Intelijen Berkelanjutan Mendorong Diagnosis Cepat dan Akurat di Bidang Kesehatan

Intelijen berkelanjutan (CI) memungkinkan pendekatan inovatif untuk perawatan kesehatan, memberikan klinis kemampuan diagnosis yang lebih cepat dan lebih akurat.

Organisasi kesehatan dilimpahi dengan kekayaan data untuk mengevaluasi kondisi pasien dan merencanakan perawatan. Secara berkala, kemampuan untuk membuat diagnosis yang lebih cepat dan lebih akurat memerlukan intelijen berkelanjutan (CI) yang berasal dari analisis real-time dari data streaming.

Dua faktor mendorong perubahan ini. Pertama, harapan pasien berubah. Kualitas perawatan semakin penting – saat pasien mulai menggunakan hak mereka untuk memilih bagaimana dan dengan siapa mereka terlibat untuk perawatan kesehatan mereka. Mereka menuntut transparansi data dan proses. Akibatnya, organisasi kesehatan perlu fokus pada bagaimana hasil kualitas dapat dicapai dalam cara yang bermakna bagi pasien.

Lihat juga: AI Memberikan Panduan Kesehatan Mental? Tidak Begitu Cepat, Katakan Para Psikiater

Pada saat yang sama, perawatan kesehatan mengalami perubahan besar karena ketersediaan sumber data baru. Secara khusus, ada munculnya internet of things (IoT) wearable dan peralatan medis terhubung. Saat organisasi kesehatan menggunakan lebih banyak perangkat terhubung, rekam medik elektronik (EHR), dan kunjungan virtual dengan pasien, lebih dan lebih data mengalir masuk.

Namun, data tersebut biasanya berada dalam silo dan tidak meningkatkan perawatan pasien sampai telah ditinjau dan diarsipkan untuk digunakan di masa depan. Membuat progres memerlukan solusi yang dapat dengan mudah menggunakan berbagai sumber data dan menerapkan analitik real-time pada data tersebut di tempat.

Data Real-Time untuk Diagnosis

Solusi yang mengatasi hambatan data membuka peluang baru. Misalnya, menggunakan data streaming dapat membantu dalam diagnosis awal berbagai kondisi kesehatan di banyak area. Salah satu contoh adalah aplikasi komunikasi suara untuk mendiagnosis kondisi medis.

Pertimbangkan skenario berikut: Seorang wanita menelepon karena khawatir tentang kesehatan ibunya karena terakhir-akhirnya ia mengalami masalah dengan kehilangan memori. Ibu menelepon ke lini triage perawat kliniknya, di mana perawatnya bertanya lima pertanyaan untuk mengumpulkan informasi untuk diagnosis. Analisis sentimen dijalankan pada komunikasi suara dengan perawat. Informasi yang dihasilkan dari analisis tersebut digabungkan dengan data kesehatan yang ditangkap dari perangkat wearable ibu (yang dapat dilihat perawat secara real-time). Pawat kemudian menggunakan informasi tersebut untuk menentukan bahwa penyakit Alzheimer berada dalam tingkat probabilitas yang tinggi. Akibatnya, interaksi ini membantu anaknya menentukan langkah selanjutnya untuk perawatan kesehatan ibunya.

Dengan berbagai macam perangkat terhubung yang tersedia saat ini, sesuatu sederhana seperti komunikasi suara yang digunakan untuk mendiagnosis (atau menentukan probabilitas diagnosis) adalah bot medis yang sempurna.

Menggunakan analitik dalam komunikasi suara untuk diagnosis awal kondisi medis tertentu sudah dekat dengan kenyataan saat ini. Misalnya, Apple Watch sekarang datang dengan fitur Elektrokardiogram (EKG) — memberikan pengguna informasi tentang detak jantung mereka yang dapat membantu memperingatkan mereka pada kondisi yang tidak didiagnosis. Data real-time yang disediakan oleh wearable seperti Apple Watch dapat berfungsi sebagai langkah pertama dalam mendiagnosis kondisi kesehatan tertentu dan memperingatkan pasien untuk berkonsultasi dengan penyedia layanan mereka saat data menunjukkan ada sesuatu yang tidak beres.

Menggabungkan Analitik Real-Time dengan AI

Menggunakan analitik real-time untuk mendiagnosis kondisi mendorong perawatan medis ke level baru. Bahkan lebih canggih adalah aplikasi yang menggunakan analitik prediktif dan kecerdasan buatan (AI) untuk mencegah wabah penyakit atau kondisi.

Salah satu contoh penerapan teknologi pencegahan ini adalah pekerjaan yang dilakukan oleh HCA Healthcare dalam mengurangi ancaman kematian oleh sepsis.

Sepsis adalah kondisi yang tidak mengampuni yang dapat menyebabkan kerusakan pada tubuh. Ini sering menyusul, seperti pencuri di malam hari, setelah orang sudah dimasukkan ke rumah sakit untuk merawat kondisi lain. Ini meletus saat tubuh sedang melawan infeksi, dipicu oleh ketidakseimbangan dalam biokimia yang dikirim tubuh ke aliran darah untuk melawan infeksi. Jika sepsis berkembang menjadi shock sepsis, organ rusak, dan tekanan darah turun – situasi yang mungkin mematikan. Sepsis bertanggung jawab atas 270.000 kematian per tahun di Amerika Serikat saja. 

Biasanya, mendiagnosis sepsis hanya mungkin berdasarkan tinjauan manual rekam pasien selama pergantian shift. Masalahnya pada saat sepsis terdeteksi dengan cara ini, mungkin sudah terlambat. “Setiap jam penundaan diagnosis meningkatkan risiko kematian empat hingga tujuh persen,” kata Dr. Jonathan Perlin, president untuk layanan klinis dan chief medical officer untuk perawatan kesehatan di HCA Healthcare.

Penundaan ini tidak dapat diterima. Sebuah tim klinis, ilmuwan data, dan profesional teknologi bergabung untuk menciptakan sistem analitik prediktif real-time untuk mendeteksi sepsis pada pasien dengan lebih akurat dan cepat.

Tantangannya adalah menangkap data yang terkait dengan kondisi pra-sepsis. Ada banyak yang dihasilkan oleh interaksi pasien tahunan lebih dari 30 juta perusahaan perawatan kesehatan di seluruh 1.800 situs perawatan setiap tahun. Namun, banyak dari itu tersilo di seluruh sistem dan aplikasi yang berbeda.

Sebagian besar infrastruktur data yang ada tidak dirancang untuk bisnis intelijen dan pelaporan skala besar. Yang dibutuhkan adalah cara untuk mengumpulkan, menganalisis, dan berbagi data real-time dari semua fasilitas kami sehingga tindakan yang dapat menyelamatkan nyawa dapat diambil dengan cepat. Untuk mengatasi tantangan ini, tim menciptakan sistem analitik prediktif real-time yang disebut SPOT (Sepsis Prediction and Optimization of Therapy).

Dengan SPOT, klinis dapat mendeteksi sepsis pada pasien dengan lebih akurat dan cepat. Platform ini mengumpulkan dan menganalisis data klinis — seperti lokasi pasien, tanda vital, farmasi, dan data laboratorium — dan memberi sinyal kepada perawat secara real-time untuk memulai perawatan sepsis awal.

Dengan alat SPOT, HCA Healthcare dapat meningkatkan deteksi awal. Klinis dapat mendeteksi dan mengidentifikasi indikator awal sepsis hingga 20 jam lebih awal dari metode saringan tradisional.

Peran Analitik dalam Deteksi Awal Penipuan Medis

Di luar diagnosis, analitik real-time sedang ditargetkan untuk aplikasi perawatan kesehatan lainnya. Misalnya, salah satu masalah besar di industri perawatan kesehatan saat ini adalah jumlah penipuan medis yang terjadi. Pada tahun 2017, ada $1,3 miliar penagihan palsu, menurut Office of Inspector General dari U.S. Department of Health & Human Services. Analitik dapat memainkan peran signifikan dalam mendeteksi penipuan medis serta membantu dalam diagnosis awal kondisi medis.

Bayangkan pusat panggilan medis yang menggunakan teknologi analitik suara selama panggilan dari pasien yang mencoba melakukan penipuan medis. Dengan analitik yang tertanam dalam perangkat lunak, tanda merah dalam nada suara pasien dapat ditetapkan. Orang yang menangani panggilan kemudian dapat diberi peringatan tentang kekhawatiran yang ditandai melalui analitik, memungkinkan mereka untuk menyelidiki situasi pada tingkat yang lebih dalam. Analitik akan berperan kunci dalam deteksi awal penipuan medis – memperingatkan organisasi tentang penipuan potensial sejak proses penjadwalan janji temu.

Tantangan Nyata: Bekerja dengan Data

Dalam semua upaya, tantangan utama adalah bagaimana menggunakan sejumlah besar sumber data secara efisien. Solusi yang sesuai akan mampu:

Menyatukan berbagai sumber data secara berkelanjutan: Peralatan medis menyediakan tampilan visual tanda vital melalui aliran fisiologis seperti elektrokardiogram (ECG), detak jantung, saturasi oksigen darah (SpO2), dan frekuensi pernapasan. Inisiatif rekam medik elektronik di seluruh dunia menciptakan lebih banyak sumber data medis. Kondisi kehilangan nyawa seperti infeksi nosokomial, pneumotoraks, hemorase intrakameral, dan leukomalasia periventrikular dapat terdeteksi menggunakan analitik yang menyatukan berbagai sumber data.

Memberikan perawatan yang sangat dipersonalisasi: Deteksi tanda lebih awal untuk meningkatkan hasil pasien dan mengurangi durasi perawatan. Penemuan pengetahuan yang diotomatisasi atau didorong klinis untuk mengidentifikasi hubungan baru antara peristiwa aliran data dan kondisi medis.

Mendukung perawatan proaktif: Membuat profil untuk setiap pasien berdasarkan aliran data yang dipersonalisasi dan menerima wawasan secara berkelanjutan

Kesimpulan

Sederhananya, potensi real-time analitik untuk mengatasi berbagai tantangan di industri perawatan kesehatan saat ini sangat besar. Dengan semua kemajuan yang telah dibuat dalam penciptaan teknologi baru untuk meluncurkan perawatan kesehatan ke generasi berikutnya dari pengalaman pasien, hanya wajar bahwa penerapan analitik real-time untuk diagnosis medis awal, penipuan medis, dan aplikasi lainnya akan mengikutinya.