Egészségügy 2.0: a szolgáltatások fejlesztése az adattudomány segítségével
Az előző bejegyzésekben arról beszéltünk, hogy miért válik az idősgondozás minden társadalomban kiemelt prioritássá, és hogyan lehet az AI és az adattudomány segítségével számos kihívásra megoldást találni. Az egyének személyre szabott gondozásához szükség van a távfelügyeletre, de az ilyen megoldások naiv használata több kárt okozhat, mint hasznot. A federált tanulás az egyik módja ennek a kihívásnak a megoldására. Ez a bejegyzés arról szól, hogyan lehet a megfigyelést más információforrásokkal együtt használni az egyéni és közösségi szintű jobb támogatás érdekében.
Kezdjük azzal, hogy valljuk be, kockák vagyunk: mindannyian szeretjük a statisztikákat (reméljük, önök is!). És az egészségügyben rengeteg statisztika van! Ez nagyszerű, de a statisztikák csak akkor hasznosak, ha a kontextus is adott. A kontextust térben és időben határozzuk meg, ezért olyan régiókon átívelő mérésekre van szükségünk, amelyek rendszeresen frissíthetik tudásunkat (modelljeinket) arról, amiről gondoskodunk. Nem is olyan régen még mindenki a COVID-19 járványok infografikáit és statisztikáit nézte, amelyek a világ minden tájáról adtak nekünk apró információkat (mint például https://www.worldometers.info/coronavirus/ vagy https://ourworldindata.org/coronavirus vagy https://coronavirus.jhu.edu/map.html). Mindenki számára nyilvánvalóvá vált, hogy a modern digitális eszközök (hardver, kommunikáció, szoftver) megfelelő használata létfontosságú lehet. Vészhelyzetekben mindent bedobunk, amink van, hogy válaszokat kapjunk és gyors döntéseket hozzunk. Sűrű megfigyelésekkel és a megfelelő modellezéssel láthatóvá válik, hogy ki van nagyobb veszélyben, hova kell először orvosi segítséget telepíteni, hogyan kell átszervezni a logisztikát stb.
Szerencsére a vészhelyzetek nem állandóak. De sokat tanultunk a hatékony információgyűjtésről és modellezésről társadalmi léptékben! És erre a friss tudásra van szükség, amikor nagy közösségek támogatására gondolunk: legyenek azok távoli falvakban élő gyerekek, otthon élő idősek vagy a megfelelő infrastruktúrával nem rendelkező nagy területek általános lakossága. Ezek a forgatókönyvek meglehetősen eltérőek, mégis hasonló eszközök és szolgáltatások támogathatják őket. Ami viszont az egyik területen megtanulunk, az egy másik területen hasznos lehet!
Ennek alapján számunkra is igen érdekes egy McKinsey tanulmány arról, hogy a digitális egészségügyi eszközök hogyan erősíthetik a meglévő egészségügyi rendszereket Afrika különböző régióiban [1]. Bár a régiók különböznek egymástól az infrastruktúra, a pénzügyi támogatás mértéke vagy az egészségügyi rendszerek kiterjesztése tekintetében, mindannyiuknak szembe kell nézniük néhány közös kihívással, mint például a biztonságos közlekedési lehetőségek nélküli hatalmas területek, valamint a kulturális és nyelvi különbségek. A McKinsey jelentése szerint „a digitális egészségügyi eszközök a betegek, az egészségügyi dolgozók, a közösségek, a gyógyszer- és biotechnológiai vállalatok, a közegészségügyi vezetők, a szabályozó hatóságok és a fizető felek számára nyújtott, technológiával támogatott termékek és szolgáltatások”. A különböző adatvezérelt és mesterséges intelligencia alapú megoldásokat 6 kategóriába sorolták:
- virtuális interakciók: távkonzultáció, sürgősségi ellátás, mentális támogatás
- papírmentes adatok: egészségügyi információk cseréje, felhőalapú felírás
- önellátás: az ügyfelek aktív részvételét igénylő szolgáltatások
- beteg-önkiszolgálás; időpontegyeztetés stb.
- döntési intelligencia rendszerek: statisztikai modellezés, döntéstámogatás stb.
- munkafolyamat-automatizálás: logisztika és erőforrás-optimalizálás, eszközkezelés
A riport szerint a különböző digitális egészségügyi eszközök bevezetésével elérhető hatékonyságnövekedés vagy megtakarítás csak Dél-Afrikában 2030-ra valahol 2 milliárd és 11 milliárd dollár között lehet (az összes tervezett egészségügyi kiadás 6-15 százaléka) ! A legfontosabb eszközök és szolgáltatások egyéni hozzájárulását a következő táblázat mutatja be:
|
Digitális egészségügyi eszközök |
Konzervatív becslés |
Optimista becslés |
 |
||
|
A digitális eszközök bevezetéséből származó teljes megtakarítás aránya Dél-Afrikában, 2030, % [1] |
||
Nyilvánvaló, hogy számos eszköz és szolgáltatás az egészségügyi rendszer alapvető fontosságú része, vagy az egészségügyi központok tevékenységeihez kapcsolódik (mint például a genetikai tesztelés, a teljesítménymutatók vagy a kórházi logisztika). De sokan az idősgondozás szempontjából is relevánsak (lehetnek)! Bár az infrastruktúra (tömegközlekedés, úthálózat, kommunikációs hálózatok stb.) lényegesen jobb Lengyelországban vagy Magyarországon, a valóságban az idősek számára az ezekhez az infrastruktúrákhoz való hozzáférés meglehetősen korlátozott. Tehát nagyon erős hasonlóság van a két forgatókönyv között. Talán nagy logikai ugrásnak tűnik, de feltételezhetjük, hogy a felsorolt szolgáltatások és eszközök relatív hozzájárulása nagyjából hasonló lenne, ha megfelelően használnák őket az idősgondozásban. Most ássunk egy kicsit mélyebbre, és válasszuk ki a legnagyobb potenciállal rendelkezőket.
Virtuális interakciók
Nos, nem meglepő, hogy a betegek és az ápolók közötti virtuális interakciók jelentősen növelhetik a hatékonyságot, különösen akkor, amikor az erőforrások szűkösek vagy a mobilitás korlátozott. Ezért is érdeklődünk nagyon a nagyméretű megfigyelési és virtuális asszisztencia megoldások iránt (lásd korábbi bejegyzéseinket!). Még a konzervatívabb forgatókönyv szerint is ezek a szolgáltatások a teljes hatékonyságnövekedés mintegy 39%-át adnák.
Információcsere („papírmentes adatok”)
Ami azonban meglepő, hogy a felsorolt eszközök közül a legkevésbé bonyolultnak lehet a legnagyobb hatása! Alapvetően arról van szó, hogy teljesen digitalizált elektronikus egészségügyi (vagy állapot-) nyilvántartásokról van szó, amelyek kereshetők, összehasonlíthatók más információforrásokkal vagy integrálhatók velük. Ismétlem, a konzervatívabb forgatókönyv szerint a szolgáltatások e csoportja a teljes hatékonyságnövekedés közel 24%-át eredményezné.
Figyelembe véve azt a tényt, hogy a nagy adathalmazok létrehozása és karbantartása sokkal olcsóbb, mint a táblázatban szereplő bármely más módszer, ez a hozzájárulás óriási! Valójában olyan hatalmas, hogy ugrándoznunk kellene! Nos, talán mégsem. Bár technikailag a különböző adatforrások integrálása elvégezhető, számos akadály van, ami ezt a feladatot valódi kihívássá teszi.
Valószínűleg az egyik legfontosabb probléma jogi természetű. A betegnyilvántartások, a megfigyelési adatok vagy bármely más gyűjtött személyes információ az Európai Unió általános adatvédelmi rendelete (GDPR) által meghatározott „különleges kategóriába” vagy a kínai személyes adatok védelméről szóló törvény (PIPL) által meghatározott „érzékeny adatok” közé tartozik. Az Egyesült Államokban a kaliforniai fogyasztói adatvédelmi törvény ( CCPAvált nemzeti szabvánnyá. A felszínen ezek a törvények hasonlóak, de jelentős különbségek vannak, amelyek bonyolulttá teszik az adatvezérelt egészségügyi és idősgondozási ellátást. A sok különbség közül hadd emeljünk ki csak két kiemelkedő jellemzőt. A PIPL-hez[3] képest a GDPR nagyon részletes listát ad a „különleges kategóriára” vonatkozó adattípusokról és felhasználási esetekről, de a hatálya szűkebb. A CCPA-hoz [2] képest a GDPR kifejezett hozzájárulást követel meg, ami bizonyos esetekben lehetetlenné teheti a teljes információgyűjtési folyamatot.
Nyilvánvaló, hogy bizonyos megfigyelési adatok nem anonimizálhatók, mivel pontosan tudnunk kell, hogy melyik betegnek van szüksége segítségre, és hol van szüksége segítségre. A differenciált adatvédelem azonban lehetővé teszi az általános információk elkülönítését, amelyek biztonságosan anonimizálhatók, és így már nem minősülnek érzékenynek [4].
A papírmentes adatokon túl
Természetesen az idézett tanulmányban szereplő számok csak durva becslések, mivel nagyon sok ismeretlen van. De jelzik, hogy mennyire fontos a jövőbe való befektetés és az átalakítások megkezdése. És nyilvánvaló, hogy ha ezek az eszközök már működnek, akkor az együttes hatásuk egyre nagyobb lesz.
De miért álljunk meg itt? A felsorolt szolgáltatások és eszközök közvetlenül kapcsolódnak az egészségügyi adatokhoz vagy szolgáltatásokhoz. Amint létrejön a biztonságos kapcsolat a digitális világgal, további információforrások bevonásával számos új lehetőség nyílik.
Itt felsorolunk néhány ötletet arra vonatkozóan, hogyan lehetne további információforrásokat felhasználni, de úgy gondoljuk, hogy a lehetőségek végtelenek.
- Dinamikus átfogó geriátriai értékelés (CGA)
- Időjárás-előrejelzés és pollentérképek
- Digitális magassági térképek (DEM)
- Kapcsolat-távolság térképek
Dinamikus átfogó geriátriai értékelés (CGA)
A [10] szerint a CGA „olyan multidiszciplináris diagnosztikai és kezelési folyamat, amely azonosítja a törékeny idős ember orvosi, pszichoszociális és funkcionális korlátait annak érdekében, hogy összehangolt tervet dolgozzon ki az általános egészségi állapot maximalizálására az öregedés során”.
Egyszerűen fogalmazva az egyén szükségleteinek és korlátainak megértéséről és a jólétének fenntartására irányuló legjobb stratégia meghatározásáról van szó [5,6]. Az igények és korlátok azonban gyorsan változhatnak az egészségi állapot romlása vagy a környező infrastruktúra valamilyen váratlan változása miatt. Mi van, ha a legközelebbi élelmiszerbolt csődbe ment? Mi van, ha a következő buszjáratot építkezés miatt bezárták? Az ilyen jellegű információk természetüknél fogva dinamikusak, és felhasználásuk és integrálásuk az egészségi állapotra vonatkozó adatokkal nem egyszerű. Mégis proaktívabbá és hatékonyabbá tenné az idősgondozást!
Természetesen a szociális ellátórendszerek erőforrásai korlátozottak, ezért figyelembe kell venniük az összes támogatásra szoruló személy igényeit. Az egészségügyi alapellátás elérhetőségének elemzéséhez hasonlóan (mint például [8] ) az idősek közösségének gondozási központok vagy más szolgáltatások elérhetőségének földrajzi modellezése is rendkívül informatív lehet. A következőhöz hasonló térképeket dinamikusan lehetne létrehozni és frissíteni az egyes szolgáltatástípusokra (egészségügyi ellátás, gyógyszertárak, közösségi központok, parkok stb.):
 |
|
Tömegközlekedéssel való elérhetőség vs. gyaloglás időkülönbsége két finn nagyvárosban. Forrás [8] |
Az elérhetőségi térképek rendszeres frissítésével észrevehetnénk azokat a régiókat, amelyek hirtelen nehezebben hozzáférhetővé válnak, és így jelezve, hogy megfelelő intézkedéseket kell hozni.
Időjárás-előrejelzés és pollentérképek
Az infrastruktúrában bekövetkező változások mellett a természeti változások, például az időjárás is sokak számára komoly gondot okozhat. A szélsőséges hőmérsékleti viszonyok sajnos egyre gyakoribbá válnak, és számos korai figyelmeztető rendszer működik. Az olyan hirtelen változásokat azonban, mint az erős szél vagy az esőzések, nehéz megelőzni. Hatásuk azonban függ az idősek sűrűségétől egy adott régióban, így a megfelelő válaszlépések előre modellezhetők és meghatározhatók.
Ha már a szélről beszélünk. A légszennyezés (szmog és pollen) erősebben sújtja a megromlott egészségi állapotú időseket. Az olyan szolgáltatások, mint a https://www.breezometer.com/air-quality-map/, több mint 60 országra vonatkozóan adnak részletes tájékoztatást a levegő minőségéről. Sok országban vannak olyan közszolgáltatások, amelyek az aktuális helyzetet mutatják, mint például az USA-ban a nemzeti pollentérkép: https://www.pollen.com/map
A szélelőrejelzés és a pollentérképek kombinációját arra is fel lehetne használni, hogy tájékoztassák az embereket arról, hogy mire számítsanak, és hogyan lehet minimalizálni a kockázatot. Mire van itt szükség? Egészségügyi információcsere-rendszer, a személyek jelenlegi és várható tartózkodási helyére vonatkozó megfigyelési adatok és dinamikus időjárási térképek.
Digitális magassági térképek (DEM)
Ha nagymértékben figyelünk, gyorsan gyűjthetünk statisztikákat, amelyek átfogó képet adnak a közösség jelenlegi állapotáról. A földrajzi információk azonban sokat segíthetnek a megértésünkben. Például a séta sebességének és az eltöltött időnek a figyelésével észrevehetünk valakit, aki az átlagosnál lényegesen kevesebbet mozog. De mi van akkor, ha az illető egy hegyi faluban él, ahol a költözés több energiát igényel? Ezt az információt magassági térképek használatával lehet figyelembe venni. [11]
Kapcsolat-távolság térképek
Arról már beszéltünk, hogy az idősgondozás miként lesz közös felelősségünk. A családok a közösségi erőforrásokkal együtt megfelelő támogatást nyújthatnak. Amikor csak lehetséges, a szociális munkások információkat gyűjtenek az elsődleges kapcsolatokról. A családtagok jelenléte sokkal hatékonyabbá teheti a szolgáltatásokat és jobb érzelmi támogatást nyújthat. De azt is fontos tudni, hogy milyen messze élnek az elsődleges kapcsolatok. A kapcsolattartó-távolság térképek segíthetnek abban, hogy sürgősségi eset vagy például tervezett orvoslátogatás esetén segítséget kérjenek, vagy szociális ellátást nyújtsanak.
Úgy gondoljuk, hogy ez a lista a jövőben bővülni fog. Az Ön fantáziájára és műszaki szakértelmünkre van szükség ahhoz, hogy mindezt lehetővé tegyük.
Hivatkozások
[2] https://www.cookieyes.com/blog/ccpa-vs-gdpr/
[4] https://www.gdprsummary.com/anonymization-and-gdpr/
[6] https://core.ac.uk/download/pdf/236433397.pdf
[7] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6068710/
[8] https://www.sciencedirect.com/science/article/pii/S0143622821001995
[9] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6852049/
[10] https://www.uptodate.com/contents/comprehensive-geriatric-assessment
[11] https://omdena.com/blog/topographical-maps-deep-learning/