Podcast: Reproduza em uma nova janela | Download (Duração: 37:31 – 34,4 MB)
Assine: Podcasts da Apple | Spotify
Bob Jarve, MD, MBA, Associado CMIO, Corewell Health
O associado CMIO da Corewell Health explica por que sua equipe construiu internamente um modelo de dados longitudinais de saúde populacional e como a IA e o gerenciamento ágil estão moldando seu futuro. Assista abaixo ou no YouTube.
Um envolvimento fracassado com um provedor há mais de uma década ensinou Bob Jarve, MD, MBA, associado CMIO para saúde da população em Corewell Saúdeuma lição que ele tem aplicado desde então. Os problemas de dados clínicos exclusivos de um sistema de saúde devem ser resolvidos internamente. Corewell é um sistema integrado de 23 hospitais em Michigan com um pagador que cobre 1,3 milhão de vidas. A rede de atendimento atende 3,2 milhões de pacientes ativos. Järve, um internista, ainda atende pacientes um dia por semana em uma clínica de alto risco e mal atendida. Ele também atua como diretor médico de análises e insights de saúde populacional.
A experiência inicial do provedor teve como objetivo fornecer um modelo de dados de saúde populacional com visualizações para um trabalho ambulatorial de qualidade. Produziu poucos resultados utilizáveis. A partir desta experiência, Jarve desenvolveu uma estrutura para decidir quando comprar e quando construir. A estrutura se concentra na distinção entre problemas complexos e complexos. Problemas complexos, como agrupamento de sinistros, são repetitivos e consistentes em todas as organizações. Os fornecedores resolvem esses problemas de forma eficaz. Problemas complexos envolvem dados clínicos moldados por décadas de decisões ad hoc em qualquer sistema de saúde. As linhas de serviço, as práticas de documentação e até mesmo a definição de paciente ativo variam amplamente. Um fornecedor que cria soluções personalizadas para essas variáveis obtém pouco retorno porque o trabalho não pode ser replicado em outro lugar.
Construindo um modelo de dados de saúde populacional baseado em Epic
Com este cálculo em mente, a equipe de Jarve construiu um modelo de dados longitudinais centrado no paciente e organizado por mês. Abrange toda a população ativa de Corewell. O modelo, conhecido internamente como PHDM, rastreia custos, utilização, morbidade, determinantes sociais da saúde e dados de saúde mental ao longo do tempo. O pacote Healthy Planet da Epic fornece ferramentas de saúde da população no local de atendimento. A equipe Jarve amplia esses recursos criando métricas nos registros do Chronicles da Epic. Esses dados são então alimentados no Caboodle e no PHDM.
Esta arquitetura é intencional. Os insights da camada analítica podem ser retornados ao ponto de atendimento por meio de relatórios de segmentação em tempo real. As equipes de atendimento veem os mesmos dados que os executivos veem nos painéis do Tableau, e os números coincidem porque vêm do mesmo lugar. Os dados EHR, observou Jarve, são projetados para o mundo das taxas por serviço. Os resultados do laboratório são organizados por episódio. O sistema lida bem com pacientes individuais no local de atendimento. No entanto, ampliar esta visão para 800.000 pacientes para análise em nível populacional requer uma camada de dados personalizada.
A IA acelera as coisas, mas a Epic tem muito a compensar
Abridge, a ferramenta de IA ambiental implementada na Corewell, reduziu significativamente o tempo de documentação fora do expediente e o esgotamento médico. Jarve chamou isso de uma virada de jogo para os fornecedores. No entanto, os dados clínicos que captura residem em notas não estruturadas. Extrair essas informações de forma discreta e confiável continua sendo um desafio inicial. Do lado analítico, Corewell explora grandes modelos de linguagem sobrepostos ao PHDM. O objetivo é gerar automaticamente consultas SQL para avaliação da saúde da população. Essa habilidade irá acelerar muito as coisas quando amadurecer. Os LLMs também aceleram o desenvolvimento de código, embora a cautela inicial sobre a conformidade com a HIPAA tenha retardado a adoção inicial.
A Epic, na estimativa de Jarve, está por trás da IA em muitas frentes. O espaço de documentação ambiental é a lacuna mais visível. Ele vê atrasos semelhantes na extração de determinantes sociais de notas e consultas em linguagem natural para modelos de dados. Slicer Dicer, a ferramenta analítica de autoatendimento da Epic, ainda não oferece a confiabilidade esperada. Parte do desafio reside nos próprios dados subjacentes, que muitas vezes são inconsistentes entre os sistemas EHR. Para ferramentas de terceiros que preenchem essas lacunas, Jarve mantém um cronograma disciplinado. “Minha abordagem na área de saúde populacional é sempre pensar em uma solução de um a dois anos, três anos no máximo, enquanto espero pela expansão interna ou pela Epic para me atualizar”, disse ele. Mudar de uma ferramenta que os fornecedores adoram exigirá um projeto piloto rigoroso para demonstrar que a alternativa atende ou excede a experiência atual.
Gerenciamento flexível e ponte de TI
Corewell executa seu trabalho de análise de saúde populacional em um trem Agile modelado livremente no SAFe. O mandato inclui incrementos de programa de 10 semanas, engenheiro de trem de lançamento, scrum masters, gerentes de produto e proprietários de produtos. Jarve atua como empresário líder e trabalha com as partes interessadas em três níveis. Os líderes seniores definem a estratégia. Os diretores determinam como operacionalizá-lo. A equipe da linha de frente confirma que as ferramentas funcionam na prática. Fortes parcerias com serviços digitais estão no centro de toda a operação. Jarve trabalha em estreita colaboração com seu Diretor de Análise de Saúde Populacional e o Vice-presidente Sênior de Dados e Análise, que toma decisões de infraestrutura em torno de plataformas como Snowflake e Fivetran.
A função de Associado CMIO fica na interseção de operações clínicas, informática e análise de dados. Jarve garante a qualidade dos dados, verifica o fluxo do aplicativo através das camadas de relatórios e conecta objetivos estratégicos às configurações de EHR. No início, ele descobriu que as equipes de aplicativos criariam recursos no Chronicles que nunca chegaram ao Caboodle. Em outros casos, os dados pareciam discretos na interface, mas não eram salvos em formato de relatório. Fechar essas lacunas tornou-se uma parte central do seu trabalho. A própria estrutura de gestão é algo que ele está refinando ativamente. Quando os rígidos protocolos SAFe se mostraram rígidos demais, a equipe os adaptou. Quando as barreiras entre as equipes de aplicação criaram ineficiências, elas recorreram a um fluxo de valor mais amplo. As pessoas que fazem o trabalho, enfatizou Järve, devem possuir e melhorar continuamente a gestão.
Leve embora
- Diferencie problemas complexos e complexos antes de escolher construir ou comprar; os fornecedores se destacam em desafios recorrentes, enquanto o trabalho com dados clínicos específicos da organização geralmente requer atualizações internas.
- Projete modelos de dados de saúde populacional para fluir dos registros do Epic Chronicles para o Caboodle, garantindo que análises e relatórios de campo compartilhem a mesma fonte de dados.
- Trate os compromissos com fornecedores terceirizados como pontes de curto prazo, limitadas a um a três anos, enquanto você espera o amadurecimento das soluções internas ou proprietárias da Epic.
- Crie relatórios de qualidade de dados de primeiro nível, onde as equipes de atendimento podem detectar erros em tempo real e alimentar as correções de volta ao sistema.
- Use estruturas de gerenciamento flexíveis e repita-as regularmente; as pessoas mais próximas do trabalho devem possuir e refinar o processo.
O envolvimento da linha de frente, acrescentou Järve, melhorou dramaticamente a qualidade dos dados na análise de saúde populacional de Corewell. “Depois que você acerta, é fácil manter, porque se algo der errado, eles imediatamente colocam um ticket e tudo é consertado”, disse ele. “Agora eles dependem de dados para realizar seu trabalho.”
