在医疗改革的推动下，按服务收费的模式正在转变为按效果计酬、以价值为基础的医疗范式。为了成功实现过渡，医疗组织急需以能够指导行动的方式对单个患者及各种人群的数据进行分析。要显著提升临床、财务和运营效果，医生、医疗机构和支付机构都需要获得更好的数据见解。

如果您的组织希望采用基于价值的新型医疗模型，并将人口健康管理集成到自己的流程、工作文化和技术系统中，您必须以数据为起点。在本白皮书中，您将了解如何：

点击即可下载本白皮书

实现自助式分析

在大数据年代，旧医疗分析系统形成的“报告制造厂”效率低下，根本无法满足当前的需求。新一代的技术专家希望让个人获得探索数据的能力，从而摆脱这种现状。这不仅会更快产生更深刻的决策，还可让 IT 主管将精力重新放在维护数据基础设施安全及可靠的核心任务上。自助式分析可以让每位医生和业务分析师大受裨益，还可以为整个组织提供单一事实来源。

分析功能的最佳实施效果是在 IT 管理的基础架构上运行用户创建的仪表板，因此针对自助服务进行优化至关重要。

为了提高运营报告质量，美国第二大医疗系统 Providence Health（普罗维登斯健康）实施并启动了名为 Vantage 的自助式分析计划。Vantage 由一系列仪表板构成，其中的数据来自 EPIC、Lawson、Press Ganey 和其他一些医院系统。它包含 40 个可视化交互式报告，为 20,000 多名自助用户提供服务。

所有财务、供应链和临床职能（包括医生记分卡）部门都统一使用这些标准化报告，从而让管理人员可以监控企业财务状况、运营供应链效率以及医生的基准利用率和绩效。

因为 Vantage 是一个自助式模型，Providence Health 用户很快就开始使用该平台，医生的效率在 12 个月内提高了 8%。通过实施该模型机器学习覆盖算法，Providence Health 还大幅增加了挽救生命的癌症筛检，显著降低了患者的 30 天再入院率。

提高采用率的最佳方法是让用户轻松地过渡。让用户可以在无需 IT 支持的情况下轻松访问数据并提出和回答自己的问题，让自助式分析战略发挥最大效用。

以下是Tableau做的仪表板，Providence Health 的用户可以查看和理解 30 天再入院率，从而更好地进行人口健康管理。他们还可以对数据进行下钻，在医院层级进行根本原因分析。

对人群数据进行细分

根据《责任制医疗法案》，大多数医疗机构每三年必须进行一次社区风险评估。社区健康需求评估 (CHNA) 的实施让医疗机构可以全面了解社区人群的风险及相关成本。

疾病控制中心 (CDC) 确定和推荐了用于分析人群健康的 42 项具体指标，这些指标旨在帮助医疗机构为自己服务的人群绘制准确的蓝图。

按照这 42 个因素进行数据细分，就可以根据风险和相关成本，了解组织负责的人群的健康状况。这些研究结果可以帮助组织以最低的成本提供质量最高的医疗服务。

Centra Force 是一家人群健康智能和社区健康评估领域的专业组织，该组织使用数据细分和可视化，按类别（例如疾病类型和支付机构类型）进行人群量化。医疗和支付机构可以使用这些细分数据来发现关于具体人群的深层见解，包括行为、态度、人口统计、地理、疾病、病症和医疗机构数据。

以下Tableau仪表板是一个社区健康需求评估示例。这些数据经过细分，可以确定某个人群中面临乳腺癌风险的女性患者，用于监测主动干预需求。

通过可视化对整个体系的医疗服务进行协调

在不同团队、服务提供商和门诊服务部之间进行医疗服务协调可能是一项非常艰巨的任务。因为许多医疗机构的主要分析工具仍然是电子表格，他们可能想到了很多问题，但多半只能回答其中一小部分。

然而，具有远见的医疗机构正在积极采用交互式数据可视化，让自己的医疗服务经理获得协调和管理整个体系的医疗服务所需的实时见解。

克里夫兰诊所是美国最大的非营利医院之一，这家医院需要主动鉴别面临心脏病和癌症风险的患者。过去，他们的医疗服务协调团队需要耗费大量的时间来查看单纯以电子表格记录的数据—ACO 成员列表、14 种标准 CMS 报告、来自 EPIC 电子健康记录的临时数据以及初级医疗协调服务当前覆盖的患者，所有数据均显示在行和列中。

克里夫兰诊所的商业智能团队利用数据可视化工具，制作了帮助医生查看和跟踪高风险患者的仪表板。借助这些仪表板，医疗经理可以对他们负责的 54,000 名患者中的每一名进行详细研究。

在此Tableau交互式仪表板中，医疗经理可以使用地理和病症筛选器进行数据下钻。借助此仪表板，医疗机构已经迅速鉴别出当前没有接受医疗协调服务的 1,000 多名当地高风险患者。

克里夫兰诊所使用的这个仪表板让医疗协调员可以主动地鉴别和联系高风险患者、与医生预约、监测患者用药依从性，从而减少 30 天再入院率。

了解自己的风险

要实现人口健康管理，在整个细分群体和个体患者水平上了解人群风险特征的能力至关重要。了解细分群体的风险后，医院服务提供者就可以主动鉴别最危险的患者。随后，他们可以有针对性地调配资源，预约医生，在控制相关成本和风险的同时提供最高等级的医疗服务。

借助先进的机器学习技术，高级预测分析软件可以对复杂的模型进行可视化，在人群总体水平和单个患者水平进行风险预测。在分析患者-医疗服务提供者比例的基础上，纽约市的西奈山医疗中心了解了为患者人群提供的服务水平，以此进行风险管理。

以下Tableau仪表板是一个患者-医疗服务提供者分析，西奈山医疗中心将其用于确定医疗服务不足的患者群体面临的风险。用户可以找出具有吸纳潜力的医生诊所，以及为新增的西奈山设施寻找位置。

他们还使用数据来找出具有吸纳潜力的初级医疗诊所，并寻找适合建设下一个医院的新位置。为了推动自己的战略，他们将来自多个医疗 IT (HIT) 系统的数据聚合到同一个交互式仪表板中。

西奈山医疗中心还使用来自其电子健康系统的数据，对疾病登记信息进行可视化，并能根据各种指标进行效果监测和跟踪。该中心还可以使用血压和 BMI 之类的公共数据制作预测分析算法，根据具体疾病风险对患者进行分层，以便进行医疗协调和基于风险的干预。

此Tableau仪表板利用标准疾病登记数据来跟踪身体质量指数和血压等 PHM 风险因素。

积极管理患者关系

要改善人

来源【首席数据官】，更多内容/合作请关注「辉声辉语」公众号，送10G营销资料！