèles de données, en tenant compte de toutes les données de ce catalogue de services. Cette activité devra être une entreprise commune entre l'ingénieur des données et ses analystes commerciaux et opérationnels, les développeurs d'applications, les spécialistes de l'intégration informatique et les scientifiques des données.
4. Créer des communautés de gestionnaires de données. Compte tenu de la myriade de problèmes liés à l'accès et à la propriété des données - qu'il s'agisse de l'attitude "c'est mon bac à sable" adoptée de longue date par différentes parties prenantes à l'égard de différentes applications et données, des règles internes incohérentes en matière de partage des données, des contraintes légitimes de l'HIPAA, etc. - il incombe à l'ingénieur des données de développer des communautés de gestionnaires de données qui peuvent se réunir pour discuter et décider des questions relatives à la propriété des données, aux paramètres d'accès et à la manière, au moment et aux conditions d'accès à une partie ou à la totalité de ces données. Ces communautés doivent être mises en correspondance avec un catalogue de services afin de s'assurer que les services peuvent accéder aux données requises. En règle générale, le fait de commencer par une attitude de "ne pas nuire" - comme "ne pas perturber les dépôts de données existants" - facilitera l'accès et réduira les risques d'utilisation abusive des données.
5. Donner du pouvoir aux super-utilisateurs avec libre-service. Tout d'abord, qu'est-ce qu'un superutilisateur ? Un superutilisateur est un terme générique que j'utilise pour désigner tous les analystes commerciaux, cliniciens et autres qui seraient désireux et capables d'ingérer, d'enrichir et d'analyser des ensembles de données complexes si vous leur donniez simplement les outils pour le faire (et si vous aviez pris soin des quatre premiers points ci-dessus). Encore une fois, ces utilisateurs ont tendance à être techniques et capables d'utiliser des outils sophistiqués d'intégration et de gestion des données, à condition qu'ils impliquent peu ou, mieux encore, pas de codage.
6. Support exploration. Une fois qu'un modèle de données a été développé, que les services ont été catalogués et que les responsables des données ont autorisé la copie ou la virtualisation des données dans un point d'agrégation distinct, l'ingénieur des données doit utiliser les services en nuage pour s'assurer que les superutilisateurs disposent de bacs à sable peu coûteux, faciles à configurer et à démanteler, dans lesquels ils peuvent rassembler les données, les nettoyer et s'y intéresser.
7. Opérationnaliser les pipelines de données et les actifs analytiques. Les explorations fructueuses réalisées par les superutilisateurs devront être capturées et documentées en vue d'une réutilisation ultérieure. La documentation devrait indiquer comment les données ont été ingérées, quelle modélisation a été utilisée et quels services d'intégration ont été exploités, car ces informations créent un flux d'intégration qui peut être automatisé sous la forme d'un pipeline de données. Les données traitées - qu'il s'agisse de requêtes ad hoc ou de tableaux de bord actualisés - doivent être orchestrées et leurs résultats catalogués comme un ensemble de ressources analytiques. L'automatisation et la répétabilité garantissent la réutilisation et le meilleur retour sur investissement.

Préparer le terrain pour que les connaissances aident à passer d'une rémunération à l'acte à une prise en charge basé sur la valeur

Un centre d'analyse des données de santé fournit une plateforme centralisée et normalisée pour aider l'ingénieur des données à réaliser les tâches 1 à 4 et support direct aux tâches 5 à 7. Les modèles de données, le catalogue et les communautés de gestionnaires de données (tâches deux à quatre) devraient être développés indépendamment d'un centre d'analyse des données de santé, mais les fonctions de libre-service du centre d'analyse des données de santé pour les superutilisateurstâche cinq) doivent permettre l'ingestion et la préparation des données - rapidement et facilement - à partir de n'importe quel service du catalogue (en utilisant les règles définies par la communauté de gestionnaires de données). Le modèle de données (de la tâche trois) devrait être utilisé pour guider le développement et l'automatisation du pipeline (tâches six et sept).

Une fois ces tâches accomplies, le centre d'analyse des données de santé devient une plateforme qui accroît l'efficacité opérationnelle des superutilisateurs de l'analyse des données dans l'ensemble de l'écosystème opérationnel, ce qui se traduit par les avantages suivants pour l'organisation :

1. Il supprime l'attente permanente de l'ingénierie des données pour les tâches banales et élimine une grande partie des tâches manuelles de production de rapports associées aux plateformes soins de santé cloisonnées, aux entrepôts de données d'entreprise hérités et aux marts de données.
2. Il simplifie et accélère les projets de tableau de bord et de rapports en cours, en particulier lorsqu'il y a des demandes de modifications et d'ajouts mineurs aux rapports (comme l'ajout d'une nouvelle visualisation des mêmes données ou l'ajout d'un jeu de données supplémentaire).
3. Il permet aux utilisateurs d'explorer de nouveaux ensembles de données ou d'utiliser un outil de visualisation différent de celui qu'ils utilisent habituellement parce qu'ils travaillent sur un nouveau projet ou avec un nouveau groupe qui utilise des ensembles de données et des outils différents.
4. Il permet aux superutilisateurs d'améliorer la qualité de leurs données sans perturber les systèmes sources ou dépendre de l'ingénieur en données pour nettoyer les données. De nombreuses études et enquêtes ont montré que la préparation et la découverte des données consomment plus de temps et d'énergie à ces superutilisateurs que toute autre activité.
5. Il facilite le travail d'équipe interfonctionnel en fournissant un terrain d'entente neutre que tous les membres de l'équipe peuvent utiliser comme bac à sable avec un ensemble de données unifié. En même temps, la flexibilité du centre d'analyse des données de santé garantit que tous les utilisateurs peuvent utiliser les outils de BI et d'analyse qu'ils ont l'habitude d'utiliser.

Ces avantages sont simples, mais ils ne représentent qu'une fraction des avantages qu'un centre d'analyse des données de santé apporte à la table. Le point essentiel est qu'un centre d'analyse des données de santé permet à un ingénieur en données de support beaucoup plus de demandes - dans le cadre de plusieurs projets - avec une meilleure qualité et à un coût beaucoup plus bas. Les avantages de la réduction des coûts découlent eux-mêmes de deux aspects du centre d'analyse des données de santé : Le hub n'est pas une dépense d'investissement qu'une organisation doit amortir au fil du temps : L'accès à la plate-forme peut être acheté pour chaque projet. De plus, la durée d'un projet peut être aussi longue ou aussi courte que nécessaire. Vous ne payez jamais plus que ce dont vous avez besoin. Les cliniciens et les analystes qui utilisent le concentrateur se rendent rapidement compte des améliorations de la productivité et des économies réalisées et l'utilisent progressivement pour des projets supplémentaires, ce qui conduit à une adoption rapide.

Au cœur de tous les défis liés au passage d'un modèle de rémunération à l'acte à un modèle basé sur la valeur , il y a la nécessité d'adopter une approche fondée sur les données pour mieux comprendre comment les performances financières, opérationnelles et cliniques sont liées, comment les actifs sous-jacents, humains et mécaniques, peuvent être mis à contribution pour obtenir des résultats, et quels sont réellement ces résultats pour les patients et les programmes. Les informations nécessaires pour conduire le changement ne peuvent être trouvées que lorsque les ingénieurs de données et les super-utilisateurs de l'organisation peuvent regarder dans et à travers les différents systèmes qui sont catalogués, modélisés et mis à disposition pour l'analyse par le biais du centre d'analyse des données de santé.

À propos d'Actian Corporation

Actian facilite l'accès aux données. Notre plateforme de données simplifie la façon dont les gens connectent, gèrent et analysent les données dans les environnements cloud, hybrides et sur site . Avec des décennies d'expérience dans la gestion des données et l'analyse, Actian fournit des solutions de de haute performance qui permettent aux entreprises de prendre des décisions basées sur les données. Actian est reconnu par les principaux analystes et a reçu des prix de l'industrie pour sa performance et son innovation. Nos équipes partagent des cas d'utilisation éprouvés lors de conférences (par exemple, Strata Data) et contribuent à des projets à code source ouvert. Sur le blog d'Actian, nous abordons des sujets tels que l'ingestion de données en temps réel, l'analyse de données, la gouvernance données, la gestion des données, la qualité des données, l'intelligence des données et l'analyse pilotée par l'IA.