وی معتقد است تامین تجهیزات پزشکی و لوازم جراحی در بیمارستانها هزینه درخور توجهی دارد و در برخی موارد، این میزان یک سوم کل هزینه های عملیاتی بیمارستانها را شامل می شود. اما بهبود زنجیره تامین و مدیریت موجودی، اغلب در بیمارستان ها اولویت بالایی ندارد و ارائه دهندگان خدمات سلامت بیشتر تمایل دارند بر فرایندهای مراقبت مستقیم از بیمار تمرکز کنند.
مدیریت زنجیره تامین با کمک فناوری دیجیتال
حسینی در پایان خاطر نشان کرد: بیمارستانها برای امکانپذیر کردن برخورداری از مزیت های تحول دیجیتال، باید با نگاهی تحول آفرین در مدل کسب و کار، فرایندها و ذینفعان و با تمرکز و محوریت جمع‌آوری داده‌ها و تعامل با سیستمهای نوآورانه فناوری اطلاعات، به این مهم بپردازند. برای تحول دیجیتال در گام نخست یک شرکت در حوزه هوشمندسازی را به‌عنوان همکار راهبردی گزینش کنند؛ یک مجموعه متخصص در حوزه تحول دیجیتال که نقشه راه هوشمندسازی را طراحی، در راه پیاده‌سازی آن همراهی و راهنمایی کند و برای چالش‌ها و بازدارنده‌ها، راهکارهای خلاقانه ارائه کند؛ خوشبختانه امروز در ایران هم مجموعه‌های متخصص وجود دارند و هم فناوری لازم برای ایجاد زیرساخت توسعه یافته است.
وی افزود: یکپارچه‌سازی و هماهنگ‌کردن تجهیزات بخش‌های مختلف یک بیمارستان می‌تواند موجودی مورد نیاز برای ارائه سطح معینی از خدمات را تا حد قابل توجهی کاهش دهد. متمرکزسازی فیزیکی یکی از راه‌های دستیابی به این هدف است، اما متمرکزسازی اطلاعات که به راحتی با یک سیستم دیجیتالی مدیریت زنجیره تامین قابل دستیابی است هم ممکن است بتواند به همان اندازه مفید واقع شود.
وی افزود: به این ترتیب کارتابل مدیریت تخت های بیمارستان، برنامه ریزی بهتر و ارتباطات پیشرفته را در بخش های مختلف امکانپذیر می کند و البته این فرایند می تواند به سامانه هشداردهی خودکار تجهیز شود برای مثال وقتی که میانگین زمان انتظار برای تخت جدید از آستانه پیش‌بینی شده عبور کند، هشدار بدهد.
حسینی ادامه داد: بررسی داده های عملیاتی بیش از ۱۹۰ هزار مورد بستری در ۱۵ بیمارستان نشان می دهد، بیمارانی که می‌بایست در آی سی یو پذیرش می‌شدند، اما در بخش دیگری از بیمارستان (برای مثال، بخش عمومی) بستری شده اند، دوره اقامت طولانی‌تری در بیمارستان داشته و نرخ پذیرش دوباره آنها هم افزایش یافته است.
وی در ادامه سخنانش تشریح کرد: از الگوریتم‌ها همچنین می‌توانیم برای خودکارسازی وظایف عملیاتی استفاده کنیم. در یک مجموعه آزمایش‌ها از پزشکان و کارکنان «آمازون مکانیکال ترک» Amazon Mechanical Turk خواسته شد یک واحد بیمارستانی شبیه‌سازی شده را مدیریت کنند، یافته‌های این آزمایش‌ها نشان داد سوگیری‌های رفتاری و خطاهای تصمیمگیری مبتنی بر شناخت، ممکن است بر تصمیم‌های عملیاتی تأثیر بگذارند. با جدا کردن تصمیم گیری به دو بخش بالینی و عملیاتی و استفاده از الگوریتم‌ها برای خودکارسازی مؤلفه عملیاتی به نتایج بهتری می‌انجامند.
به گزارش ایسنا، امروزه بیمارستانها و مراکز درمانی پیشرو با پیاده‌سازی سامانه‌های یکپارچه هوشمند و داده محور و همچنین بهره‌گیری از فناوریهایی نظیر هوش مصنوعی (AI)، بر بهبود فرایند تشخیص و درمان با کمک گرفتن از «سیستمهای پشتیبان تصمیم گیری» (Decision Support System)، تمرکز کرده‌اند.
او در ادامه سخنانش گفت: طبق اطلاعات سایت هاروارد بیزنس ریوو، فناوری‌های RFID (ردیابی با استفاده از فرکانس رادیویی) و ردیاب‌های متصل به اینترنت می‌توانند برای ردیابی و مکان‌یابی بهتر و در لحظه هر یک از تجهیزات مورد استفاده قرار بگیرند. برای مثال، بیمارستان سنت ماریس کلینیک مایو در سال ۲۰۱۵ یک سیستم RFID را برای عملیات بخش اورژانس خود راهاندازی کرد که به بهبود مراقبت و تجربه بیمار و همچنین کاهش هزینهها منجر شد.
او افزود: توانایی سامانه‌های هوشمند مدیریت منابع بیمارستان در اقدامات پیش دستانه و ارائه پاسخ سریعتر سطح ثبات و پیش‌بینی‌پذیر بودن برنامه کاری پرستاران را افزایش می‌دهد. این جنبه از این نظر مهم است که نرخ بالای جابه‌جایی پرستاران یکی از چالش‌های مهم حوزه سلامت و درمان است؛ بررسی دلایل جابه جایی پرستاران در یکی از بزرگ‌ترین آژانس‌های امریکایی سلامت در منزل، نشان می‌دهد ناهماهنگی‌های ناشی از عملکرد کارفرما در برنامه‌ریزی امور محوله به کارکنان، احتمال ترک کار از سوی آنان را افزایش می دهد.
فناوری‌های نوپدید دیجیتال، با دگرگون کردن مناسبات حرفه‌ای و فرایندهای کسب و کاری، فرهنگ و تجربه مشتری را با ساختاری نوین بازآفرینی کرده‌اند و حوزه سلامت و درمان به‌عنوان یکی از بسترهای راهبردی بهره‌گیری از فناوری‌های نوپدید به شمار می‌آید.
وی افزود: در بیمارستان، سیستمهای عملیاتی «پشتیبان تصمیمگیری» که مبتنی بر داده‌ها هستند (Data Driven DSS)، می‌توانند بینش‌های ارزشمندی را برای کمک به تصمیمگیری در حوزه های تریاژ (اولویتبندی بیماران برای بهرهمندی از درمان)، پذیرش و ترخیص ارائه دهند. برای مثال، وقتی در بخش پذیرش مطمئن نیستند که بیمار تازه وارد،پ باید به آیسییو فرستاده شود یا به بخش عمومی، یک الگوریتم پشتیبان تصمیمگیری می تواند توصیه هایی را براساس اولویت‌های پیش بینی شده برای پذیرش در آی سی یو ویژه آن بیمار خاص ارائه دهد.
انتهای پیام
منبع: https://www.isna.ir/news/1401092316077/%D8%B1%D9%88%DB%8C%DA%A9%D8%B1%D8%AF-%D8%AA%D8%AD%D9%88%D9%84-%D8%AF%DB%8C%D8%AC%DB%8C%D8%AA%D8%A7%D9%84-%DA%86%DA%AF%D9%88%D9%86%D9%87-%D8%A8%D9%87-%D8%A8%D9%87%D8%A8%D9%88%D8%AF-%D8%B3%D8%B7%D8%AD-%D8%AE%D8%AF%D9%85%D8%A7%D8%AA-%D8%A8%DB%8C%D9%85%D8%A7%D8%B1%D8%B3%D8%AA%D8%A7%D9%86-%D9%87%D8%A7-%DA%A9%D9%85%DA%A9
حسینی با بیان اینکه تحقیقات نشان داده است در بسیاری از صنایع، رویکرد تحول دیجیتال در زنجیره تامین، هزینه های فرایندها را تا ۵۰ درصد کاهش و درآمد را تا ۲۰ درصد افزایش می دهد، تشریح کرد: بیمارستان ها نیز از این قاعده مستثنی نیستند؛ خودکار کردن فرایند جمع‌آوری داده‌ها، مرتب سازی، تطبیق حسابها و پرداخت هزینه تجهیزات پزشکی، جراحی و دارویی، باعث کاهش هزینه‌های مرتبط با زنجیره تامین و مدیریت موجودی می‌شود. در جریان همه‌گیری کرونا، تقویت چابکی و انعطاف‌پذیری در برابر شوک‌های عرضه و تقاضا بسیار حیاتی‌تر شد و اکنون مدیران بیمارستانها به طور فزایندهای به‌دنبال راه‌هایی برای استفاده از داده‌ها و فناوری‌ها هستند تا درک درست تری از موجودی، قیمت‌گذاری، زمان انتظار و روند تقاضا داشته باشند.
الگوریتم های هوش مصنوعی بطور فزایندهای برای بهبود تشخیص بالینی علائم بیماری در زمینه هایی مانند رادیولوژی، پوست، گوارش، چشم پزشکی و آسیب شناسی مورد استفاده قرار گرفته است، با این حال، تمرکز بر رویکرد تحول دیجیتال، فقط بمنظور بهبود تشخیص‌های پزشکی، اشتباه است. بیمارستانها می‌توانند در چندین حوزه کلیدی از تحول دیجیتال برای بهبود مستمر برنامه‌های عملیاتی و ایجاد ارزش و مطلوبیت برای ذینفعان، شامل بیمار، کادر درمان، نوبت دهی و مدیریت زنجیره تامین استفاده کنند.
فناوری دیجیتال در خدمت کادر درمان
طبق گفته حسینی در بخش های بیمارستانی، الگوریتم‌های یادگیری ماشین (Machin learning) و پشتیبان تصمیم گیری می‌توانند برای پیش‌بینی تعداد مورد انتظار پذیرش ها، ترخیص‌ها و انتقال بیماران به بخش استفاده شوند و این پیش‌بینی‌ها، روند اقدامات بعدی را هدایت می‌کنند و بدین ترتیب روند گردش تخت‌های بیمارستان تسهیل می‌شود، سفر بیمار بهبود می‌یابد و از مدت اقامت بیماران کاسته می‌شود.
او در ادامه سخنانش با بیان اینکه پیش‌بینی‌های هر بخش در کارتابل مدیریت تخت‌ها در کل بیمارستان نه تنها وضعیت فعلی هر بخش را نشان می دهند، بلکه پیش‌بینی‌هایی نیز برای وضعیت آینده مورد انتظار در بیمارستان ارائه می‌کنند، تصریح کرد: نتایج نمونه‌های اجرا شده بسیار امیداورکننده است برای مثال یک مرکز پزشکی در بوستون امریکا، با همکاری گروهی از پژوهشگران دانشگاه امآیتی کارپوشه های پیش‌بینی شده برای پشتیبانی از تصمیم‌گیری‌ها در زمینه پذیرش و انتقال بیماران را با نمایش آمار فعلی هر بخش و همچنین تعداد ترخیص‌های پیش‌بینی‌شده اجرا کرد و به همین ترتیب، یک بیمارستان کودکان در بوستون امریکا از سامانه پیش‌بینی کننده تعیین جا برای بیمار استفاده می‌کند که با کمک آن بخش اورژانس می‌داند چه بیمارانی احتمالاً در بیمارستان پذیرش شده و در کدام بخش بستری می‌شوند.
فناوری دیجیتال برای بهینه‌سازی نوبتدهی
در همین رابطه، مهدی حسینی – مدیر ارشد سلامت هوشمند فناپ زیرساخت – در گفت و گو با ایسنا، با بیان اینکه، از آنجا که بیمارستانها تلاش می کنند مراقبت های مناسب و سفارشی‌سازی شده را در زمان مناسب به یک بیمار مشخص، ارائه دهند بنابراین انجام دو کار ضروری است، اظهار کرد: نخست ارزیابی دقیق فرایند تشخیص و درمان بیماران و دوم مدیریت موثر منابع بیمارستانی. برخی از آنها برای فرایند تشخصی و درمان تا حدودی آموزش دیده اند، اما مهارت و قابلیت لازم برای مدیریت موثر منابع بیمارستانی ندارند و این مسئله چالش‌برانگیزی است، به ویژه در دورانی که همه گیری کووید-۱۹ به اوج رسیده بود، این موضوع فشار بالایی بر ظرفیت بیمارستانها وارد کرد.
او گفت: اگر ظرفیت آی سی یوی مورد نظر محدود باشد، مسئولان بیمارستان ممکن است گزینه های مختلفی مانند بستری کردن بیمار در یک واحد دیگر (مثلا، آی سی یوی جراحی بجای پزشکی) یا ترخیص بیمارانی که در حال حاضر در آی سی یو هستند را برای ایجاد فضا در آی سی یو درنظر بگیرند و البته برپایه تحقیقات گزینش هر یک از این دو رویکرد، پیامدهای مهم و ناخواسته ای دارند. الگوریتم‌های پشتیبان تصمیم گیری می‌توانند این پیامدها را کاهش دهند، هزینهها و منافع انتخاب‌های مختلف را بسنجند و توصیه‌های مناسب ارائه دهند.
حسینی اظهار کرد: بسیاری از بیمارستانها به سمت ثبت و ذخیره الکترونیکی پرونده بیماران رفته‌اند، اما نوبتدهی در بخش های مختلف هنوز تا حد زیادی یک فرایند دستی است از برنامه ریزی روند جراحی ها در اتاق های عمل تا رادیولوژی و بسیاری از موارد دیگر هنوز دستی انجام می‌شود. در زمینه نوبت دهی و زمانبندی، فناوری‌های دیجیتال برای پیش‌بینی بهتر نیازهای بخش ها و هماهنگی آسان تغییرات لحظه‌ای و همچنین بهینه‌سازی نوبت دهی‌ها برپایه آخرین متدها بکارگرفته می‌شوند. برای مثال، از الگوریتم‌های یادگیری ماشین می‌توان برای پیش‌بینی بهتر مدت زمان هر روند کاری مانند جراحی یا ام آرآی استفاده کرد. مثال دیگر، مدت زمان مورد انتظار برای یک عمل جراحی نه تنها تابعی از ویژگی های بیمار و نیازهای بالینی او بلکه تابع عوامل مختلف عملیاتی است، بدان معنا که مدت زمان انجام عمل جراحی بسته به ابعاد تیم جراحی، حجم کاری و مراحل کار در اتاق عمل تغییر می‌کند. الگوریتم‌ها برای محاسبه تأثیرات این عوامل عملیاتی در ارائه پیش‌بینی‌ها، به ما کمک می‌کنند.