Centrum för InformationsDriven vårDCIDD
Markus Lingman, MD, PhDPhysician Researcher, Salgrenska Academy
Chief Strategist, Consulting Cardiologist, Halland Hospital GroupRegion Halland, Sweden
Thomas WallenfeldtDatadriven Hälso- sjukvård, CGI
Datadriven Hälsa- och sjukvårdGet more value from data - Make decisions based on facts - Utilize machine learning
Architecture
Evaluations &
Roadmaps
Big Data Analytics
Factory
Analytics design and
visualization
Proof of Concepts and
Proof of Values
Agile BI services Master Data
Management
solutions
Cloud Analytics
solutions
Analytics for Internet
of Things
Big Data system
development
Data migration
projects
BI Competence
Centers
Application
Management Services
Långt liv låg kostnad
Siverskog J, Henriksson M. Eur J Health Econ. Online Feb 2019 3
Hög produktivitet hög kvalitet
Vårdanalys 2019
Utmaningar• Demografiska trender, ökade kostnader
• Komplexitet och fragmentering
RationalÖkad efterfrågan på vård -> Vi måste göra på ett annat sätt
Informationsdriven vård för att hitta nya vinklar på helheten
”Att vara beslutsfattare i vården är bland det svåraste man kan ge sig in på…”
Vad beror det på?
Varför så svårt?
Sjukvården är i regel funktionellt organiserad med ”vertikala” specialister. Detta är kärnan till orsaken av den enorma komplexiteten som hälso- och sjukvårds beslutsfattare och strategiska planerare står inför.
Silo-
organisation
Utöver att datan är organiserad enligt silomodellen så är Finansiell / resursinformation ej kopplad till kliniska / operativa data. Finansiella chefer och kliniker talar därför ”olika språk”.
Datafragmentering
Copyright © 2016-2018 Emergency Medicine International / Brigham and Women’s Physician Organization | Confidential and Proprietary | Do Not Distribute
How can we radically improve healthcare delivery?
• Common Goal: increase value = outcomes/cost
at population level
• Healthcare system policy and decision makers
guide improvement through choices about
which new structures, processes to implement
• Better decision making requires deeper insights:
– What effects will it have? (outcome, cost metrics)
– How big will impact be? (assumptions, data)
Centrum för InformationsDriven vårD
CIDD
CIDD vision
Imprecision medicine --> precision medicine
Imprecision management --> precision management
Data Information Insights Change Follow up
11
CIDD Uppdrag• Utföra systemanalyser för att kunna förändra, kvalitetssäkra
vården.
• Förvalta och utveckla den holistiska analytiska plattformen och dess metoder
• Stötta RWE forskning
CIDDData
Systemövergripande datamodell med Agil utveckling
Metodik
Repeterbar - 9-steg metod för datadriven utveckling
Organisation
Agila multidisciplinära team
• Lika delar människor, process och teknik
CIDD
Data• Systemövergripande datamodell
• Agil utveckling
• Maximal möjliga granularitet
CIDD
Datadomäner i CIDD
Produktion
Klinisk
Patient
Kapacitet
Kostnad
Närsjukvård
Akuten
Sluten vård
Specialiseradöppenvård
Prehospital
Hemsjukvård
Vårdgivare
Ytterligare framtida källor: • PROMs• Sensor data • Free text structured data
w/ NLP • Genomics data
16
Väl underbyggda beslut kräver detaljerad kostnadsbeskrivning
av hela systemet!
Patient Encounter Costing - PEC
Organisation • Agila multidisciplinära team
Centrum för InformationsDriven vårD
Core team
• Samordnare
• Data arkitekt
• Data scientist
• Data analytiker
• PEC expert
• Jurist
Tillfälliga resurser per frågeställning
• Kliniker olika förvaltningar
• Chefsläkare
• Läkemedelsexperter
• FoU
• HR
• Ekonomi
• Systemexperter
• mm beroende på frågeställningPriogrupp*
CIDD komplement till DatalagerDatalager CIDD
Fokus Driva Förändra
Användning Operationell, taktisk beslut Strategisk taktisk beslut
Utveckling cykler Månad, år Dagar, Vecka, månad
Uppdatering Realtid, Daglig, vecka Månad, kvartal
Arkitektur DL arkitektur Agile, prototyping, mock-up
Perspektiv process, silos Holistic vy av patient , hela hälso-sjukvårdsystemet
Analys Statiska, reaktiv, process Prediktiv, simulering, explorativ, agilt, AI, ML
Data Strukturerad Big Data
Horisont Månad, innevarande år 1-5 år
Personintegritet säkras av ett antal lagar
• GDPR• HIPAA• Privacy Shield• Patientdatalagen• Offentlighetsprincipen• Personuppgiftslagen• etc
21
• Risker och kostnader som orsakas av informationsblockering.
Metodik• 9-steg metod för datadriven utveckling
• Iterativt / explorativt
Datadriven strategisk planering”9-punkts programmet”
Data Driven Strategic Planning Guidebook 2018
Kvalitet konstantmen lägre kostnad
Högsta värde
Lägsta värde
Dyrt men kvalitetsförbättring
kan motivera kostnaden
• Hur jämför du äpplen med päron
Prioritera konkurrerande intressen: Value Matrix
Ko
stn
ads
bes
par
ing
Bättre kvalitet
8
Day X Day X+12M
12 months Outcome
Observation window Prediction window
PC visit IP visitSpecialist visit
PC: Primary careED: Emergency departmentIP: Inpatient
ED visit
Index visit
Day X-12M
Population size (C) 61,876
Female : Male (C) 53 : 47
Population with F3 or F4 (C’)
8,924 (15%)
Female : Male (C’) 62 : 38
Total visits 1,176,891
PC, OP, ED, IP (%) 64 : 30 : 4 : 2
Tidigt upptäcka psykisk ohälsa bland unga
Mål: Identifiera unga I risk att utveckla psykisk ohälsainom ett år genom att använda då tillgänglig data.
Population (C): Halland residents during 2012 and 2017 between the age 20 and 29 and at least one care visit.
Input variables: Patient demographics, Visit patterns, Clinical details such as diagnoses, symptoms, medications, labs, procedures and (soon to be added) notes.
Target variable: Onset of F3 or F4 ICD-10 Dx (binary)
Prediction model: Multi-layer neural net.
Experiment setting
Population summary
Early detection of mental health disorders among youth in Halland
Visit representation: Demographics Clinical profile
Age, Gender, Kommun, Visit_type, VAS_ID, Prior visits counts Diagnoses, Procedures, Medications, Labs, Radiology, Complaints
128 dimensional embedding vector47 dimensional vector
Training model: 3 layer dense neural network trained in a cost-sensitive mini-batch gradient descent manner. Hidden node activations: ReLU. Train, test split: 0.7, 0.3. Library: Tensorflow
Preliminary results: ROC-AUC = 0.81 (+- 0.008). PR-AUC = 0.52 (+-0.014). Accuracy = 0.94 (+-0.002)
ROC: Receiver Operating CurvePR: Precision-RecallAUC: Area Under CurveReLU: Rectified Linear Units
Copyright © 2016-2018 Emergency Medicine International / Brigham and Women’s Physician Organization | Confidential and Proprietary | Do Not Distribute
SHAARP/PEC Enables Patient Focused, Data Driven Care
Production Clinical Patients
Providers
Capacity Cost
SHAARP / PEC
Opportunity Identification
• Variability analysis, Benchmarking
• Systematic vs. issue based
Prioritize Initiatives
• ROI Analysis
• Value Matrices
Evidence Based Guidelines
• Monitor implementation at the whole population level
• Optimize patient level compliance
Machine Learning-based AI Predictive Modeling
• Predict healthcare events of interest
• Prevention, care optimization
Personalized Precision Medicine for Patients Data Driven Management for Healthcare Systems
Top Related