Cone Health a utilisé l’analyse des patients pour décider du nombre de médecins, de cardiologues et d’infirmières praticiennes à embaucher tout en élargissant la capacité de diagnostic à Greensboro, explique Nanda.
Les systèmes de Big Data et d’analyse de la santé ont mûri et peuvent désormais identifier les lacunes dans le flux de travail d’une équipe de soins, en particulier pour des groupes d’âge spécifiques, selon Nanda.
« Si nous pouvons combler les lacunes en matière de soins qui sont recommandées pour des groupes d’âge spécifiques et du matériel éducatif pour garder nos patients en bonne santé, cela contribuera grandement à soutenir les soins préventifs », dit-il.
En plus de prévenir l’apparition d’une maladie, les soins préventifs comprennent également la prévention secondaire, dans laquelle les prestataires de soins de santé visent à empêcher l’aggravation d’un état, explique Nanda.
Voici cinq domaines dans lesquels le Big Data peut optimiser les soins préventifs :
1. L’IA dans l’analyse préventive et le reporting pour les soins de santé
L’IA permet aux médecins de prévention de prédire le comportement des populations de patients, ce qui permet aux prestataires de soins d’agir avant qu’une maladie ne survienne.
L’intégration de l’IA dans les analyses et les rapports permet aux systèmes de santé de combiner des analyses rétrospectives avec des rapports en temps réel. UnityPoint a trouvé le succès en utilisant ML comme aide à la décision prospective, déclare Harms.
Pendant ce temps, le traitement du langage naturel peut extraire des informations de documents dictés pour déterminer quels patients dans les groupes d’âge recommandés ont besoin de rappels automatisés pour passer des mammographies, explique Nanda.
« Sinon, quelqu’un du bureau du fournisseur parcourrait les dossiers pour déterminer qui est dû pour quoi, ou il classerait ses dossiers ou marquerait ses dossiers de manière à pouvoir identifier qui doit recevoir un service », dit-il.
L’IA peut également aider les équipes soignantes à interroger une base de données pour voir pour quelles conditions un patient est à risque en fonction de son origine ethnique, de son sexe ou de ses antécédents familiaux, selon Nanda.
