如何在医疗保健领域使用AI解锁数据中的四个秘密

医疗保健行业将人工智能或增强智能(AI)的开发重点放在狭窄的事务性用例上，如再入院风险、恶化、败血症检测和戒烟可能性。这些重要的事务性用例一次发生一个病人和一个提供者。

同样重要的是，卫生系统必须关注更广泛的用例，如管理和战略分析。在管理或战略级别上解释性能的错误会影响许多患者和提供者，而不像在狭窄的事务性用例中那样只影响一个患者和他们的护理团队。

令人惊讶的是,只有4%分析人员，部门领导，甚至董事会成员都能正确地识别出折线图中的四个点:基线，极值点，持续变化和预测。遗憾的是，对于大多数分析师和领导者来说，这四点仍然是一个秘密，尽管这四点揭示了数据的意义。针对这些发现，Health Catalyst敦促卫生系统在医疗世界杯葡萄牙vs加纳即时走地保健领域大力发展人工智能，为领导者提供更广泛的战略用例，以降低不正确分析解释的风险。

随着时间的推移，您的组织的领导部分是否属于能够正确识别数据中这四点的4% ?否则，你的数据和分析可能弊大于利。把这个互动评价现在来看看你的立场。

人工智能在医疗保健和四个秘密的医疗保健数据

今天的卫生系统领导人努力实现数据驱动。他们了解跨行业，使用数据进行决策的组织是两次更有可能达到他们的业务目标，并以平均每年的速度增长30%．

要实现数据驱动，医疗保健组织必须从其数据中发现有意义的见解。正确的分析和解释将揭示卫生系统已经获取的数据中隐藏的宝贵见解或秘密。例如，领导者应该分析长期收集的数据，以确定业绩是在增长、下降还是保持稳定。具体来说，领导者应该尝试从这些数据中找出四个有价值的秘密——绩效的基线、极值点和持续变化，并利用这些信息来预测未来的绩效。

领导者如何使用数据

领导者可以使用图1所示的四点来做出数据驱动的决策:

• 基线-决定他们是否应该干预以提高绩效。此外，领导者使用基线来决定SMART(具体的、可衡量的、可实现的、相关的、基于时间的)目标的适当组成部分。
• 极端的观点-确定是什么因素导致了孤立的极端表现(正常变化之外的点)，以决定是否复制(积极表现)或防止(消极表现)这些因素作为一种性能改进的手段。
• 持续的变化-确定业绩是否有实质性的变化，或最近的变化是否只是在正常变化范围内。他们决定是否在业绩出现负面变化时进行干预。当业绩好转时，他们会庆祝或加倍下注。
• 预测-决定未来的表现是否需要干预。他们可能不会干预预期会改善的不良表现。相反，领导者可能会在预期业绩下降时进行干预。

优秀领导者如何使用数据

数据用于改善整个医疗保健组织的绩效。首席质量官(CQOs)和质量主管希望利用数据来决定是否为化脓性患者提供护理。他们可以以多种方式使用这四个数据点:

• 基线——了解基线表现和变化，以设定SMART目标，如“在一年内将败血症死亡率从15%提高到12%”。
• 极端点-对脓毒症死亡率的极端点进行根本原因分析(RCAs)，以确定是患者的健康还是其他因素导致了性能的暂时下降。
• 持续转变-确定败血症死亡率是否有显著变化。然后，他们继续监测持续轮班，以确定改善措施是否降低了败血症的死亡率。
• 预测-预测未来的表现，并决定是否将改善工作的重点放在败血症死亡率或其他临床质量衡量。如果脓毒症死亡率的预测表现相同，质量主管可以将改进工作集中在另一个快速下降的临床质量指标上。

解开你数据中的四个秘密的挑战

卫生系统在数据和分析方面投入数百万美元——包括对人员、流程和技术的投资——以成为数据驱动的组织。即使有了这些投资，商业和临床领导者仍然可以从正确的数据和分析中得出错误的结论。更糟糕的是，商业和临床领导者不知道他们从分析可视化中得出错误结论的频率有多高。

如图2所示，考虑脓毒症死亡率的可视化数据:

注意，图1中显示的四个点在图2中更难确定。这是健康催化剂广泛使用的折线图，以衡量分析解释世界杯葡萄牙vs加纳即时走地的准确性。令人惊讶的是，只有4%的分析师、部门领导，甚至董事会成员正确地确定了所有四个要点:基线、极端点、持续变化和预测。不幸的是，错误地识别这四个数据点可能会导致错误的结论，从而产生负面的后果。让我们分别来看一下。

错误识别基线的问题

确定基准线并不容易。在败血症死亡率折线图中，基线值可理解为9%、13%或介于两者之间。

如果领导者错误地认为基准比实际情况更好，他们可能不会设置一个急需的目标来改善该衡量标准的表现。另外,聪明的(具体的、可衡量的、可达到的、相关的、有时限的)目标如果没有一个明确的基线，可能会被误导。

用例——如果没有明确的基线，质量主管可能会不小心设定败血症死亡率目标率，使其落在正常变异范围内。虽然这个目标肯定是可以实现的，但它是没有意义的。更糟糕的是，领导者可能错误地得出结论，认为“改善”是由于有针对性的干预，而实际上，这些干预对改善业绩没有任何帮助。

错误识别极值点的问题

确定极值点是很复杂的。请注意下面的折线图，有些极端点很明显，而另一些则不明显。月末日期(2016-02-29)可能是一个极端的点。但是2018-02-28呢?

错误地判断极端点会浪费时间和机会。

• 浪费时间:当领导者把正常变化范围内的点误认为是极端点时，他们在这些点上进行rca是浪费时间和资源的。
• 浪费机会:当领导者不能识别极端点，并且没有对这些极端点进行rca时，他们就失去了防止负面表现或在未来复制正面表现的机会。

更糟糕的是，如果领导者错误地识别了一个积极表现的极端点，进行RCA，并复制原因，所有复制原因的努力都是毫无价值的，因为业绩在正常变化范围内。

用例——如果没有明确的极端点，质量领导可能不会意识到他们的败血症死亡率在呼吸道疾病高发期显著恶化。他们不会意识到，呼吸道疾病的高发病率使他们的急诊科(ED)工作人员不堪重负，并扰乱了败血症护理的提供。如果不了解这一点，他们就不会设定减轻急诊科激增影响的目标。

误认持续性转移的问题

识别业绩的持续变化也是一项挑战。注意，在下面的败血症死亡率图表中，不清楚是否存在持续性转移。

更不清楚的是，是否发生了多次持续的变化:

• 是否在2019-02-28开始有所改善?
• 是在2020-02-29开始下降的吗?
• 还是说这两个点都在正常范围内，也就是2019-02-28和2020-02-29?

误认持续转移的时间和机会成本与误认极端点的成本相似。

• 浪费时间:当领导者错误地将绩效变化视为持续的变化时，他们会浪费时间和资源在这些点上进行rca。
• 浪费机会:当领导者不能识别持续的变化时，他们就失去了进行旨在扭转业绩下降原因的rca的机会。

更糟糕的是，如果领导者错误地将变异视为持续的变化，进行RCA并进行干预，那么所有扭转原因的努力都是毫无价值的。

用例——如果不清楚地确定持续的绩效变化，质量领导者就不知道重症监护人员劳动力短缺的开始是否会加剧败血症的死亡率。

错误判断预测的问题

性能数据通常不包括对未来性能的预测。然而，为了帮助制定改善脓毒症死亡率的干预措施，领导者必须考虑如果没有任何改变，未来的绩效率将是什么。

预测业绩并不容易。在败血症死亡率曲线图中，从2020年8月31日到2021年3月31日，表现为11 - 19%。此外，业绩连续三个月(10月至12月)下降，但在最近两个月(2月和3月)有所改善。

因此，预测未来6个月的败血症死亡率并不容易。问题包括:

• 6个月后业绩会继续提高到11%吗?
• 未来6个月的业绩会保持在15%左右吗?
• 6个月后业绩会下降到21%吗?

领导者必须正确预测绩效，以知道他们是否必须干预以提高绩效。更困难的是，一群利益相关者必须就预测的业绩达成一致，才能知道他们是否必须进行干预以提高业绩。当利益相关者不能就预测的业绩达成一致时，他们就不能就是否干预以提高业绩达成一致。一个领导可能自信地宣称业绩会改善，结果却发现业绩恶化了。

用例——基于败血症死亡率将继续改善的错误预测，质量主管可能错误地决定将重点转移到其他领域的性能。

解开数据中的四个秘密的解决方案:医疗保健中的AI

考虑到数据解释的复杂性(即使使用可视化)，难怪只有4%的医疗保健分析用户能够正确解释这四个关键点。幸运的是，增强智能(AI)可以帮助医疗保健领导者针对大量战略用例优化分析，包括随着时间的推移对性能数据的解释。

在医疗保健领域使用人工智能来加强传统分析被称为增强分析。Gartner的定义增强分析例如，“使用机器学习和AI等使能技术来协助数据准备、洞察生成和洞察解释，以增强人们在分析和BI平台上探索和分析数据的方式。”世界杯厄瓜多尔vs塞内加尔波胆预测

高级统计方法配置

组织必须在医疗保健领域开发人工智能自动和正确应用高级统计方法用于随时间变化的性能测量(时间序列数据)。因此，数据科学团队必须开发应用统计过程控制(SPC)、变化点检测和预测等方法的AI:

• SPC图表使决策者能够识别基线和极值点。
• Changepoint检测使决策者能够识别性能的持续变化。
• 时间序列预测使决策者能够预测未来6个月的业绩。

高级统计方法的自动配置

组织必须在医疗保健领域开发应用先进统计方法的AI自动因为数据科学资源有限。大多数数据科学团队没有时间为所有显示性能随时间变化的图表手动应用高级统计方法——不考虑临床、运营、财务和人口健康领导者每天在各个医疗保健组织中使用的图表数量。此外，大多数商业智能分析师没有应用高级统计技术的知识库。因此，数据科学团队必须创建自动应用高级统计方法的AI，以指导领导者长期解读业绩。

高级统计方法的正确配置

为了在医疗保健领域开发自动应用先进统计方法的人工智能，数据科学团队必须开发出这样的人工智能正确应用SPC图表(带有变化点检测)，以及基于以下变量的时间序列预测。具体来说，AI必须为不同类型的医疗保健措施确定适当的技术，包括每个措施中的值。不正确的配置可能导致不正确的结论和错误的决策。

正确配置SPC图

医疗领域的AI必须自动、正确地应用SPC图表。为了正确地应用SPC图表，AI必须能够首先识别时间序列数据的测量类型和分布。然后，AI必须正确地应用适当的图表类型、中心方法和置信区间计算。下面的表1说明了一些度量类型、图表类型和置信区间计算之间的常见映射。

• 重要:AI必须选择以下变量的最佳配置，评估性能、灵敏度和特异性，并在必要时自动重新应用。
  

测量类型	例子	图表类型	置信区间的计算	集中趋势
数	数量的排放	C	标准或预测	的意思是
浮动	平均体重指数	我	引导、标准或预测	中位数
率	合规率	P	标准或预测	的意思是
罕见的事件	瀑布与伤害	G	标准	的意思是
观察到预期	期望死亡率	Oe	标准(byar，中p, Fisher, RGM)	的意思是
事件单位	每1000人中感染CAUTI的人数	U	标准	的意思是
的事件数量	的数量大大减少	Np	标准	的意思是
移动范围	每周缺席人数的变化	XmR	标准	的意思是

正确配置Changepoint方法

医疗保健领域的人工智能必须自动、正确地应用改变点方法。正确的变化点检测方法是基于数据类型(与测量类型密切相关)、长度(数据点的数量)和周期(如每日、两周、每月的数据)。因此，AI必须自动识别类型、长度和周期，然后正确地应用变化点方法，如Strucchange、BCP、E.Agglo和e.divided。

• 重要:人工智能必须选择最佳的改变点方法，评估性能、灵敏度和特异性，并在必要时自动使用另一种方法重新应用。

预测方法的正确配置

医疗领域的人工智能必须自动、正确地应用预测方法。正确的预测方法是基于长度(数据点的数量)和周期(例如，每日、两周、每月的数据)。因此，AI必须自动识别数据的长度和周期，然后正确地应用预测方法，如指数平滑、Tbats和回归。

• 重要:人工智能必须选择最佳的预测方法，评估性能、灵敏度和特异性，并在可能的情况下自动使用另一种方法。

开始

上述工作的范围是重要的。遗憾的是，大多数数据科学团队没有足够的时间来构建自动、正确地应用时间序列数据高级统计方法的算法。

然而，如果没有先进的统计技术，分析师、部门领导甚至董事会成员在错误地解释时间序列数据时可能会弊大于利。对于医疗保健领导者来说，幸运的是，Health Catalyst已经构建世界杯葡萄牙vs加纳即时走地了上述算法，可以自动应用SPC、变更点检测和预测。

健康催化世界杯葡萄牙vs加纳即时走地剂医疗保健。人工智能的解决方案

世界杯葡萄牙vs加纳即时走地Health Catalyst建立了自己的Healthcare。人工智能product suite to automatically apply advanced statistical methods into analytic outputs and visualizations. In other words, the Healthcare.AI product suite provides augmented analytics for analysts and leaders.

医疗保健。人工智能product suite automatically, correctly, and transparently (not a black box) applies advanced statistical and machine learning methods in common analytic tools such as Power BI, Qlik, Tableau, as well as analytics applications provided by Health Catalyst. The Healthcare.AI product suite applies advanced statistical methods such as SPC+, Forecast, Power, Time Series+, Forest Plot+, Risk Adjustment, and Peer Finding.

医疗保健中的时间序列+功能。AI适用于时间序列数据。“时间序列+”中的“+”是指加入SPC(带变化点检测)和预测。下面两个版本的折线图(来自上面的图2)比较了在医疗保健中使用和不使用Time Series+功能时脓毒症死亡率的可视化情况。人工智能产品套件。

医疗保健中没有时间序列+功能。人工智能

医疗保健中的时间序列+功能。人工智能

请注意在上面的折线图中，医疗保健中的Time Series+功能。人工智能clearly identify the baseline, extreme points, persistent shift, and forecast:

• 基线——紫色的水平线清楚地表明基线性能为11%。
• 极值点——红色的点清楚地识别出7个极值点，这意味着超出正常变化范围的极值点。
• 持续变化——黄色垂直线明确表明，持续变化发生在2020年10月，当时平均败血症死亡率从11上升到16%。
• 预测——六个紫色点组成的序列清楚地表明，未来六个月的预测业绩为15%。

使用医疗保健中的Time Series+功能。人工智能, analysts, leaders, and board members correctly identify baselines, extreme points, persistent shifts, and forecasted performance. Correct identification of those four points empowers leaders to accomplish the following:

• 设定可实现的SMART目标，正确指定并准确衡量，如“在一年内将败血症死亡率从15%提高到12%”(基线)。
• 确定是否需要改善败血症护理，因为败血症死亡率为13%，而不是11%(基线)。
• 抓住机会为急诊科激增做好准备，这可能会暂时加重败血症的死亡率(极端点)。
• 庆祝败血症护理的持续改进工作的成功，因为死亡率从15提高到12%，并且绩效转变不是正常变化的一部分(持续性转变)。
• 自信地决定将改进措施的重点放在最近下降的其他临床质量指标上(持续性变化)，因为败血症死亡率虽然没有达到11%的目标，但正在改善，并将在3个月内达到11%(预测)。

除了上面列出的决策外，分析师和部门领导还使用医疗保健。AI产品套件可以做出更多数据驱动的决策。这就是为战略用例开发AI的价值所在，此外还有为事务性用例开发AI，比如再入院风险、恶化、败血症检测和戒烟。先进的统计技术和人工智能确保领导者的数据和分析不会弊大于利。

结论

在将数据转换为可测量值的过程中，有许多潜在的故障点。解释常见的报告和分析只是一个潜在的故障点。由于在将数据转换为可测量的价值时存在许多故障点，Health Catalyst提供了解释分析输出的解决方案，以及消除整个医疗数据价值链上的其他故障点的解决方案。世界杯葡萄牙vs加纳即时走地2022卡塔尔世界杯赛程表时间医疗保健数据价值链演示了将原始数据转换为可测量价值所需的构建模块(图3)。

虽然本文将分析作为将数据转化为可测量价值的常见失败点，但AI依赖于良好的数据。因此，Health Cata世界杯葡萄牙vs加纳即时走地lyst敦促卫生系统从数据价值链的分析角度思考上下游:

• 上游-数据采集和数据增强。
• 下游-干预措施和最佳做法以及专业知识和改进。

在上游，卫生系统必须考虑数据治理、数据正确性和数据完整性等故障点，这些故障点是将数据转化为可衡量价值过程中的重要故障点。在下游，卫生系统必须考虑干预措施和变革管理等失败点。当您努力将更多数据转换为更可测量的价值时，请记住这些故障点。记住，Health Catalyst世界杯葡萄牙vs加纳即时走地是唯一一家专门专注于医疗保健的公司，它提供的解决方案被证明可以集成和优化完整的数据价值链。2022卡塔尔世界杯赛程表时间

致力于通过优化整个医疗数据价值链来驱动其组织的数据的医疗保健领导者可以从分析解释开始在线评估了解他们解释分析结果的能力。他们还可以通过Health Catalyst获得更多知识世界杯葡萄牙vs加纳即时走地思想领导关于人工智能和医疗保健。人工智能产品页面。最后，医疗保健负责人可以联系a世界杯葡萄牙vs加纳即时走地健康催化剂代表探讨如何优化医疗数据价值链，将更多的数据转化为更可衡量的价值。

更多的阅读

你想了解更多关于这个话题吗?以下是我们建议的一些文章:

• 医疗人工智能赋予你超能力的五种方式
• 在医疗保健领域扩展AI:引入新的医疗保健。Health 世界杯葡萄牙vs加纳即时走地Catalyst的AI™
• 增强智能是人工智能在医疗领域的未来的三个原因
• 医疗保健领域的人工智能和机器学习:四个现实世界的改进
• 您的医疗保健增强智能指南:人工智能成功的三个方法

---