Пять ключевых компонентов построения эффективных дэшбордов в здравоохранении

Пять ключевых компонентов построения эффективных дэшбордов в здравоохранении

14 Jan 2021
509
Прослушать

Аналитика в здравоохранении

Управление здравоохранением нуждается в точной и подробной информации для принятия взвешенных и обоснованных решений. Подготовка такой информации требует значительных усилий – данные необходимо тщательно собрать, обработать, проанализировать и представить лицам, принимающим решения. На каждом этапе подобной работы могут возникнуть проблемы: ошибки, нестыковки, пропуски, задержки, искажения. Все это в итоге влияет на качество данных и приводит к формированию некорректных выводов, принятию неправильных решений.

По нашему мнению, активная цифровизация здравоохранения призвана решить большую часть этих проблем. В частности, внедрение современных информационно-аналитических технологий – Business Intelligence (BI). BI решения повышают полноту сбора данных и обеспечивают удобный к ним доступ. Проще и оперативней проводится анализ, быстрее тестируются рабочие гипотезы, качественней отображаются результаты работы. Существенно увеличивается скорость принятия управленческий решений и повышается эффективность управления здравоохранением, что особенно актуально с учетом амбициозных целей и задач, стоящих перед системой здравоохранения в рамках федеральных и национальных проектов.

Во время собственной деятельности и в ходе реализации представленных проектов Национальный медицинский исследовательский центр имени В. А. Алмазова занимается оценкой медицинской помощи по профилям «кардиология» и «сердечно-сосудистая хирургия» в субъектах Российской Федерации. Изучение деятельности регионов потребовало создание отдельной информационно-аналитической системы. В этой статье мы рассказываем об опыте создания и внедрения такой системы в НМИЦ им. В. А. Алмазова, в том числе о BI решении – Luxms, используемом в системе и о тех компонентах, которые позволяют осуществлять эффективную аналитику по данному направлению. 

Компоненты построения эффективной аналитики

Компонент 1. Оперативный анализ ситуации

Управление отдельной медицинской организацией, группой организаций или системой здравоохранения на уровне региона ставит широкий перечень задач по сбору и анализу значительного объема информации. Однако отчётность, из которой собирается требуемая информация, формируется с задержкой. Построение любой информационно-аналитической системы в первую очередь предполагает мероприятия по оптимизации сбора и хранения необходимых данных.

Так, например, в ходе реализации целей федерального проекта окончательные данные о результатах собственной деятельности регионы узнают через полгода после завершения отчетного периода. Предварительные итоги обсуждаются уже через два-три месяца и именно в ходе этих обсуждений формируются цели на следующий год. Задержка при сборе информации, искажение реальной ситуации вводит в заблуждение руководство и искажает планируемые цели.

Эффективная работа – это работа с оперативными данными, в идеале анализ ситуации в режиме реального времени. И именно поэтому при работе аналитической системы в нашей организации используются именно оперативные данные.

Компонент 2. Комплексный анализ ситуации

Для корректных выводов нужна возможность широкого анализа данных: в различных разрезах, в сравнении с другими трендами и с необходимым уровнем детализации. Только так могут появиться правильные идеи и только так можно тестировать имеющиеся рабочие гипотезы. Выбор методов лечения, подбор стратегий развитий, анализ факторов влияния, определение первоочередных мероприятий по достижению заявленных целей – все это невозможно без комплексного анализа ситуации.


Опыт работы показывает, что попытка оценивать только целевые/ключевые показатели часто дает искаженную картину. Так изолированый анализ одного из целевых показателей – смертности от болезней системы кровообращения (БСК), может привести к неверной трактовке ситуации. В регионе в 2015-2017 годах данный показатель снижался, что может быть расценено как явная положительная динамика, связанная с проводимыми мероприятиями (График 1). 

График 1

Однако одномоментное изучение показателя смертности от прочих заболеваний в 2015-2017 годах демонстрирует рост показателя, что, как выяснилось, связано с внедрением автоматизированной системы кодирования причин смерти и изменение принципов постановки кода посмертного диагноза (График 2).

График 2

Таким образом оценка динамики смертности от БСК должна быть комплексной и включать в себя как показатели смертности от БСК, так и показатели общей смертности и смертности от прочих причин (График 3).

График 3

Компонент 3. Разделение ролей пользователей

Ещё до формирования аналитических экранов и наполнения их информацией нужно представлять, как врачи, аналитики, специалисты и руководители организаций будут их использовать. Здесь важно распределение ролей, формирование алгоритма работы с системой и разграничение доступа к данным. 

Специалисты разного уровня проходят разные сценарии работы в зависимости от своих функций. Например, заведующему отделением важно следить за показателями на уровне конкретных пациентов и отделения, в целом. Главному врачу важно следить за показателями на уровне организации. Представитель регионального органа исполнительной власти в сфере здравоохранения контролирует эффективность всех главных врачей, оценивает общую ситуацию и отчитывается по показателям непосредственно перед Министерством здравоохранения Российской Федерации. Конкретные целевые показатели и методика их расчета может существенно отличаться в зависимости от уровня оценки.

Так летальность от заболевания на уровне стационара требует тщательного учета числа поступивших и переведенных пациентов из одной организации в другую, а на уровне региона переводы не требуют учета, поскольку проводятся в рамках одной территории. Подобная незначительная деталь может приводить к существенным ошибкам при попытке применять целевые значения на уровне субъекта Российской Федерации к отдельным медицинским организациям. Именно поэтому требуется разделение ролей и индивидуальный подход как при их мониторировании, так и при их формировании. Специалистам разного уровня нужна разная широта и глубина в оценке данных. Это понимание ложится в основу многоуровневой системы доступа с учетом ролевой модели и функций, благодаря которым аналитическая платформа может обеспечить любому участнику требуемый характер разреза данных.

В НМИЦ им. В. А. Алмазова BI решение позволяет проводить анализ регионального здравоохранения на различных уровнях от отдельных медицинских организаций до округов и Российской Федерации, в  целом. При этом на каждом уровне в зависимости от роли пользователя используется свой набор параметров.

Компонент 4. Оптимизация хранения информации

Важно придерживаться принципа «разумной достаточности»: можно загрузить в систему все доступные данные, но избыточная информация отвлекает и мешает работе. При формировании дэшбордов и наборов данных важно заранее понять: какие показатели наиболее важные и как следует организовать хранение и процедуру загрузки данных. Ранжирование показателей, группировка и их структурирование, точное наименование – вот важные элементы оптимизации информации в системе аналитики. Кроме того, важно постоянно проверять корректность данных и сопоставлять информацию из различных источников – такая работа может и должна быть автоматизирована с помощью аналитических платформ.

В начале своей работы с BI системой мы предоставили доступ специалистам ко всей имеющейся информации на определенном уровне (в зависимости от роли). Подобный подход оказался неэффективным. Большинство специалистов были не готовы тратить время на детальное изучения всей информации и требовали определенной сортировки первичных данных. Структурирование и группировка данных, сортировка по типам и источникам информации позволила нам соблюсти принцип «разумной достаточности» и повысить эффективность работы сотрудников.

Компонент 5. Перенос основной работы в BI систему

Основная польза BI системы для врачей и работников медицинской организации – это снижение нагрузки на них и повышение эффективности их работы. При этом среди медицинских работников часто наблюдается определенная степень инертности и консерватизма в отношении новых технических решений. Зачастую работники сами не всегда в полной мере осознают, как именно они работают с данными и какие задачи фактически выполняют.

Наш опыт внедрения BI системы говорит о необходимости поэтапного полного перехода на использования продукта в повседневной работе для достижения максимально эффективного результата. Замена использования старых отчетных форм и документов на функционал Luxms проводилась в несколько этапов и схема работы с программой, существующая в данный момент, кардинально отличается от схемы работы, предполагаемой вначале внедрения продукта. Дэшборды, которые в настоящее время используются специалистами наиболее часто разработаны относительно недавно, их наличие и функции не предполагались на первых этапах работы с Luxms.

Несмотря на существенное удобство использования единой BI системы ряд сотрудников до последнего момента придерживался старых алгоритмов работы. Однако обеспечение оперативного обновления информации в BI системе с задержками по обновлению данных в других платформах, постепенное совершенствование продукта под требования пользователей позволили всем сотрудникам перейти на использование единого решения. В настоящее время подобная унификация похода позволила сформировать единый источник актуальной и правдивой информации для всех групп пользователей.

Выбор российского или зарубежного BI

Российские BI системы недостаточно внимания раньше уделяли дизайну и вопросам юзабилити, и первичное восприятия зарубежных систем было позитивнее. Хотя дизайн не так важен, у многих менеджеров шаблонное мышление, они привыкли к тому, что видят в отчетах. И поэтому российские разработчики в силу легкости адаптации нашего ПО стали даже более востребованными, так как дают клиенту то, что он хочет.

У медицинских учреждений много специфических требований. Сложно вообще закупать ПО, российское легче. Важна поддержка ПО, если нужны дорогостоящие специалисты – это не подходит многим клиентам, нужно чтобы могли сами сопровождать. Прямая коммуникация с производителем ПО всегда важна в работе, это преимущество российских разработчиков.

Западные продукты более зрелые, в силу этого лучше. Минусы российских систем BI: нет большого количества разработчиков, есть проблемы с обучением, с курсами – оно не всегда доступно. Сложно вообще сравнивать российские и зарубежные системы: код, который проще, его и сопровождать, и дорабатывать проще. Ошибки есть – но их исправляют на много меньше. С российскими системами возможны быстрые за 3-4 месяца успешные внедрения.

Плюсы и минусы есть и с технологической точки. По классификации Gartner BI разделяется на инструменты Data Discovery и “готовые” приложения бизнес-аналитики (Business Analytical Applications,  BI applications), последнее – это востребованная у нас тема, которую иначе называют промышленный BI или системы для руководителей, для главных врачей, руководителей служб продаж. Это основной инструмент управления с функцией сквозного контроля деятельности на всех уровнях: от HR до закупок.

Как уже отмечалось выше, важнейшая подводная часть айсберга внедрения BI системы – это работа с данными. Важно структурировать и готовить управленческую аналитику, другая задача – исследовать эти данные. Зарубежные системы сильнее в Data Discovery, в исследовании данных. Но в управленческой аналитике или Business Analytical Applications российские системы ничем не уступают. Плюсы также в оперативной техподдержке, прямом контакте с заказчиком. Крупнейшие заказчики делают цифровизацию внутренними командами и им нужны платформы российского производства в том числе с возможностью получения исходного кода и доработки его своими силами – никакая зарубежная система этого не обеспечит на должном уровне.

У некоторых российских систем, например, Luxms BI, есть и технологические преимущества – массивно параллельная обработка данных и датацентричная архитектура.  Датацентричность – это когда бизнес-логика размещается рядом с данными, прямо в СУБД, это позволяет эффективно готовить данные к визуализации. Массивно-параллельная обработка помогает преодолеть принципиальные ограничения закона Мура и обеспечить высокую скорость отклика при неограниченном росте объемов хранения и интенсивности поступления данных для анализа. Зрелые решения - MPP-кластеры Greenplum и Exadata, а также передовые low-latency MPP с поддержкой in-memory вычислений, такие как Dremio и GigaSpaces дают огромное преимущество по быстродействию датацентричных BI-систем. Помимо технологических преимуществ есть и функциональные преимущества, например, в Luxms BI, это ведение оперативных планерок, настроенные элементы управленческого контроля со сквозным интерактивным контролем деятельности организации.     

Организация работы и создание эффективной BI системы в медицине очень непростая задача, но без нее развития и постижения кардинальных улучшений невозможна, современная медицина не может не опираться на большие данные и нуждается в удобном доступе к ним.

Авторы:

Алексей Федоренко – Ведущий специалист отдела регионального взаимодействия управления по реализации федеральных проектов ФГБУ «НМИЦ им. В. А. Алмазова» Минздрава России

Сергей Шестаков – Генеральный директор ГК Luxms