.svg)
La transformation numérique du secteur des soins de santé se poursuit à un rythme accéléré, les établissements de santé continuant à en récolter les fruits en matière de gestion opérationnelle, d'épidémiologie et de médecine personnelle. Un sous-ensemble de la numérisation qui s'avère extrêmement utile est l'intégration de la modélisation prédictive et de l'analyse dans les soins de santé.
La modélisation prédictive fait référence à l'utilisation de données historiques ou de données disponibles pour prédire des événements futurs, ce qui permet de prendre de meilleures décisions. Elle est également utilisée pour dépanner ou anticiper des modèles de comportement ou des résultats futurs à l'aide d'ensembles de données ou d'événements multivariés.
En médecine, les modèles prédictifs sont utilisés pour se projeter dans l'avenir et définir les tendances attendues en matière de gestion opérationnelle et de soins aux patients, tant au niveau individuel qu'à plus grande échelle. Dans les laboratoires pharmaceutiques, les modèles prédictifs sont utilisés pour prévoir la demande future, améliorer la productivité, et dans la planification et l'ordonnancement avancés.
L'importance de la transformation numérique et de la modélisation prédictive dans les soins de santé
La numérisation des données sur les soins de santé a permis au public d'accéder à de vastes référentiels sur les questions de santé. Aujourd'hui, avec un smartphone, n'importe qui peut rechercher des symptômes et demander des conseils médicaux depuis le confort de son domicile.
La numérisation a également mis les données des patients et les ressources éducatives à la portée des prestataires de soins de santé du monde entier. Bien qu'il s'agisse là d'excellents exemples des avantages de la numérisation, la maintenance prédictive permet de passer à la vitesse supérieure. La modélisation prédictive permet d'améliorer la gestion opérationnelle de manière inédite.
Un exemple est l'utilisation de modèles prédictifs pour analyser les absences des patients, les programmes de traitement et l'optimisation des ressources hospitalières. En 2018, le centre de santé universitaire d'Elmont a introduit l'utilisation de la modélisation prédictive pour suivre les désistements de ses patients, qui lui coûtaient de l'argent. Pour mieux anticiper les no-shows et planifier en conséquence, le centre de santé s'est tourné vers la modélisation prédictive.
À partir des données historiques de l'hôpital, un modèle prédictif des patients les plus susceptibles de ne pas se présenter a été développé. Ce modèle a ensuite été simulé par rapport aux ressources de l'hôpital dans le but de réorienter ces ressources vers d'autres patients. Le résultat a été une réduction de 14 % des taux de non-présentation, ce qui a permis au centre de soins de santé d'économiser des centaines de milliers de dollars causés par les patients.
Un autre scénario important pour lequel les modèles prédictifs et les simulations sont utiles est celui de l'optimisation des opérations dans les services d'urgence. Avant tout, il est important d'établir l'importance du timing et de la disponibilité des ressources au sein des unités d'urgence pour comprendre l'importance de la modélisation prédictive.
Les erreurs médicales dans les salles d'urgence et l'allocation inadéquate des ressources sont à l'origine d'environ 250 000 décès par an aux États-Unis et de 1 500 000 dans le monde. Bien que la résolution des problèmes liés aux soins d'urgence ne repose pas uniquement sur la gestion opérationnelle, la capacité à prévoir le nombre d'urgences, à allouer les ressources et à élaborer des programmes fonctionnels peut permettre de relever d'importants défis. Ces défis comprennent la surcharge des installations et la surcharge de travail des prestataires de soins de santé d'urgence.
L'exemple du Wake Forest Baptist Health Center illustre la manière dont les modèles prédictifs et la simulation facilitent les interventions d'urgence. Dans cette étude de cas, des modèles prédictifs de l'afflux de patients ont été développés et utilisés pour analyser le taux d'afflux de patients et la meilleure façon d'allouer les ressources de l'hôpital pour répondre aux besoins des patients en situation d'urgence et des autres.
Grâce à ce modèle, l'hôpital a pu gérer l'afflux de patients et les situations d'urgence. Les résultats de la simulation ont également fourni des informations exploitables à la direction de l'hôpital, ce qui a permis d'élaborer de meilleures politiques pour gérer les urgences et les visites excessives de patients.
Un autre exemple de l'importance de la modélisation prédictive dans les soins de santé est son utilisation pour développer des stratégies de gestion de scénarios complexes. L'un de ces scénarios est l'évacuation des patients à mobilité réduite lors de catastrophes. L'expérience des hôpitaux lors des ouragans Harvey et Katrina a conduit une équipe de chercheurs de l'université John Hopkins à appliquer la simulation et la planification pour simplifier les efforts d'évacuation.
Dans cette étude de cas, la modélisation basée sur les agents a été utilisée pour modéliser les actifs individuels complexes et les conditions variables des patients dans une simulation d'évacuation. La simulation a également intégré des modèles d'agents à micro-échelle et des modèles de densité de population à méso-échelle afin de comprendre les relations et les modèles de comportement des divers agents au sein d'un système d'évacuation.
Les résultats de l'étude ont montré dans quelle mesure les modèles macroscopiques et mésoscopiques produisent des comportements au niveau du système dans les modèles basés sur les agents.
L'importance de la modélisation prédictive dans les installations pharmaceutiques
Comme toute industrie manufacturière, l'industrie pharmaceutique dépend de la gestion des chaînes logistiques, de l'optimisation des opérations d'atelier et des postes de travail de fabrication pour répondre à la demande des clients. L'intégration de la modélisation prédictive et de la simulation a donc un rôle important à jouer dans la fourniture de renseignements exploitables et d'informations sur l'optimisation de la production.
Avec un logiciel de simulation ou de jumeau numérique, il est possible de développer des modèles complets d'une installation de fabrication de produits pharmaceutiques. Ce modèle prédictif peut être utilisé pour introduire des phénomènes externes tels qu'une augmentation de la demande et des retards de programmation afin de comprendre leur impact sur le processus de fabrication.
Dans ce modèle de jumeau numérique développé à l'aide du logiciel de simulation Simio, les activités et la capacité d'une installation de fabrication peuvent être visualisées, de même que les événements discrets qui se produisent dans l'atelier. Dans un jumeau numérique, des simulations prédictives peuvent être effectuées pour optimiser la chaîne d'approvisionnement des installations dans le but d'optimiser la productivité. Selon RevCycle, les établissements de santé, y compris les grandes entreprises pharmaceutiques, peuvent économiser environ 9 millions de dollars par an en coûts de gestion de la chaîne d'approvisionnement. Ces avantages s'appliquent également aux niches de fabrication liées à la santé, notamment les fabricants d'appareils biomédicaux, de produits dentaires et d'orthodontie.
Les risques liés à l'utilisation de la modélisation prédictive dans le secteur de la santé
L'industrie des soins de santé est construite autour de la restauration des êtres humains et des relations humaines, ce qui signifie que l'analyse des données seule ne suffira pas. Selon Deloitte, l'intégration des technologies numériques dans les soins de santé s'accompagne de risques tels que des dangers moraux, des problèmes de confidentialité et un manque de réglementation.
Les risques moraux font référence à l'application machinale des soins de santé dans des situations complexes. Grâce à l'analyse prédictive, des patients dans un état critique peuvent être négligés afin que les professionnels de la santé aient plus de temps à consacrer à d'autres patients. En l'absence de réglementation, des politiques néfastes peuvent également s'infiltrer dans les soins de santé dans le but de gérer les ressources et de réaliser le plus de profits possible.
La numérisation soulève également des problèmes importants en matière de protection de la vie privée. La perte de données de patients par le National Health Service (NHS) à la suite d'une attaque de ransomware en est un exemple. Dans ce cas, plus de 300 000 patients du Royaume-Uni ont été touchés par la faille de sécurité. La cybersécurité doit donc être prise en considération lors de l'intégration de la modélisation et de la simulation prédictives dans les soins de santé.
Conclusion
L'importance de la modélisation et de la simulation prédictives dans les soins de santé, ainsi que ses risques, seront discutés plus en détail lors de l'événement Simio Sync Digital Transformation. Dean O'Neil, de l'université John Hopkins, interviendra sur le thème du renforcement des capacités en matière de modélisation et de simulation dans le secteur de la santé.
Sa session fournira des informations approfondies sur l'application de la simulation à l'époque où il travaillait au laboratoire de physique appliquée de l'université John Hopkins. Les participants repartiront avec des stratégies de modélisation et de simulation applicables qui peuvent être utilisées pour optimiser leurs installations de soins de santé. La conférence Simio Sync aura lieu les 4 et 5 mai à Pittsburgh. Vous pouvez visionner une rediffusion et voir les conférences Sync précédentes ici.