IA în operațiunile spitalelor: cerere, stocuri, personal, fraude

Când directorii de spitale și ministerele sănătății discută despre inteligența artificială (IA), discuția ajunge de obicei la diagnostic. Totuși, o mare parte din bugetul unui sistem de sănătate și multe dintre eșecurile sale evitabile se află în operațiuni: medicamente care se epuizează într-un raion în timp ce expiră în altul, secții cu deficit de asistente medicale în timpul unui val de iarnă previzibil și plăți pentru servicii care nu au fost prestate niciodată. Acestea sunt probleme de prognozare și de detectare a anomaliilor, iar învățarea automată li se potrivește foarte bine. Ele implică, de asemenea, un risc clinic mai mic decât IA de diagnostic, ceea ce le face o investiție inițială rezonabilă pentru un program național.

1. Prognozarea cererii de medicamente și consumabile

Majoritatea sistemelor publice de sănătate încă prognozează necesarul de medicamente pornind de la consumul din anul precedent, plus o ajustare. Această metodă nu ține cont de sezonalitate, de variațiile dintre instituții și de distorsiunea cauzată de rupturile de stoc anterioare: o instituție care a rămas fără stoc înregistrează un consum scăzut și, ulterior, primește mai puțin. Modelele de învățare automată pot combina istoricul consumului, nivelurile stocurilor, volumele de servicii, sezonalitatea și tendințele morbidității pentru a produce prognoze la nivel de instituție.

Côte d'Ivoire: prognoze la nivel de instituție din date de rutină

Un exemplu bine documentat provine din Côte d'Ivoire. Pendulum (fostă macro-eyes), în colaborare cu Ministerul Sănătății, USAID și Fundația Gates, a antrenat modele pe date din sistemul național de informații în sănătate DHIS2 și din sistemele logistice eSIGL și mSupply. Potrivit descrierii proiectului publicate pentru comunitatea DHIS2, prognozele pentru 11 produse de planificare familială în peste 2.500 de instituții medicale au fost cu 38% mai exacte decât cele obținute prin metode tradiționale, iar testele pe 36 de produse pentru malarie au redus eroarea de prognoză în medie cu 37%. Prognozele au fost furnizate lunar pentru a sprijini comenzile instituțiilor.

Lecția pentru alte țări este că îmbunătățirea a provenit din date deja existente în sistemele naționale. Condiția prealabilă a fost integrarea, nu colectarea de date noi.

Cum arată un serviciu bun de prognozare

• Orizont corelat cu ciclul de achiziții. Un orizont de 30–90 de zile se potrivește majorității deciziilor de reaprovizionare și de licitație.
• Prognoze cu intervale de incertitudine. Cumpărătorii trebuie să știe cât de mult poate varia cererea, nu doar estimarea centrală.
• Corecție pentru rupturile de stoc. Consumul înregistrat în perioadele de ruptură de stoc subestimează cererea reală și trebuie ajustat.
• Verificare umană. Farmaciștii și specialiștii în achiziții aprobă comenzile. Modelul doar recomandă.

2. Monitorizarea stocurilor în toate instituțiile

O prognoză este utilă doar dacă știi ce se află pe raft. Multe sisteme nu au o vizibilitate fiabilă, aproape în timp real, asupra stocurilor din spitale, iar această vizibilitate este fundamentul oricărei soluții de IA construite deasupra.

NHS Scan4Safety: mai întâi vizibilitatea

Programul Scan4Safety („scanare pentru siguranță”) din Anglia a introdus scanarea codurilor GS1 pentru pacienți, produse și locații în șase trusturi NHS demonstrative, pe parcursul a doi ani (2016/17–2017/18). Fiecare articol utilizat într-o procedură, inclusiv implanturile, a fost înregistrat în dreptul pacientului și al locației. Evaluarea, publicată în iulie 2020, a constatat economii recurente la stocuri de aproape 5 milioane £ și reduceri unice ale stocurilor de 9 milioane £ și a estimat eliberarea a 140.000 de ore de timp clinic, în mare parte deoarece personalul a petrecut mai puțin timp gestionând stocurile. Leeds Teaching Hospitals a redus timpul de identificare a produselor retrase de pe piață de la peste opt zile la sub 35 de minute.

Scan4Safety nu este un proiect de IA. El arată fundamentul de date de care are nevoie IA operațională. Cu date despre stocuri la nivel de articol și de locație, modelele pot face lucruri altfel imposibile:

• Semnalează instituțiile care se îndreaptă spre o ruptură de stoc cu câteva zile înainte ca aceasta să se producă.
• Identifică articolele aproape de expirare dintr-un spital de care are nevoie alt spital și sugerează transferuri.
• Detectează consumul neobișnuit care poate indica risipă, deturnare sau erori de înregistrare.

3. Prognozarea cererii de servicii și planificarea personalului

Personalul reprezintă cel mai mare cost în majoritatea sistemelor de sănătate și constrângerea cel mai greu de atenuat. Organizația Mondială a Sănătății estimează un deficit global de circa 11 milioane de lucrători din sănătate până în 2030, în principal în țările cu venituri mici și medii-inferioare. Sistemele din țările cu venituri mari se confruntă cu aceeași presiune. Planul pe termen lung privind personalul (Long Term Workforce Plan) al NHS England, publicat la 30 iunie 2023, a estimat că, în lipsa unor măsuri, NHS s-ar confrunta cu un deficit de 260.000–360.000 de angajați până în 2036/37.

Pe termen scurt: prezicerea sosirilor pentru planificarea turelor

La nivel operațional, Assistance Publique–Hôpitaux de Paris (AP-HP), rețeaua spitalelor publice din Paris, a pilotat un model de învățare automată în patru dintre spitalele sale. Modelul a utilizat zece ani de înregistrări ale internărilor, împreună cu date externe, pentru a prezice sosirile și internările de urgență pe zile și ore, cu până la 15 zile în avans. Scopul declarat era simplu: să ofere managerilor suficient timp pentru a suplimenta personalul atunci când se anticipa o cerere ridicată.

Pe termen lung: modelarea cererii și ofertei de profesioniști

Planificarea strategică a personalului pune o altă întrebare: de câți medici, asistente medicale, tehnicieni radiologi și farmaciști din fiecare specialitate va avea nevoie sistemul peste cinci sau zece ani și câți va avea? Modelele utile combină:

• proiecțiile demografice și tendințele poverii bolilor, pe partea cererii;
• structura pe vârste, tiparele de pensionare, emigrarea și fluxurile de formare, pe partea ofertei;
• distribuția regională, deoarece mediile naționale pot ascunde deficite severe în zonele rurale.

Aceste modele nu au nevoie de învățare profundă. Au nevoie de date curate de resurse umane, corelate cu datele de activitate, și de instrumente de scenarii care să le permită planificatorilor să testeze efectul unui număr mai mare de locuri de formare, al măsurilor de retenție sau al noilor modele de îngrijire.

4. Detectarea fraudelor, risipei și anomaliilor în cheltuielile pentru sănătate

Cheltuielile pentru sănătate atrag erori, risipă și fraude: facturarea unor servicii neprestate, supracodificarea, cererile de decontare duplicate, prețurile de achiziție umflate și angajații fictivi. Auditurile bazate pe reguli depistează tiparele cunoscute. Învățarea automată adaugă detectarea anomaliilor, semnalând furnizorii, cererile de decontare sau tranzacțiile care diferă de cele similare în moduri pe care regulile nu le-au anticipat.

Statele Unite: analiză predictivă înainte de plată

Cel mai bine documentat exemplu național este Fraud Prevention System (Sistemul de prevenire a fraudelor) al Centers for Medicare & Medicaid Services (CMS) din SUA. Impus prin Small Business Jobs Act din 2010, acesta aplică analiză predictivă cererilor de decontare Medicare cu plată per serviciu la nivel național începând cu 30 iunie 2011. CMS a raportat că, în al doilea an de funcționare, sistemul a identificat sau prevenit plăți necuvenite de peste 210 milioane USD, dublu față de primul an, și a condus la măsuri împotriva a 938 de furnizori de servicii și furnizori de produse. Trăsătura sa distinctivă este momentul intervenției: cererile de decontare sunt analizate înainte de plată, nu recuperate ulterior.

Principii de proiectare pentru detectarea anomaliilor

1. Atribuiți scoruri, nu acuzați. Rezultatul unui model este o pistă pentru investigatori, niciodată o constatare de fraudă.
2. Comparați elemente comparabile. Grupurile de referință trebuie să țină cont de specialitate, de structura cazurilor și de regiune, altfel furnizorii legitimi cu volum mare de activitate vor fi semnalați.
3. Închideți bucla. Rezultatele investigațiilor ar trebui să alimenteze înapoi modelul, astfel încât acesta să învețe care alerte contează.
4. Protejați dreptul la o procedură echitabilă. Furnizorii au nevoie de o cale de a explica sau contesta constatările, iar modelele ar trebui să fie suficient de explicabile pentru a permite acest lucru.

Fundamente comune

Toate cele patru cazuri de utilizare au cerințe comune care merită planificate împreună:

Cerință	De ce contează
Date de referință unificate pentru produse și instituții	Prognozele și comparațiile de stocuri eșuează dacă același articol are coduri diferite în spitale diferite.
Fluxuri de date aproape în timp real	O alertă de stoc bazată pe datele de luna trecută este istorie, nu monitorizare.
Procesare securizată, în interiorul țării	Datele privind decontările, resursele umane și prescripțiile sunt date cu caracter personal și, adesea, date de sănătate.
Responsabilitate clară pentru decizii	Fiecare model are nevoie de o echipă desemnată care acționează pe baza rezultatelor sale.

IA pentru managementul sistemului de sănătate în Republica Moldova

Managementul sistemului de sănătate este unul dintre cele cinci domenii de IA ale Programului Național de Digitalizare a Sistemului de Sănătate (2025–2030) al Republicii Moldova. Acesta cuprinde prognozarea achizițiilor de medicamente și consumabile cu 30–90 de zile în avans, monitorizarea stocurilor în toate instituțiile, prognozarea deficitului de personal și detectarea anomaliilor și a potențialelor fraude în datele contabile, pentru un sistem de sănătate care deservește aproximativ 2,36 milioane de persoane. Deoarece aceste modele utilizează înregistrări administrative, de prescripții și de personal, ele respectă regula programului potrivit căreia datele cetățenilor sunt procesate exclusiv în interiorul Republicii Moldova.

Import Medical oferă în Republica Moldova capacitate de calcul suverană, on-premise, de înaltă performanță pentru IA, destinată acestor sarcini, alături de activitatea noastră de import de echipamente medicale, care ne menține aproape de realitățile achizițiilor și ale lanțurilor de aprovizionare din sănătate. Descoperiți soluția noastră de management al sistemului de sănătate și aflați cum se leagă prognozarea operațională de predicția bolilor și de infrastructura noastră de IA. Lecturi conexe: analiza predictivă în sănătatea populației și sistemul național de e-sănătate al Estoniei. Pentru a discuta un pilot pentru instituția dumneavoastră, contactați-ne.

operațiuni spitalicești prognozarea cererii lanț de aprovizionare planificarea personalului detectarea fraudelor

Surse

1. Leveraging DHIS2 data to create AI-driven health facility forecasts in Côte d'Ivoire — DHIS2 Community of Practice
2. Barcode scanning improves safety and efficiency — Healthcare Financial Management Association (HFMA)
3. Paris Hospitals Use Big Data To Predict Admissions — Healthcare IT Today
4. NHS Long Term Workforce Plan — NHS England
5. Health workforce — World Health Organization
6. CMS Fraud Prevention System identified or prevented $210 million in improper Medicare payments in its 2nd year — Centers for Medicare & Medicaid Services