Granda datumo estas estanta ĉiufoje pli aplikita plibonigi paciencan sperton kaj rezulton tutmonde. pacienca sperto kaj rezulto estis plejparte neglektita tiel ege plejparte ĉar hospitaloj kredis ke ĝi devis konekti unemotionally kaj objektive kun ĝiaj pacientoj kaj regalaj malsanoj. Sed la hospitaloj estas konsciantaj ke pacienca trakto iras pretere fizikajn malsanojn. Ĝi estas pri kiel la paciento emocie sentas pri pluraj aferoj kiel konduto, Vizaĝa esprimo, Approachability, Puremeco, Fakturanta sperton kaj simpation spertita en la hospitalo. Tiaj faktoroj konsistigas paciencan sperton kaj hospitaloj estas provantaj kvantigi paciencan sperton en la formo de granda datumo. Pluraj uzaj kazoj atestas al la efikeco de granda datumo en pliboniganta paciencan sperton kaj rezulton.
Kio faras paciencan sperton kaj rezultan mezumon?
La sperto de paciento kun hospitalo ne estas nur konektita al la kvalito de pura kuraca trakto sed ankaŭ kun la entuta emocia sperto kiu inkluzivas, Sed ne povas esti limigita faciligi de nomumoj, approachability kaj amikemo de personaro, Ĝustatempeco, simpatio kaj puremeco. Pacientoj povas premii poentarojn bazita sur lia aŭ ŝia entuta emocia sperto kun la hospitalo. Granda datuma teknologio estas kapabla kapti la emocian sperton en la formo de datumo. La bildo sub rezultoj ke la larĝa gamo de emocioj kaj spertas pacienton povas havi estas kaptita en la formo de datumo en diversaj rimedoj kiel sociaj amaskomunikilaraj ejoj.
Pacienca sperto
La datumo pri pacienca sperto povas esti sourced de malsamaj fontoj, Kiel montrita en la bildo sub.
Datuma fonto
Donita malsupre estas kvin potencaj vojoj granda datumo estas estanta uzita plibonigi la paciencan sperton kaj rezulton.
La Cleveland Klinika vojo
La Cleveland Kliniko grave plibonigis ĝian paciencan sperton kun la helpo de analytics. Reen je 2009, La kliniko ne estis ricevanta altajn poentarojn sur pacienca kontenta indekso. Needless deklari, Kiu havis multajn implicojn. Tiel, La CEOa d-ro. Cosgrove decidita draste plibonigi paciencajn servojn de fidanta sur analytics. Turni la vizion en realaĵo, La kliniko dungis d-ron. James Merlino kiel la Ĉefa Sperta Oficiro. D-ro. Merlino dungis trian-partia agentejo fari kvantan kaj kvalitan studon sur kio la pacientoj atendita de la kliniko. La trovoj de la analytics estis malsama de kio la kliniko pensis la pacientojn atendita de la kliniko. La pacientoj, La analytics rivelis, Atendata respekto, klara kaj konsekvenca komunikado kaj feliĉa hospitala personaro. Ĉi tiuj atendoj estis konektita kun la emocia stato de la pacientoj. Pacientoj dezirita montriĝon de koncerno kaj simpatio de hospitala personaro. Ĝi estas grava ke la studo de la ekstera firmao povis quantitatively sentoj de kaptaj pacientoj kaj liveri ilin kiel analytics.
Akiranta enrigardojn de granda datumo
Akiranta enrigardojn estas la unua grava paŝo al pliboniganta paciencan sperton kaj estas multaj vojoj fari tion. Unue, Datumaj bezonoj esti alirita de la malsamaj fontoj, Kiel montrita en la bildoj sur. Post kiam tio, La datumo povas esti analizita trovi ekstere paciencajn sentojn al hospitaloj. Ekzemple, Socia amaskomunikilaro kaj retejaj diskutoj povus riveli ke pacientoj emas senti multan koleron ĉe la fakturadaj nekompetentecoj de aparta hospitalo. Antaŭenirita analytics povus kvantigi ĉi tiujn gamojn de emocioj. Analytics motoroj povus serĉi retejojn kiel Pepi trovi ekstere trending temoj sur kuracado kaj analizi la enhavon. Ĝi estas grava identigi la plej gravaj aferoj en la mensoj de la pacientoj — ĝi povus esti havebleco parki spacojn, Manko de klareco en komunikado, Malpuraj banĉambroj kaj para kaosa fakturado sumigiloj.
Identigi trending aŭ varmaj temoj
La ideo estas identigi la trending temoj kaj asigni taksojn al ili signifi la gravecon aŭ gravecon. Ekzemple, Pozitiva retrosciigo povus esti premiita verdajn kolorojn kaj negativa retrosciigo povus esti donita ruĝajn kolorojn. Antaŭenirita analytics estas kapabla produkti fidindajn taksojn de tia retrosciigo. Tia retrosciigo ankaŭ povus provizi valorajn materialojn por la hospitaloj krei Kernajn Elfarajn Indikilojn (KPI). La avantaĝo kun ĉi tiu alproksimiĝo de renkontiĝo kaj analizanta datumon estas ke ĝi okazas relative rapide, Kiam komparita al la tradicia metodo de enketoj.
Kreanta agajn planojn kaj celojn
Post kiam identiganta la trending aŭ varmaj temoj, La sekvanta paŝo estas identigi aron de variables kiu estas ludanta rolon en pacienca malkontenteco. Variables estas aro de parametroj kun asignita valorojn kiu evidente, Ŝanĝo super tempo. En ĉi tiu kunteksto, Ekzemploj de variables povis esti fakturanta erarojn, Atendanta tempon ĉe la enketaj departementoj, Manko de procezo, Malriĉaj sintenoj al pacientoj kaj malfacileco en prenanta nomumojn. Post kiam la variables estas identigita, La hospitalo povas decidi sur kio konsistigas akcepteblan ŝanĝon en variaj valoroj. Ekzemple, La hospitalo povus celi limigi fakturanta erarojn al 1% De la totala nombro de kalkuloj produktita en monato. Datuma scienco estas ankaŭ kapabla de akcepteble taksanta la efikon de la ŝanĝo en variaj valoroj sur pacienca sperto.
Reduktanta readmissions
Laŭ Paul Muller, Ĉefa Softvara Evangeliisto ĉe HP, Hospitalaj agnoskoj en Usono konsistigas proksimume 30% De la totala ĉiujara kuracada kosto kaj 20% De ĉiuj hospitalaj agnoskoj okazas ene 30 Tagoj de eligaĵo. Muller observita, “En aliaj vortoj, Ni estas potenciale lasanta homojn iras sen tute solvis iliajn aferojn. Pli bona utiliganta grandan-datuma teknologio povas havi tre vera efiko, Ekzemple, Sur la kuracadaj rezultoj de via amita ones.” Evidente, Reduktanta hospitalon readmissions grave povus plibonigi paciencan rezulton. Sed kiel povis grandan datumon potenciale helpi redukti readmissions? La kernaj mensogoj en aliranta kaj analizanta kuracan kaj sana datumo de la pacientoj kaj evoluiganta planojn sekve. Se paciento estas readmitted ene de 30 Tagoj, Io plej verŝajne iris malĝuste kun la poŝto-eligaĵa prizorgo. Tiel, Precizaj analizaj bezonoj esti farita sur la eblaj riskoj, Agoj, Krizaj situacioj, Medikamentoj, Historio de malsanoj kaj tiel plu.
Reduktanta eviteblajn elspezojn
Laŭ Muller, Kuracaj eraroj estas unu el la plej grandaj kontribuantoj al la eviteblaj kuracaj elspezoj en Usono kiu povus esti kiel alta kiel 17.6% De la GDP. Kuracaj eraroj kiel spongo lasita en la stomako post operacio aŭ superdozo gvidanta al infekto povus veturi supre la kostajn hospitalojn provokas kaj la asekuraj elspezoj. Nekompetentecoj en la procezo ankaŭ nerekte kontribui al pli altaj kostoj. Tio ĉi iras sen diranta ke nekompetentecoj kaj eraroj povas kontribui multe al pacienca malkontenteco kaj redukti paciencajn rezultajn poentarojn. Granda datumo analytics, Kombinita kun la ĝusta teknologio, Povas malkovri la problemojn en objektiva maniero. Mortoj pro eraroj kaj malzorgemo povas veturi pacientojn for de hospitalo. Ĝusta analizo povas kontroli la churn.
Resuma
pacienca sperto kaj rezulto estis neglektita erojn de trakto delonge kaj ĝi estas fine akiranta la atento ĝi meritas. Granda datumo plej verŝajne estas la plej bona vojo trakti la aferon. Tamen, Hospitaloj ankaŭ devi konsideri la perspektivon de tro da dependeco sur datumo. Statistikeroj, Ĉe ĝia plej bona, Povas diri nur parton de la rakonto. La defio estas al akiranta ĝian agon kune, De metanta la agan planon produktita de la datumo en praktiko. Estas alia perspektivo ankaŭ: Povas la investon en granda datumo analytics ankaŭ veturi supre hospitalajn kalkulojn? Kiu povas esti alia areo de pacienca sperto. Ĝi estos interesanta vidi kiel hospitalojn ludas la ekvilibrigantan agon.
?
