Bij Duke wordt voorspellende planning gebruikt om een van de meest hardnekkige bronnen van ontevredenheid onder artsen en ondersteunend personeel aan te pakken: onvoorspelbare schema’s en constante last-minute veranderingen, veroorzaakt door fluctuerende tellingen en scherpte.
Voorspellende systemen maken het mogelijk om flexibelere personeelsmodellen te introduceren die beter aansluiten bij de reële vraagpatronen en tegelijkertijd de balans tussen werk en privéleven voor artsen verbeteren.
Datagestuurde analyses Verbeteren de planning van de gezondheidszorg
Vanuit technisch perspectief hangt voorspellende planning af van het combineren van twee verschillende datadomeinen: patiëntgestuurde analyses en personeelsgestuurde analyses.
“Eerst en vooral heb je historische gegevens en trends nodig voor je patiëntenstroom”, legt McDonnell uit.
Deze patiëntgerichte datasets omvatten scherpte, volume, intensiteit van de zorg en klinische toestand, die al worden vastgelegd in ziekenhuisanalyseplatforms en EPD-omgevingen.
Aan de personeelskant moeten planningssystemen gedetailleerde en actuele personeelsprofielen bijhouden om nauwkeurige aanbevelingen te kunnen doen.
“Je hebt competenties, certificeringen en het ervaringsniveau en professionele certificeringsniveau van het personeel nodig”, zegt McDonnell.
De technische basis van voorspellende planning berust op het vermogen om deze twee datasets samen te voegen en te operationaliseren via algoritmen die de klinische vraag en het personeelsaanbod voortdurend in evenwicht brengen.
“Zodra je de patiëntgestuurde analyses hebt gekoppeld aan de door medewerkers en artsen aangestuurde analyses, kun je de algoritmen creëren die het aanbod aan de vraag koppelen”, zegt ze.
LEES MEER: Waarom moeten CIO’s in de gezondheidszorg prioriteit geven aan fundamentele technologie-investeringen?
Overweging voor de implementatie van voorspellende planning
De integratie van deze systemen in de hele onderneming brengt bekende uitdagingen met zich mee voor gezondheidszorgsystemen die complexe technologieomgevingen van meerdere leveranciers beheren. McDonnell zegt dat voorspellende planningsplatforms verbinding moeten maken met EPD’s, patiëntenstroomsystemen en personeelsbeheertools, vaak van verschillende leveranciers.
“Elke keer dat je te maken hebt met externe leveranciers, moet je ervoor zorgen dat die externe leveranciers bereid zijn om samen in de sandbox te spelen”, zegt ze.
Duke moet, net als veel grote gezondheidszorgsystemen, optreden als coördinerende laag tussen leveranciers en tegelijkertijd zorgen voor naleving van de regelgeving en gegevensbescherming.
“Wij moeten de tussenpersoon zijn die dat samenbrengt, waarbij we de veiligheid van patiënten en personeel en de vertrouwelijkheid garanderen, dat aan alle wettelijke vereisten wordt voldaan en dat we ieders informatie veilig en vertrouwelijk houden terwijl we integreren”, zegt ze.
Naast technologie-integratie, zegt McDonnell, spelen organisatorisch eigendom en bestuur een even cruciale rol bij het bepalen of voorspellende planningsinitiatieven slagen. Ze wees in het bijzonder op human resources als een groep die vaak wordt onderschat in digitale arbeidsprojecten.
HR-beleid en arbeidsregels bepalen rechtstreeks hoe planningsalgoritmen kunnen worden geconfigureerd en ingezet, zegt ze, waardoor vroegtijdige betrokkenheid essentieel is.
Tegelijkertijd moeten klinische en operationele leiders prioriteit geven aan de betrokkenheid van het personeel tijdens het ontwerp en de uitrol van het systeem.
“Als je die eindgebruikers (het personeel en de artsen) niet bij het ontwerp betrekt, mis je een heel belangrijk onderdeel. Mensen zullen onvermijdelijk het gevoel krijgen dat hen iets wordt opgelegd, in plaats van dat er een systeem wordt gecreëerd dat de balans tussen werk en privé gemakkelijker te beheren maakt”, zegt ze.
Klik op onderstaande banner om het nieuwe CDW Artificial Intelligence Research Report te lezen.
