ARTIFICIAL INTELLIGENCE
Sztuczna inteligencja usprawnia zarządzanie skargami w służbie zdrowia
Zastosowanie sztucznej inteligencji w klasyfikacji skarg pacjentów przyniosło przełomowe rezultaty – zmniejszyło obciążenie personelu, ustandaryzowało oznaczanie zgłoszeń i umożliwiło priorytetyzację bardziej złożonych przypadków. Przełożyło się to nie tylko na lepsze wykorzystanie zasobów, lecz także na wyższą jakość odpowiedzi i lepsze rezultaty dla pacjentów.
Skuteczne zarządzanie skargami i ich odpowiednia klasyfikacja to kluczowe elementy wysokiej jakości opieki zdrowotnej. Jeden z największych Trustów NHS w Anglii, zatrudniający około 12 000 pracowników, nawiązał współpracę z Methods Analytics (częścią Grupy ALTEN), by zrewolucjonizować swój system zarządzania skargami. Trust ten mierzy się rocznie z ponad 4 500 zgłoszeń. Ręczne zarządzanie nimi – czytanie, klasyfikowanie i przekazywanie do dalszego rozpatrzenia – stanowiło poważne obciążenie dla pracowników, wydłużało czas reakcji i utrudniało skuteczne przydzielanie zasobów.
Wyzwanie
Usprawnienie systemu zarządzania skargami, umożliwiające szpitalowi lepsze priorytetyzowanie, efektywniejsze wykorzystanie zasobów oraz skoncentrowanie się na poprawie opieki nad pacjentem.
Rozwiązanie
Aplikacja internetowa do automatycznego triażu, standaryzacji i priorytetyzacji zgłoszeń dzięki sztucznej inteligencji
Korzyści
- Lepsze przydzielanie zasobów
- Wyższa jakość odpowiedzi
- Zwiększenie efektywności operacyjnej
- Głębsze analizy wspierające podejmowanie decyzji
- Zmniejszenie obciążenia pracowników
- Poprawa wyników leczenia i opieki nad pacjentami
Kluczowe wskaźniki efektywności
Poprawa w identyfikacji tematów skarg o 66%, co umożliwia szybsze reagowanie i rozwiązywanie problemów.
Lepsze zarządzanie dla lepszych rezultatów
Ekspertyza Methods Analytics w zakresie wdrażania rozwiązań opartych na AI w ochronie zdrowia koncentruje się na praktycznych narzędziach odpowiadających na rzeczywiste potrzeby i poprawiających jakość usług. W przypadku tego Trustu prace rozpoczęto od opracowania mechanizmu do przetwarzania języka naturalnego (NLP) w języku Python, służącego do analizy tekstów i wyodrębniania kluczowych tematów. Następnie opracowano klasyfikator tekstu, który kategoryzował zgłoszenia jako skargi, obawy lub pochwały. Wykorzystano rozpoznawanie nazwanych bytów (NER), aby zidentyfikować odpowiedni personel, działy i role. System UMLS (Unified Medical Language System) umożliwił wzbogacenie tych danych o kontekstowe informacje, np. poprzez powiązanie danego bytu z jego aliasem, typem i definicją (np. pielęgniarka, personel medyczny). Dzięki temu narzędziu Trust usprawnił globalny proces zarządzania skargami.
Panele kontrolne dla lepszej opieki
Aby zintegrować te narzędzia i umożliwić klasyfikację oraz priorytetyzację skarg w czasie rzeczywistym, Methods Analytics stworzyło aplikację internetową. Dzięki niej Trust może skupić się na najważniejszych sprawach, jednocześnie automatyzując rutynowe procesy. Skutkuje to nie tylko poprawą wydajności operacyjnej, ale również lepszą opieką nad pacjentem. Dodatkowo, panele analityczne dostarczają pogłębionych analiz wzorców i trendów zgłoszeń.
Zestaw narzędzi
Methods Analytics użyło języka Python do opracowania mechanizmu NLP analizującego teksty skarg i identyfikującego kluczowe tematy. Klasyfikator tekstu odróżnia skargi, obawy i pochwały, a rozpoznawanie nazwanych bytów (NER) pozwala wskazać odpowiedni personel i działy. Wykryte tematy i byty są wzbogacane wiedzą medyczną z bazy UMLS. Power BI umożliwia tworzenie paneli kontrolnych i raportów. Całe rozwiązanie zostało zintegrowane w aplikacji internetowej, która usprawnia proces triage’u skarg i dostarcza interfejs użytkownika.
Skupienie się na tym, co najważniejsze
Oprócz oszczędności czasu i zasobów, asystent triażowy umożliwia szpitalowi skoncentrowanie się na tym, co najważniejsze – zapewnianiu wysokiej jakości opieki i skutecznym rozwiązywaniu problemów pacjentów. W miarę rozwoju AI, takie rozwiązania torują drogę dla bardziej responsywnych, opartych na danych systemów opieki zdrowotnej, poprawiając efekty zarówno dla pacjentów, jak i pracowników ochrony zdrowia.
