DataOps：革新医疗自动化，降本增收

DataOps可帮助医疗组织使用现代数据分析实践，推动有效降低成本、增加收入的合理业务实践。

医疗组织正面临数据相关问题。无法处理大量数据并衍生实时洞察阻碍其在最高效率层面运营。数据驻留在内部和外部系统，提取、集成和标准化数据是持续挑战。预算限制和人员配置问题增加复杂性，因需资源监控和管理集成。医疗组织承受此类管理不善系统之苦。一个用例：源系统版本变更未实时集成导致关键账单数据丢失。这可能因延迟申报导致报销缺失造成医院重大收入流失，至少延迟现金流。所有这些问题均可通过采用DataOps解决。

DataOps是数据管理创新突破。组织为医疗组织管理和运营数据，而非仅工程和监控数据。这允许它们利用现代数据分析实践，推动有效降低成本、增加收入的合理业务实践。

延伸阅读： 退伍军人事务部大力投资人工智能

DataOps

宏观层面，DataOps聚焦自动化流程、持续数据流和面向现代数据分析的自助门户。它是从传统DevOps世界的范式转移。不依赖数据基础设施提供描述性分析，DataOps使用处理工具监控并持续从数据模式学习、检测变化、自我修正。这实现增强分析（预测和处方），为业务提供正确信息做实时业务决策。

如何实施DataOps？

构建DataOps项目核心依赖三大关键要素：持续开发、持续运营和持续数据流。

1) 持续开发： 寻找重复模式识别数据变化并做必要纠正以保护数据和流程完整性。

这是从传统项目的显著转变，传统项目由为每个实例设置的静态集成引擎组成，需人工干预响应版本和数据模式变化。DataOps新技术进步允许更大程度摆脱这些手动流程并提高数据质量。数据集成构建为自动化和复用数据流程，调整变化以保持数据管道在最高质量和效率水平运行。

2) 持续运营： 包含持续监控、数据漂移识别、应用机器学习识别和响应运营数据问题。

• 持续监控提供工具允许使用指标监控数据运营流程性能。这些暴露可执行健康评估并自动化任务做必要纠正。
• 数据漂移识别允许运营响应模式和版本变更无需人工干预。
• 利用机器学习的数据运营包括训练数据提供模式洞察，允许处方和预测分析连同实时数据处理提供现代商业智能驱动合理业务决策。

3) 持续数据流： 这是处理大量数据所需基础设施。利用多技术栈的传统方法成本高且难维护。数据市场通过精简数据处理、在新数据可用时提醒最终用户、创建元数据管理运营解决这些问题。这些流程直接效益包括手动流程自动化、确保业务透明度、为业务合作伙伴更广泛使用启用元数据。

DataOps如何发挥重要作用：提供商一天的生活

今日医疗组织通常运营多个分散系统，其中包括典型复杂企业健康记录平台。诊所和医生实践使用电子病历系统，心理健康系统使用行为管理健康系统。

DataOps如何帮助：

自给自足的单一数据源： 一旦数据集中到单一位置，DataOps产品将自动检测并响应集成系统数据变化。新集成上线易于自动化，将精简健康系统内数据管理，允许跨整个组织查看数据。

改善临床人员配置优化： 通过分析过去临床人员配置数据并对比过往患者需求，DataOps可使用预测建模预测未来人员需求对抗预期未来需求。此建模可通过以下完成：

• 从数据市场获取过去视图对比需求如何匹配产能
• 基于实时数据创建未来预测模型
  • 基于随时间测量的历史数据量创建未来预测患者量，同时核算季节性需求和手术类型等波动。
  • 创建未来人员配置模型显示基于未来患者需求的可用性。

提供这些预测模型允许医院确保日常人员配置水平优化。此优化可减少过度配置成本，增加慢性人手不足临床领域患者满意度。

结论

总结而言，许多医疗组织在数据转型项目道路上，将需要把DataOps作为整体数字战略不可或缺组成部分。这是变革性解决方案，正确实施时能响应运行组织最高效所需的不断变化的需求。