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 analyse Verbeter de gezondheidszorgplanning
Vanuit technisch perspectief hangt voorspellende planning af van het combineren van twee verschillende datadomeinen: patiëntgestuurde analyses en personeelsgestuurde analyses.
“Allereerst heb je de historische gegevens en je trends nodig voor je patiëntenstroom”, legt McDonnell uit.
Deze patiëntgerichte datasets omvatten scherpte, volume, intensiteit van de zorg en klinische toestand die al zijn vastgelegd in ziekenhuisanalyseplatforms en EPD-omgevingen.
Aan de personeelskant moeten planningssystemen gedetailleerde en actuele personeelsprofielen bijhouden om nauwkeurige aanbevelingen te kunnen doen.
“Je hebt vaardigheden, certificeringen, ervaringsniveau van het personeel en een professioneel certificeringsniveau nodig”, zegt McDonnell.
De technische basis voor voorspellende planning berust op het vermogen om deze twee datasets samen te voegen en te operationaliseren door middel van algoritmen die de klinische vraag en het personeelsaanbod voortdurend in evenwicht brengen.
“Zodra je de patiëntgestuurde analyses hebt afgestemd op de door medewerkers en artsen aangestuurde analyses, kun je de algoritmen creëren die vraag en aanbod op elkaar afstemmen”, zegt ze.
LEES MEER: Waarom zouden CIO’s in de gezondheidszorg prioriteit moeten 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 met meerdere leveranciers beheren. McDonnell zegt dat voorspellende planningsplatforms verbinding moeten maken met EPD’s, patiëntenstroomsystemen en personeelsbeheertools, vaak van verschillende leveranciers.
“Als 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 andere grote gezondheidszorgsystemen, optreden als coördinerende laag tussen leveranciers en tegelijkertijd zorgen voor naleving van de wetgeving en gegevensbescherming.
“We moeten de facilitator zijn die dit samenbrengt en 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 leiderschap een even cruciale rol bij het bepalen of voorspellende planningsinitiatieven slagen. Ze wees in het bijzonder op human resources als een groep die vaak ondergewaardeerd wordt in digitale arbeidsprojecten.
HR-beleid en arbeidsmarktregels bepalen rechtstreeks hoe planningsalgoritmen kunnen worden geconfigureerd en geïmplementeerd, zegt ze, waardoor vroege betrokkenheid van cruciaal belang is.
Tegelijkertijd moeten klinische en operationele managers prioriteit geven aan de betrokkenheid van medewerkers tijdens het ontwerp en de uitrol van het systeem.
“Als je deze 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 ontstaat dat de balans tussen werk en privé makkelijker te beheren maakt”, zegt ze.
Klik op onderstaande banner om het nieuwe CDW Artificial Intelligence Research Report te lezen.
