Предиктивная аналитика: вызовы и возможности для здравоохранения
Современные технологии, включающие в себя Большие данные и машинное обучение, открыли новые горизонты для рынка предиктивной аналитики и систем поддержки принятия решений (СППР). При грамотном использовании именно они станут следующим шагом в цифровой трансформации любой отрасли, в том числе и здравоохранения. О том, как предиктивная аналитика может сделать окружающую нас инфраструктуру безопасной и комфортной, рассказал руководитель проекта «АСУ «Скорая помощь» компании ICL Soft (входит в группу компаний ICL) Сидоров Константин.
Константин, расскажите о рынке предиктивной аналитики? Какие вызовы она может принять и решить?
Константин Сидоров: Предиктивная аналитика (ПА) предоставляет менеджменту компаний инструмент, который позволяет принимать более точные и правильные управленческие решения, снижать риски, опираясь на прогнозируемые данные. При этом нужно понимать, что прогнозируемая оценка не предсказывает будущее наверняка, а лишь показывает вероятности происхождения тех или иных событий. Но точность прогнозирования можно повысить, применяя машинное обучение и обогащая накопленные данные дополнительными, такими как, например, погода, сезонность и прочее в зависимости от объекта аналитики.
Сегодня рынок предиктивной аналитики достаточно быстрорастущий. Согласно исследованию компании AMR с 2020 до 2027 года совокупный среднегодовой рост рынка ПА составит 21,9%, а годовой оборот рынка предиктивного анализа к 2027 году достигнет 35,45 миллиардов долларов.
Где может быть применен предиктивный анализ?
Константин Сидоров: Естественно, широкое применение анализа данных и предиктивного анализа происходит в коммерческом секторе, но применение ПА в государственном секторе также возможно. Например, в вопросах противодействия преступности. Одна из американских ПА-компаний на основе исторических данных города Санта-Круз (штат Калифорния – прем.ред) продемонстрировала, что 25% краж могут быть точно предсказаны. Такая система поможет полиции выявлять различные «горячие точки», которые затем могут ежедневно патрулироваться.
Другой пример, это использование ПА в ГИБДД для превентивных мер. Например, для снижения несчастных случаев и ДТП. Тепловая карта, на которой будут собраны все места с максимальной концентрацией вызовов о ДТП, может служить отличным инструментом для анализа и последующим применением мер, чтобы держать под контролем опасные участки дорог для предотвращения потенциальных угроз жителям населенных пунктов.Вручены награды TAdviser IT Prize в 12 номинациях
В здравоохранении наибольший интерес представляют такие направления, как анализ данных пациентов и оценка рисков, а также анализ изображений и диагностика. К примеру, предиктивный анализ может помочь предупреждать хронические заболевания, основываясь на данных об историях болезни и других показателях. При этом, согласно исследованию MIT Technology Review 93% организаций здравоохранения называют искусственный интеллект и предиктивный анализ одним из наиболее важных приоритетов развития, а 78% медицинский организаций в мире уже внедряют или планируют внедрять такие решения.
Есть ли в компании ICL уже свои разработки по ПА-направлению?
Константин Сидоров: Мы ведем разработку модуля предиктивного анализа для автоматизированной системы управления «Скорая помощь». В настоящий момент АСУ «Скорая помощь» используется в качестве региональной системы (единой системы диспетчеризации санитарного транспорта – прим.ред) в 10 российских субъектах, в том числе и в Татарстане.
Она решает задачи приема и распределения вызовов, отслеживания местоположения бригад и их состояния, дает рекомендации кратчайшего пути до адресов пациентов, а также берет на себя задачи по поддержке принятия решения при госпитализации, статистической обработки информации, оценки соответствия стандартам медицинской помощи вплоть до оценки эффективности работы всей службы региона. АСУ «Скорая помощь» также ведет учет медикаментов, расходов на бензин, рассчитывает стоимость вылетов санавиации и обеспечивает информационную поддержку работы бригад медиков (мобильные рабочие места – прим.ред).
Какие важные направления в предиктивной аналитике определены для АСУ «Скорая помощь»?
Константин Сидоров: Во-первых, это прогнозирование количества диспетчеров, обслуживающих входящие вызовы. Это важно и нужно, потому что от этого зависит оперативность при принятии вызова и его обработке. Чем быстрее это будет сделано, тем быстрее вызов будет передан бригаде скорой помощи и, как следствие, общее время обслуживания вызова скорой помощи будет сокращено.
Во-вторых, территориальное распределение вызовов и их количественное изменение по времени обращений. Данная информация может быть представлена в виде карты с тепловыми слоями по количеству обращений за скорой медицинской помощью. Это позволит спрогнозировать количество вызовов в новых застраиваемых микрорайонах города и время, которое потребуется бригаде скорой помощи, чтобы доехать до места вызова, а также позволит получить предложения по перераспределению ресурсов скорой помощи или при необходимости выдаст предложения по формированию новых подстанций скорой помощи.
В-третьих, ПА поможет спрогнозировать расход лекарственных препаратов (ЛП) с целью последующего формирования их достаточного количества для закупки. Здесь очень важно точно формировать количество необходимых лекарственных препаратов, так как существенный перерасход ЛП приводит к неэффективному распределению бюджетных средств, а недостаточное их количество еще более критично, так как дефицит медикаментов в работе скорых недопустим.
Если в целом и коротко, то в разрабатываемом модуле для АСУ «Скорая помощь» можно будет в несколько кликов получать информацию с прогнозом поступления вызовов по часам, необходимым количеством диспетчеров и тепловую карту распределения вызовов. Такое решение позволит сократить время обработки всех поступающих вызовов по номерам 03 и 112.
Какие планы по дальнейшему развитию АСУ «Скорая помощь» вы ставите для себя?
Константин Сидоров: В дополнение к модулю предиктивной аналитики, в рамках развития и улучшения АСУ «Скорая помощь», мы продолжаем развивать взаимодействие с телемедицинским оборудованием, которое имеет возможность дистанционной передачи данных. Таким образом бригады скорой помощи могут получить консультацию от профильных специалистов для более точного определения диагноза.
Уже сейчас в системе осуществлена интеграция с электрокардиографом, с которого информация о пациенте может сразу передаваться в лечебное учреждение. Это даёт возможность врачам подготовиться к необходимым манипуляциям с пациентом ещё до его поступления в лечебное учреждение. Другой пример, это внедрение и взаимодействие с компактными магнитными томографами. Эти действия помогут ещё точнее определять диагноз пациента и позволят уменьшить время принятия решения для манипуляций с такими заболеваниями, как инсульт, где правильные и быстрые решения жизненно необходимы.
В настоящее время компания ICL также ведёт разработку мобильного приложения, которое может быть установлено на смартфон любого человека. Это позволит удобно и за несколько кликов вызывать скорую помощь. Такие мероприятия позволят повысить эффективность работы службы скорой помощи и, как следствие, повысить качество медицинского обслуживания граждан в части оказания скорой и неотложной медицинской помощи.