破产的圣文森特医院,如何利用大数据寻求解救方案?

简介:

2010年,纽约著名的圣文森特医院(ST.VINCENT’S hospital)因资金问题申请破产,政府和社区都十分担心周围人民因此受到影响,因此当时的它面临着巨大的社会阻力。

这期间,很多专业人士均在讨论怎么重建医院,并与其他医院进行合作时。

Northewll医疗系统的想法与其他不太一样。

Northewll是美国东北部最大、也是最完整的综合医疗系统之一,覆盖了600多个医疗站点。他们认为在忙着重建之前,先得通过大数据去分析清楚到底是什么主、客观因素导致医院破产,以及应该采用什么样的解决方案。它们认为,医院出现问题是因为社区中的临床需求和居民去医院的原因都发生了变化,需要全新的模式和全新的理念来解决。

贝勒医学院常务副院长Wayne Keathley一直与Northewll公司保持合作,Wayne Keathley谈到,“我们原来没有测试用这种手段去分析,医院哪些地方出了问题,因为没有实际的案例供参考。”

雷锋网了解到,为了分析问题和探索新的解救方案,Northewll从纽约圣文森特医院的改造到推出统计模型机制,帮助医疗机构从最初数据源(历史临床数据、医疗机构变化数据、临床变化的历史(医疗科技的变化)数据、患者行为分析数据、临床需求的预测数据等)搭建可行的模型机制,通过流动护理的变化、复杂临床服务提升效率,通过价格低廉快速投入运行中去,通过定制化被基层医疗机构快速接受。

Northwell Health如何的分析手段

当时的Northewll提出一种全新的概念。

首先,Northwell Health熟知了圣文森特医院经营管理信息后,决定对六大数据信息来源进行分析,寻求解决方案。

历史临床数据

包括整个社区中医院以及其他方的数据。Northwell Health重点分析了这些数据:过去五年中,谁去过医院、去医院的原因、谁去社区医院、谁去医疗站点、谁去其它医院进行治疗,以及他们的护理需求和医疗服务需求。

居住人口变化统计模型

这部分主要包括社区居住人口的变化:如纽约大学的教职员工和学生、老龄化人口(退休人员搬到纽约居住的人口)。与此同时,也预测了接下来5-10年乃至15年中,周边人口的临床服务需求。

新临床技术和护理标准

医疗技术在不断地发生变化,但公众和医院工作人员往往对技术的变化有一定的抗拒心理。现阶段医院临床技术很有可能在未来几年会发生变化,因此需要对这些新技术造成的结果进行预测和分析。

交通模式

纽约的交通特别拥堵,很多人会通过开车、步行、乘坐公共交通工具去医院。在分析医院和临床服务大数据时,也需考虑人们去医院的交通模式。

人口临床需求预测

五年以后人口临床需求将会怎么样?有多少新生儿、有多少老人、有多少癌症新发病例,以及年轻人口有没有增加心血管医院的需求,都需要放在模型中对未来的医疗系统做出预测。

竞争对手分析。

美国医疗体系的竞争很强,医院破产、倒闭,很多时候都是因为竞争对手做得更好、更加便宜、更快,竞争因素也在考虑范围当中。而这些竞争要素包括人数、地理等,基于这些建立可行的模型。

分析6大维度数据后,提出全新的流动医疗护理理念

于医院而言,由于它关闭地非常突然,因此替代计划要快速落实,并投入运转。而且进行定制化,满足社区的需求,在社区中被接受。

在经过对六大数据源进行分析后,Northwell Health提出了全新的流动医疗护理理念。流动医疗护理有着非常复杂的临床服务,为满足社区需要、提高服务质量,流动医疗护理理念有以下内容:

高效可持续、更快速、价格低廉、可定制化以满足社区需求、动态化、模式灵活、“24×7服务”。

流动的医疗护理有非常复杂的临床服务,所以要把它做的更高效,更加可持续。同时需保证它具有动态性,能够适应周边的环境,不断随着时间进行改善。对任何一个现在能够接受的解决方案,在未来很有可能会变得更加复杂,面临更多的挑战,需要不断进行模式改善。

甚至需要细化到,开放24×7服务;具备满足大多数临床需求的能力;创伤、心血管、中风等都应该得到很好的管理和医疗。

这种模式必须持续让人们获得健康医疗服务,并且要做到在某个地方拍的影像,可由其他地区的医生读片。此外,还需要获得其它地方医院的支持和现场的药房服务。不光服务医院的患者,还包括在家的一些患者。此外,设施设备也要足够完善,专业服务能力要有保障,以满足社区里多个年龄层居民的多样需求。

Wayne Keathley指出,目前美国已制定出利用数据,通过医疗数字化,实现协同医疗发展的体制规定。这个案例对当时的纽约非常重要,希望对中国的医疗改革也能有一定的借鉴作用。



本文作者:亚峰
本文转自雷锋网禁止二次转载, 原文链接
相关实践学习
简单用户画像分析
本场景主要介绍基于海量日志数据进行简单用户画像分析为背景,如何通过使用DataWorks完成数据采集 、加工数据、配置数据质量监控和数据可视化展现等任务。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
相关文章
|
9月前
|
存储 SQL 关系型数据库
大数据量下数据库分页查询优化方案汇总
当需要从数据库查询的表有上万条记录的时候,一次性查询所有结果会变得很慢,特别是随着数据量的增加特别明显,这时需要使用分页查询。对于数据库分页查询,也有很多种方法和优化的点。下面简单说一下我知道的一些方法。
186 2
|
5月前
|
分布式计算 大数据 Hadoop
开源大数据方案有哪些
开源大数据方案有哪些
104 0
|
8月前
|
并行计算 固态存储 Ubuntu
基因组大数据计算: CPU和GPU加速方案深度评测
基因组大数据计算: CPU和GPU加速方案深度评测
150 0
基因组大数据计算: CPU和GPU加速方案深度评测
|
5月前
|
存储 SQL 数据挖掘
Paimon+StarRocks 湖仓一体数据分析方案
Paimon+StarRocks 湖仓一体数据分析方案
489 0
|
6月前
|
分布式计算 资源调度 Kubernetes
大数据问题排查系列 - SPARK STANDALONE HA 模式的一个缺陷点与应对方案
大数据问题排查系列 - SPARK STANDALONE HA 模式的一个缺陷点与应对方案
|
6月前
|
SQL 分布式计算 资源调度
大数据线上问题排查系列 - 同样的HQL,在CDH与TDH平台执行效率差异巨大的根本原因与业务侧应对方案
大数据线上问题排查系列 - 同样的HQL,在CDH与TDH平台执行效率差异巨大的根本原因与业务侧应对方案
|
7月前
|
canal SQL 弹性计算
实时数据及离线数据上云方案
本实验通过使用CANAL、DataHub、DataWorks、MaxCompute服务,实现数据上云,解决了数据孤岛问题,同时把数据迁移到云计算平台,对后续数据的计算和应用提供了第一步开山之路。
144 0
|
8月前
|
存储 数据挖掘 Java
Paimon+StarRocks 湖仓一体数据分析方案
阿里云高级开发工程师曾庆栋(曦乐)在 Streaming Lakehouse Meetup 的分享。
430 0
Paimon+StarRocks 湖仓一体数据分析方案
|
10月前
|
机器学习/深度学习 JSON 自然语言处理
全国大数据与计算智能挑战赛:面向低资源的命名实体识别基线方案,排名13/64
全国大数据与计算智能挑战赛:面向低资源的命名实体识别baseline,排名13/64。第一名:0.68962791,基线:0.67902593 ,感兴趣小伙伴可以刷刷榜。 国防科技大学系统工程学院(大数据与决策实验室)
全国大数据与计算智能挑战赛:面向低资源的命名实体识别基线方案,排名13/64
|
11月前
|
消息中间件 SQL 存储
《Apache Flink 案例集(2022版)》——1.数据集成——37手游-基于 Flink CDC + Hudi 湖仓一体方案实践
《Apache Flink 案例集(2022版)》——1.数据集成——37手游-基于 Flink CDC + Hudi 湖仓一体方案实践
333 0