เนื้อหา
- Predictive Analytics คืออะไร
- การวิเคราะห์เชิงพยากรณ์ในการดูแลสุขภาพ
- กรณีศึกษา 2: คลินิกที่ไม่มีชื่อช่วยเพิ่มผลกำไร
- ความต้องการ
- การกระทำ
- ผลลัพธ์
- จุดสำคัญที่ต้องจำ
- สรุป
ที่มา: Andreypopov / Dreamstime.com
Takeaway:
อุตสาหกรรมการแพทย์กำลังใช้การวิเคราะห์เชิงพยากรณ์เพื่อปรับปรุงการดูแลผู้ป่วยลดอินสแตนซ์ของปัญหาซ้ำ ๆ และเพิ่มผลกำไร
การวิเคราะห์เชิงทำนายกำลังถูกกล่าวถึงว่าจะให้คำจำกัดความใหม่เกี่ยวกับการดูแลสุขภาพ มันจะทำนายการเกิดขึ้นของการเจ็บป่วยที่สำคัญและความน่าจะเป็นของการอ่านในอนาคต ส่วนอื่น ๆ เช่นอาหารและเครื่องดื่มสิ่งพิมพ์และความบันเทิงได้รับประโยชน์จากการใช้การวิเคราะห์เชิงพยากรณ์แล้ว - ไม่มีเหตุผลที่การดูแลสุขภาพไม่สามารถทำได้เหมือนกัน
อย่างไรก็ตามคำจำกัดความและขอบเขตของการวิเคราะห์เชิงพยากรณ์จำเป็นต้องเข้าใจอย่างถี่ถ้วนก่อนในการดูแลสุขภาพ รูปแบบที่เหมาะกับทุกคนจะไม่ทำงาน สิ่งสำคัญคือต้องมีการจัดหาโครงสร้างพื้นฐานสำหรับการวิเคราะห์และสามารถส่งข้อมูลที่จำเป็นไปยังผู้เชี่ยวชาญด้านการดูแลสุขภาพในรูปแบบที่ถูกต้อง เพื่อส่งมอบการดูแลสุขภาพที่เหมาะสมและเชิงรุกผู้เชี่ยวชาญด้านการดูแลสุขภาพจะต้องได้รับการต่อต้านที่เหมาะสมและเมตาดาต้า ดังนั้นในขณะที่การวิเคราะห์เชิงคาดการณ์เป็นสิ่งที่ดีสำหรับการดูแลสุขภาพนั้นจะต้องได้รับการปรับแต่งก่อนและข้อมูลที่ถูกต้องในรูปแบบที่ถูกต้องจะต้องส่งมอบ (หากต้องการเรียนรู้เกี่ยวกับบทบาทของข้อมูลขนาดใหญ่ในการดูแลสุขภาพให้ดูที่ Big Data ปฏิวัติการดูแลสุขภาพหรือไม่)
Predictive Analytics คืออะไร
Predictive Analytics เป็นสาขาของการวิเคราะห์ขั้นสูงที่ให้การคาดการณ์ของเหตุการณ์บางอย่างขึ้นอยู่กับข้อมูลในอดีตรูปแบบข้อมูลและปัจจัยการผลิตอื่น ๆ ขั้นตอนเชิงรุกสามารถดำเนินการตามความต้องการที่เกิดขึ้นจากการคาดการณ์ เพื่อทำการคาดการณ์นั้นการวิเคราะห์เชิงพยากรณ์ใช้ประโยชน์จากเทคนิคที่ใช้ในสาขาอื่นเช่นการทำเหมืองข้อมูล, ปัญญาประดิษฐ์, การสร้างแบบจำลอง, การเรียนรู้ของเครื่องจักรและสถิติและรวมเข้ากับเทคโนโลยีสารสนเทศการจัดการและการจำลองกระบวนการทางธุรกิจ การคาดการณ์สามารถใช้เพื่อระบุความเสี่ยงและโอกาสในอนาคต การวิเคราะห์เชิงพยากรณ์สามารถช่วยให้องค์กรธุรกิจประสบความสำเร็จได้หลายอย่าง ตัวอย่างบางส่วน ได้แก่ :
- ระบุการเชื่อมโยงและรูปแบบที่ซ่อนอยู่
- ปรับปรุงการรักษาลูกค้า
- ลดความเสี่ยงเพื่อลดการสูญเสียและการสัมผัส
- ปรับปรุงความพึงพอใจของลูกค้า
มีตัวอย่างมากมายในชีวิตจริงของวิธีที่ธุรกิจได้รับประโยชน์จากการใช้การวิเคราะห์เชิงพยากรณ์ แอคเซนเจอร์ได้ทำการสำรวจเพื่อค้นหาว่าธุรกิจต่าง ๆ ได้ประโยชน์จากการใช้การวิเคราะห์เชิงพยากรณ์ ผลการวิจัยบางส่วนคือ:
- Best Buy ค้นพบว่าลูกค้าน้อยกว่า 7% มียอดขายถึง 43% จากนั้นจึงแบ่งกลุ่มลูกค้าอย่างมีเหตุผลและออกแบบร้านค้าและประสบการณ์ในร้านเพื่อสะท้อนพฤติกรรมการซื้อของกลุ่มลูกค้าเฉพาะ
- Olive Garden ร้านอาหารอเมริกันบรรยากาศสบาย ๆ ใช้ข้อมูลในการออกแบบและออกแบบเมนูใหม่ ด้วยวิธีนี้จะสามารถลดการสูญเสียอาหารอย่างมีนัยสำคัญ
การวิเคราะห์เชิงทำนายจะถูกนำไปใช้กับโดเมนจำนวนมากเช่นการดูแลสุขภาพการจัดการลูกค้าสัมพันธ์ (CRM) การตรวจจับการทุจริตและการจัดการความเสี่ยง การวิเคราะห์เชิงพยากรณ์ก็มักจะถูกรวมเข้ากับการวิเคราะห์ที่กำหนดไว้ล่วงหน้า การวิเคราะห์แบบกำหนดล่วงหน้าในการต่อต้านนี้หมายความว่าไม่เพียง แต่เป็นการคาดการณ์เกี่ยวกับเหตุการณ์บางอย่างเท่านั้น แต่ยังมีขั้นตอนที่แน่นอนที่ต้องดำเนินการเพื่อจัดการกับสถานการณ์ ขั้นตอนเหล่านี้จะให้บริการโดยเครื่องมือวิเคราะห์เอง (เรียนรู้เพิ่มเติมเกี่ยวกับการตรวจจับการฉ้อโกงด้วยการเรียนรู้ของเครื่องและ Hadoop ในการตรวจจับการฉ้อโกงรุ่นต่อไป)
การวิเคราะห์เชิงพยากรณ์ในการดูแลสุขภาพ
ในทางทฤษฎีการวิเคราะห์เชิงทำนายมีบทบาทสำคัญในการปรับปรุงการดูแลสุขภาพ แม้ว่ามันจะยังคงเป็นผู้เข้ามาใหม่ในการจัดการด้านการดูแลสุขภาพและขอบเขตของมันยังคงทำงานอยู่การวิเคราะห์เชิงทำนายสามารถวิเคราะห์ข้อมูลผู้ป่วยในอดีตและให้การคาดการณ์สำหรับสิ่งต่าง ๆ เช่นความเสี่ยงต่อการเจ็บป่วยคะแนนความน่าจะเป็นของโรคหัวใจและโรคหอบหืด ความน่าจะเป็นของการอ่านค่า
สมองของมนุษย์ไม่สามารถวิเคราะห์ตัวแปรได้มากกว่าหกถึงแปดตัวในแต่ละครั้งเพื่อวิเคราะห์ปัญหาอย่างถูกต้อง แต่อัลกอริทึมของแบบจำลองการทำนายสามารถวิเคราะห์ตัวแปรหลายร้อยตัวในแต่ละครั้งเพื่อสร้างโปรไฟล์ที่แม่นยำของปัญหาทางการแพทย์ ขึ้นอยู่กับโปรไฟล์การวินิจฉัยที่แม่นยำและการคาดการณ์ความเสี่ยง (ถ้ามี) สามารถทำได้
การสร้างแบบจำลองการทำนายสามารถช่วยควบคุมต้นทุนที่เกี่ยวข้องกับการรักษาพยาบาล ในสหรัฐอเมริกาผู้ป่วยเมดิแคร์หนึ่งในห้าคนจะได้รับการรักษาซ้ำในโรงพยาบาลภายใน 30 วันหลังจำหน่ายซึ่งส่งผลให้มีค่าใช้จ่าย 17,000 ล้านเหรียญสหรัฐต่อปี
Steadman Hawkins Clinic สามารถเพิ่มผลกำไรสุทธิได้ 20 ล้านเหรียญต่อปี พวกเขายังสามารถปรับปรุงความแม่นยำของการทำนายทางการเงินของพวกเขาจาก 30 เป็น 32 เปอร์เซ็นต์
กรณีศึกษา 2: คลินิกที่ไม่มีชื่อช่วยเพิ่มผลกำไร
ความต้องการ
คลินิกต้องการที่จะปรับปรุงการบริการให้กับผู้ป่วยและเพิ่มผลกำไรด้วยการใช้ทรัพยากรของตนเองอย่างเหมาะสมที่สุดซึ่งรวมถึงเจ้าหน้าที่สิ่งอำนวยความสะดวกและเครื่องมือต่างๆ
การกระทำ
คลินิกรวบรวมข้อมูลมากมายเกี่ยวกับตัวแปรต่าง ๆ เช่นประเภทของการดูแลที่ต้องการโดยผู้ป่วยโปรไฟล์พนักงานและคุณสมบัติโปรไฟล์ผู้ป่วยคุณภาพของบริการที่จัดส่งเช่นเวลาตอบสนองผลลัพธ์ประสบการณ์ผู้ป่วยและเวลารอผู้ป่วย จากการรวบรวมข้อมูลการวิเคราะห์เชิงพยากรณ์ถูกนำไปใช้ พวกเขาคาดหวังการวิเคราะห์ที่เป็นรูปธรรมและแนวทางปฏิบัติที่จะนำมาใช้
ผลลัพธ์
แม้ว่าคลินิกยังอยู่ในขั้นตอนของการนำนโยบายไปใช้ตามการวิเคราะห์เชิงคาดการณ์ แต่ก็มีสัญญาณว่าพวกเขากำลังประสบความสำเร็จในการทำกำไรสูงกว่าอย่างน้อย 10 เปอร์เซ็นต์ก่อนหน้านี้
จุดสำคัญที่ต้องจำ
ไม่ใช่ว่าการใช้การวิเคราะห์เชิงทำนายจะเริ่มทำสิ่งมหัศจรรย์ทันที ผลลัพธ์ขึ้นอยู่กับวิธีการ ขั้นแรกให้อุตสาหกรรมต้องพิจารณาว่าการวิเคราะห์เชิงทำนายความหมายในการต่อต้านแล้วระบุขอบเขตของมัน นอกจากนี้อุตสาหกรรมการดูแลสุขภาพจำเป็นต้องจำบทเรียนต่อไปนี้จากอุตสาหกรรมอื่น ๆ :
- จำนวนข้อมูลเชิงลึกไม่ได้สัดส่วนโดยตรงกับปริมาณของข้อมูล คุณจะไม่ได้รับข้อมูลเชิงลึกมากขึ้นเพียงแค่เพิ่มการรวบรวมข้อมูล
- ข้อมูลเชิงลึกไม่จำเป็นต้องให้คุณค่า คุณต้องปรับเปลี่ยนข้อมูลเชิงลึกก่อนเพื่อให้มันมีประโยชน์
- การใช้การวิเคราะห์เชิงพยากรณ์เป็นสิ่งที่ท้าทายอย่างมาก คุณต้องยอมรับเทคโนโลยีที่เหมาะสมและให้ข้อมูลเชิงลึกแก่บุคลากรทางการแพทย์ในรูปแบบที่เหมาะสม
สรุป
การวิเคราะห์เชิงพยากรณ์จำเป็นต้องรวมเข้ากับการวิเคราะห์แบบกำหนดล่วงหน้าเพื่อให้ได้ผลลัพธ์ที่ถูกต้องเนื่องจากอุตสาหกรรมไม่เพียงต้องการการคาดการณ์ แต่ยังรวมถึงแนวทางปฏิบัติด้วย ในขณะที่แนวคิดนี้ดูเหมือนว่าจะคุ้มค่าในที่สุดธุรกิจต่างๆจำเป็นต้องทำการลงทุนที่ถูกต้องและอดทนกับผลลัพธ์หากพวกเขาหวังว่าจะได้รับผลประโยชน์