【独家】大数据降低二次入院率的美国实践(5)

怎么开始？

医疗机构并不需要为选择供应商烦恼。Pollock说，有EMR的机构可以这样开始，即“利用现有资源，不要尝试创造需要实施的新领域。”他建议可以从结构化信息开始，有很多可用工具来帮助提取结构化和非结构化数据。

Peele表示，错误的搞法就是认为必须花高价买进新产品，然后再花18-24个月来安装。“不需要花费上千万。我们现在用的模型就是发表于美国医学会杂志上的，利用已有资源就ok了。”

Robicsek也同意这种说法。“你并不需要昂贵的预测分析，你也许更擅长其他事，不用预测分析也可以提高效率。”例如，你的临床医生几点才能准备好患者出院所需的服务?这不用预测分析也能识别。

他可以同时建议机构先组织和清理数据，完成基本的数据存储，然后组建数据挖掘的团队。“之后你就能开始建模了。”

Beauregard表示，再入院患者只可能增加，这是全国医疗机构面临的普遍挑战。“所有人都必须考虑如何更加主动的预防再入院。有经验的伙伴也要谨慎推进，勤练手才能做得更好。”再入院数永远不可能为零。问题在于哪种再入院率在临床上是合理可行的。“预测分析最大的价值更多的来源于疾病预防或延缓恶化，确实要改进患者情况，这是试点项目的第一目标。”

Peele说，随着医疗机构逐渐了解重组工作流程，他们就停不下来了。处罚是变革的原动力，随着时间推移会变得愈加重要，而医院不会再退缩。

关于BI在二次入院中的应用研究

患者二次入院问题对医生和医院管理者来说，无疑是最前沿的，也是研究的新领域。现在市面上大多数产品都是由索赔数据驱动，且表现欠佳。在之前参与的心脏病二次入院分析项目中，布朗先生找到了一种方法，这种方法可以为医疗机构提供二次入院的预测能力。随后，他把这种方法植入新的Dartmouth Atlas再入院研究项目。

Dartmouth Atlas再入院研究项目旨在“努力发现EMR或患者生物学中的其他模式或特征，通过观察异常的生物标记去尝试识别可能影响再入院率的相关因素。终极治疗模型应由计算框架、分子生物学以及治疗强度等三类健康系统标识组成。

原文标题：Reducing Readmissions: Can Predictive Analytics Help Lower Patient Returns?

原文作者：Beth Walsh