F:
Vilka är några viktiga misstag företag brukar göra när det gäller att implementera och använda big data-analys?
A:I mer än ett decennium har sjukvårdsorganisationer investerat miljoner dollar i att bygga datalager och arméer av dataanalytiker med det enda syftet att fatta bättre beslut med data för att förbättra patientens resultat. Det historiska problemet har varit att de här lagren och analyserna inte ens räcker eftersom de analyser, rapportering och instrumentpanelinstrument som de tillhandahåller inte kan genomföras. De rapporterar helt enkelt vad som händer, men insikten kan inte förklara varför det händer och vad som kan göras för att antingen 1) förhindra att det händer i framtiden om dess påverkan på verksamheten är negativ, eller 2) uppmuntra de önskade positiva resultaten.
Istället för att bara förstå "vad som händer" har infrastrukturen och tekniken blivit åldern för att räkna ut "varför" och "vad vi ska göra åt det." På LeanTaaS, först, bryter vi ut den historiska elektroniska hälsoposten ( EHR) -data och använder sofistikerade algoritmer för att upptäcka trender och mönster - både positiva och negativa. Sedan tillhandahåller vi receptbelagda riktlinjer för att hantera operativa problem för att förbättra tillgången till begränsade resurser, minska patientens väntetider på sjukhus- eller infusionscentrets inställningar, öka personalens tillfredsställelse och sänka de totala kostnaderna för vårdleverans.
Tyvärr fokuserar majoriteten av big data-analysföretagen bara på sina instrumentpaneler och rapporteringsverktyg, komplett med stora mängder data. Men det är dags att förvänta sig mer från analysföretag än bara presentationen av data. Uppgifterna måste berätta en historia och göra rekommendationer som resulterar i meningsfull processförändring. Lösningen måste kunna utveckla exakta förutsägelser och generera rekommendationer som är tillräckligt specifika för att frontlinjen ska kunna fatta hundratals konkreta beslut varje dag - inte bara ”beundra problemet.”
