Columna Patientflow (beta): IT-understøttelse af Sikkert Patientflow med brug af ”Machine Learning”-baserede prognoser

PrintPrint
Oplægsholder
Navn: 
Mikkel Harbo
Stilling: 
Director, Business Development and Product Management
Firma/organisation: 
Systematic A/S
E-mail: 
mha@systematic.com
Øvrige deltagere i projektet/initiativet
Navn: 
Aarhus Universitet, Region Midtjylland, Region Nordjylland
Hovedbudskaber
Disse tre budskaber kan deltagerne forvente at få med hjem efter at have hørt indlægget.
1: 
Hvordan man kan IT-understøtte Sikkert Patientflow (Real-Time Demand/Capacity Management) ved hjælp at det nye innovative produkt Columna Patientflow (beta).
2: 
Hvordan Machine Learning kan introduceres til støttes af klinikernes prognoser af afsnittenes belægning i forbindelse med tavlemøder og kapacitetskonferencer.
3: 
Hvordan en generel IT-service baseret på Machine Learning kan bruges generelt i alle klinisk systemer til at støtte klinikernes planlægning af den enkelte patients indlæggelsestid og forløb.

Motivation:

På størstedelen af landets akuthospitaler er indført, eller bliver der indført, Sikkert Patientflow (på engelsk: Real-Time Demand/Capacity Management). Processen, som Sikkert Patientflow dækker over, skal bidrage til at den rette patient kommer i den rette seng på den rette afdeling. Målet er, at patienter i mindre grad vil opleve midlertidige placeringer i lånesenge og på gangpladser på afdelinger udenfor det for det speciale, der bedst kan diagnosticere og behandle den enkelte patient.

Sikkert Patientflow bygger på samarbejde på tværs af hospitalets afdelinger og på tværs af de omkringlæggende kommuner og deres aflastningspladser samt hospice-pladser. Samarbejdet tager udgangspunkt i fakta om hver enkelt afsnits patientbelægning og vurdering (prognose) af afsnittets kommende udskrivninger af patienter. Dette udgangspunkt opgøres hver dag på tavlemøder, og tværorganisatoriske hindringer for udskrivelse forsøges håndteret på efterfølgende daglige kapacitetskonference(r), der gennemføres med repræsentanter for hospitalets afsnit eller afdelinger.

Grundlæggende for samarbejdet er således prognoser af udskrivelsestidspunktet for den enkelte patient. Prognoserne er baseret på ”bedste-mands bedste-gæt”. Der er i dag relativ stor fejl i dette gæt på trods af, at man kun forsøger at kigge 24-timer frem i tiden. MEN - hvad hvis man med støtte fra ny teknologi kan halvere fejlenmargin af disse prognoser? Og hvad hvis man ved hjælp af denne nye teknologi kan se 48-timer frem?  Og endda 72-timer frem? Vil man da kunne forbedre forholdende på afsnittende yderligere til gavn for patienterne?

Det vurderer vi, at man kan.

Beskrivelse:

Columna Patientflow (beta) er et nyt innovativt produkt, der ved hjælp af moderne BIG DATA teknologi (Machine Learning) lover netop  at kunne halvere fejlen i personalets prognoser og samtidig gøre personalet i stand til at kigge endnu længere ind i fremtiden.

I dette indlæg vil vi demonstrere Columna Patientflow (beta) og vise resultater fra faktisk brug af systemet og fra Machine Learning-baserede prognoser - og sammenligne dem med hospitalspersonalets prognoser.