กำไร:
- ความสามารถในการกำหนดตัวบ่งชี้คุณภาพและประสิทธิภาพ (SKS คุณภาพทางคลินิก ความปลอดภัยของผู้ป่วย) และออกแบบแดชบอร์ดที่มีความหมายพร้อมการสนับสนุนปัญญาประดิษฐ์
- ความสามารถในการใช้ AI เพื่อสร้างการตีความตัวบ่งชี้ คำอธิบายผลต่าง และร่างบทสรุปผู้บริหาร
- การทำความเข้าใจว่าเป็นความรับผิดชอบของผู้จัดการในการตรวจสอบคุณภาพข้อมูลและสาเหตุที่อยู่เบื้องหลังตัวบ่งชี้ และเพื่อรับรู้ถึงความเสี่ยงของการเล่นเกม
“คุณไม่สามารถจัดการสิ่งที่คุณวัดไม่ได้” แทบจะเป็นกฎหมายในการจัดการด้านการดูแลสุขภาพ แต่การวัดผลในการดูแลสุขภาพก็มีด้านมืดเช่นกัน หากคุณวัดตัวบ่งชี้ที่ไม่ถูกต้อง คุณจะให้รางวัลแก่พฤติกรรมที่ไม่ถูกต้องและบ่อนทำลายความปลอดภัยของผู้ป่วย ในหน่วยนี้ เราจะได้เรียนรู้วิธีกำหนด KPI (ตัวบ่งชี้ประสิทธิภาพหลัก) รวบรวมไว้บนแดชบอร์ด (แดชบอร์ด) และใช้ปัญญาประดิษฐ์เพื่อตีความตัวบ่งชี้เหล่านี้ ขีดจำกัดชัดเจนตั้งแต่เริ่มต้น: AI คำนวณตัวบ่งชี้และสร้างร่างการตีความ แต่มันขึ้นอยู่กับผู้จัดการเพื่อตรวจสอบความถูกต้องของข้อมูล สาเหตุ และความเสี่ยงในการเล่นเกม
อะไรจะเป็นตัวบ่งชี้ที่ดี?
กรอบการทำงานแบบดั้งเดิมสำหรับการวัดคุณภาพด้านสุขภาพแบ่งตัวบ่งชี้ออกเป็นสามประเภท ตัวบ่งชี้โครงสร้างวัดทรัพยากรและโครงสร้างพื้นฐาน (เช่น จำนวนพยาบาลต่อเตียง) ตัวบ่งชี้กระบวนการจะวัดวิธีการทำงาน (เช่น อัตราการให้ยาปฏิชีวนะป้องกันโรคตรงเวลา) ตัวบ่งชี้ผลลัพธ์จะวัดสิ่งที่เกิดขึ้นกับผู้ป่วย (เช่น อัตราการติดเชื้อ อัตราการเสียชีวิต) ชื่อของกรอบการทำงานด้านคุณภาพในตุรกีคือ SKS (มาตรฐานคุณภาพสุขภาพ) และกำหนดตัวชี้วัดที่จำเป็นหลายประการ สิ่งสำคัญคือต้องติดตามทั้งสามประเภทนี้ร่วมกัน หากคุณดูที่โครงสร้างจะบอกว่า "เรามีทรัพยากรเพียงพอ" แต่ไม่ได้หมายความว่างานจะทำได้ดี ถ้าดูแค่ขั้นตอนก็บอกว่า "เราปฏิบัติตามกฎ" แต่ก็ไม่ได้พิสูจน์ว่าเป็นผลดีต่อคนไข้แต่อย่างใด ภาพคุณภาพที่แท้จริงเกิดขึ้นเมื่ออ่านทั้งสามอย่างพร้อมกัน
KPI ที่ดีมีคุณสมบัติหลายประการ: มีการกำหนดไว้อย่างชัดเจน (ทุกคนวัดผลในสิ่งเดียวกัน) วัดได้ มีความหมายต่อองค์กร ทันเวลา และยากต่อการบิดเบือน อันตรายที่ใหญ่ที่สุดคือสิ่งสุดท้าย เมื่อตัวบ่งชี้เชื่อมโยงกับเป้าหมาย บางครั้งผู้คนก็พบวิธีปรับปรุงตัวบ่งชี้ ไม่ใช่ประสิทธิภาพที่แท้จริง สิ่งนี้เรียกว่าการเบี่ยงเบนเป้าหมายหรือการเล่นเกม สรุปโดยกฎกู๊ดฮาร์ตอันโด่งดัง: "เมื่อเกณฑ์กลายเป็นเป้าหมาย มันก็จะยุติการเป็นเกณฑ์ที่ดี" ตัวอย่างเช่น: เมื่อตัวบ่งชี้ "เวลารอคอยเร่งด่วน" สร้างความกดดัน ผู้ป่วยจะถูกเก็บไว้ในสถานะ "การบันทึกเปิดแต่ไม่เห็น" และตัวบ่งชี้สามารถทำให้ดีเกินจริงได้
เพื่อที่จะอ่านตัวบ่งชี้ได้อย่างถูกต้อง จำเป็นต้องค้นหาคำตอบของคำถามสามข้อด้วยกัน ประการแรก ข้อมูลมาจากไหน: ตัวบ่งชี้คำนวณด้วยตนเองหรือโดยอัตโนมัติ แหล่งที่มาเชื่อถือได้หรือไม่? ความน่าจะเป็นที่จะพลาด/ลงทะเบียนไม่ถูกต้องเมื่อเข้าสู่ระบบคือเท่าไร? ประการที่สอง คำจำกัดความมีการเปลี่ยนแปลง คือ หากวัด “เวลารอ” ตั้งแต่การลงทะเบียนจนถึงการสอบเมื่อเดือนที่แล้ว และจากการทดสอบไปจนถึงการทดสอบในเดือนนี้ ตัวเลขทั้งสองนี้เทียบกันไม่ได้ ประการที่สาม ตัวบ่งชี้ใดที่เคลื่อนไหว: ตัวเลขที่ปรับปรุงเพียงอย่างเดียวอาจทำให้ตัวบ่งชี้ความสมดุลที่อยู่ข้างๆ หยุดชะงัก การตัดสินใจโดยดูตัวบ่งชี้โดยไม่ต้องถามคำถามทั้งสามข้อนี้ก็เหมือนกับการเอ็กซ์เรย์เพียงครั้งเดียวและรักษาผู้ป่วย รูปภาพที่ไม่มีบริบททำให้เข้าใจผิด ปัญญาประดิษฐ์ไม่สามารถถามคำถามสามข้อนี้ให้คุณได้ เพราะมีเพียงผู้จัดการที่รู้จักองค์กรเท่านั้นที่รู้ว่าข้อมูลมาจากไหน คำจำกัดความเปลี่ยนแปลงเมื่อใด และรู้ความจริงภาคพื้นดิน งานของ AI คือการคำนวณตัวบ่งชี้และรายการคำอธิบายที่เป็นไปได้ ขึ้นอยู่กับคุณในการตรวจสอบว่าข้อความใดต่อไปนี้เป็นจริง
ทีละขั้นตอน: แดชบอร์ดและความเห็นด้วย AI
- เลือกตัวชี้วัด สังเกตความสมดุลของโครงสร้าง/กระบวนการ/ผลลัพธ์ ต้องแน่ใจว่าได้รวมตัวชี้วัดความปลอดภัยของผู้ป่วยด้วย
- ชี้แจงคำจำกัดความ ควรเขียนตัวเศษ/ส่วน แหล่งที่มาและระยะเวลาของตัวบ่งชี้แต่ละตัว
- ให้ข้อมูลโดยไม่ระบุชื่อ แค่ตัวเลข; ไม่มีรหัสผู้ป่วย
- ขอความคิดเห็นฉบับร่างจาก AI สรุปความเบี่ยงเบน แนวโน้ม และคำอธิบายที่เป็นไปได้
- สาเหตุและการควบคุมข้อมูล สำหรับ "การปรับปรุง/แย่ลง" แต่ละครั้ง คุณภาพของข้อมูลมีการเปลี่ยนแปลง คำจำกัดความเปลี่ยนแปลงไป เป็นจริงหรือเป็นการเล่นเกม
- อ่านด้วยตัวบ่งชี้ที่เกี่ยวข้อง ตัวบ่งชี้จะไม่ถูกประเมินแบบแยกส่วน โดยจะดูเป็นคู่ๆ (เช่น LOS–การเข้ามาใหม่ การรอคอย–การเล่นเกม)
ข้อควรระวัง: AI สามารถติดป้ายกำกับการเปลี่ยนแปลงอย่างกะทันหันในตัวบ่งชี้ว่า "ดี" หรือ "ไม่ดี" ได้ บางครั้งการลดลงอย่างกะทันหันไม่ใช่การปรับปรุง แต่เป็นการหยุดการป้อนข้อมูลหรือการเปลี่ยนแปลงคำจำกัดความ เป็นหน้าที่ของคุณที่จะต้องตรวจสอบสาเหตุของความคิดเห็น
มินิเคสสามอัน
กรณีที่ 1 — การเร่งจัดทำบทสรุปผู้บริหาร ในแต่ละเดือน เจ้าหน้าที่คุณภาพจะตีความตัวบ่งชี้ 18 ตัวด้วยตนเองและเขียนสรุป 4 หน้า ใช้เวลา 3 ชั่วโมง ผู้ไม่ประสงค์ออกนามยื่นแดชบอร์ด (เพียงตัวเลข) ให้กับ AI และขอร่างบทสรุปผู้บริหาร AI แยกส่วนเบี่ยงเบนและคำอธิบายที่เป็นไปได้ ผู้ดูแลเปรียบเทียบตัวเลขแต่ละตัวกับคลิปบอร์ดของเขา แก้ไขการอนุมานที่ผิดพลาดสองครั้ง และปรับปรุงประโยคเชิงสาเหตุใหม่ ระยะเวลาลดลงจาก 3 ชั่วโมงเป็น 45 นาที ไม่ใช่ปริมาณงานที่มีคุณภาพ แต่เป็นการเตรียมการก่อน AI ที่สั้นลง
กรณีที่ 2 — การกู้คืนปลอม บนป้ายโฆษณาป้ายเดียว "เวลารอโดยเฉลี่ยเร่งด่วน" ลดลงจาก 48 นาทีเหลือ 22 นาทีในหนึ่งเดือน AI ตีความสิ่งนี้ว่าเป็น "การปรับปรุงที่สำคัญ" ผู้จัดการเกิดความสงสัยและได้ตรวจสอบสาเหตุที่แท้จริง: ระบบการลงทะเบียนได้รับการอัปเดตในเดือนนั้น และ "เวลาเริ่มต้นการสอบ" มีการกำหนดแตกต่างออกไป ดังนั้นการยึดครองที่แท้จริงจึงไม่ลดลง มีเพียงการวัดเท่านั้นที่เปลี่ยนไป การตีความที่ลื่นไหลของ AI นั้นทำให้เข้าใจผิด การควบคุมข้อมูลของผู้ดูแลระบบติดกับดัก
กรณีที่ 3 — เกมที่น่าดึงดูด ในโรงพยาบาลแห่งหนึ่ง มีการตั้ง "อัตราการนัดหมายตรวจรักษาผู้ป่วยนอกที่คลินิกภายใน 30 วัน" เป็นเป้าหมาย และเพิ่มขึ้นอย่างรวดเร็วเป็น 98 เปอร์เซ็นต์ ทีมงานคุณภาพขอให้ AI อ่านตัวบ่งชี้นี้กับตัวบ่งชี้ที่เกี่ยวข้อง (อัตราการเช็คอิน ความพึงพอใจของผู้ป่วย) ปรากฎว่ามีการนัดหมายไว้ แต่ส่วนใหญ่ไม่เข้าร่วม ตัวชี้วัดอยู่ในเกณฑ์ดี สถานการณ์จริงไม่เปลี่ยนแปลง ตัวบ่งชี้ถูกกำหนดใหม่เป็น "การควบคุมที่แท้จริง" แทนที่จะเป็น "การให้"
เทมเพลตที่สามารถคัดลอกได้สี่แบบ
1) ร่างข้อคิดเห็นของตัวบ่งชี้:
บทบาทของคุณ: ผู้ช่วยผู้จัดการฝ่ายคุณภาพ ด้านล่างนี้คือแดชบอร์ดรายเดือนแบบไม่เปิดเผยตัวตน (ตัวเลขเท่านั้น): ชื่อตัวบ่งชี้ เดือนนี้ เดือนที่แล้ว เป้าหมาย งาน: ระบุความเบี่ยงเบนไปจากเป้าหมายและเดือนที่แล้วในแต่ละตัวบ่งชี้ ทำเครื่องหมาย 3 ส่วนเบี่ยงเบนที่โดดเด่นที่สุด และแนะนำคำอธิบายที่เป็นไปได้ นำเสนอคำอธิบายว่าเป็นข้อเท็จจริงที่แน่นอน เขียนไว้เป็นสมมุติฐาน.
2) สาเหตุ/แบบสอบถามข้อมูล:
"เวลารอทันที" ลดลงจาก 48 เหลือ 22 นาทีในเดือนนี้ ระบุสาเหตุที่เป็นไปได้สำหรับการลดลงนี้ภายใต้สามหัวข้อ: (1) การปรับปรุงที่เกิดขึ้นจริง (2) การเปลี่ยนแปลงข้อมูล/การวัด (3) การบิดเบือนเป้าหมาย (การเล่นเกม) บอกวิธีการตรวจสอบแต่ละรายการ อย่าตัดสินใจว่าอันไหน แสดงเส้นทางการควบคุม
3) คู่ตัวบ่งชี้ที่เกี่ยวข้อง:
สำหรับตัวบ่งชี้หลักแต่ละตัวบนแดชบอร์ดของฉัน แนะนำ "ตัวบ่งชี้ความสมดุล/คู่" ซึ่งทำให้การตีความเพียงอย่างเดียวเป็นอันตราย (เช่น การกลับเข้ามาใหม่เนื่องจาก LOS) อธิบายเป็นประโยคเดียวว่าเหตุใดจึงควรอ่านด้วยกัน ให้มันอยู่ในตาราง
4) สรุปคณะกรรมการ:
ร่างบทสรุป 1 หน้าสำหรับกระดานจากข้อมูลตัวบ่งชี้ที่ไม่เปิดเผยตัวตนต่อไปนี้: ข่าวดี 3 เรื่อง, ประเด็นที่สนใจ 3 เรื่อง, ข้อเสนอแนะการดำเนินการ 3 รายการ ใช้ภาษาที่เข้าใจง่ายในการบริหารจัดการ ทำเครื่องหมายแหล่งที่มาของแต่ละหมายเลขเป็น [ยืนยัน] เพื่อให้ฉันยืนยันได้
พรอมต์อ่อน / พรอมต์แข็งแกร่ง
พรอมต์ที่อ่อนแอ:
ตีความตัวชี้วัดของเรา บอกเราว่าตัวชี้วัดนั้นดีหรือไม่ดี
ไม่มีคำจำกัดความ ไม่มีเป้าหมาย ไม่มีบริบท AI สร้างฉลากเชิงกลและทำให้เข้าใจผิด
พรอมต์อันทรงพลัง:
ด้านล่างนี้คือแผนภูมิตัวบ่งชี้ที่ไม่เปิดเผยตัวตน (เดือนนี้/เดือนที่แล้ว/เป้าหมาย) ตีความความเบี่ยงเบนแต่ละรายการที่เกี่ยวข้องกับเป้าหมาย แต่ก่อนที่จะพูดว่า "ดี/ไม่ดี" ให้พูดถึงการเปลี่ยนแปลงข้อมูล/คำจำกัดความที่เป็นไปได้และความเป็นไปได้ในการเล่นเกมด้วย อ่าน LOS อ่านเวลารอด้วยตัวบ่งชี้การเล่นเกม อย่าตัดสินขั้นสุดท้าย ทำเครื่องหมายจุดที่จะตรวจสอบ
ประเภทตัวบ่งชี้
ตัวอย่าง
เสี่ยงต่อการแสดงความคิดเห็นโดดเดี่ยว
โครงสร้าง
อัตราส่วนพยาบาล/เตียง
ไม่รับประกันคุณภาพ
กระบวนการ
อัตราในช่วงเวลาของการป้องกันโรค
ไม่แสดงผล
บทสรุป
อัตราการติดเชื้อ
ระเหยได้ในกลุ่มตัวอย่างขนาดเล็ก
ประสิทธิภาพ
รอเวลา
เปิดให้เล่นเกม
ข้อผิดพลาดทั่วไป
- มองไปที่ตัวบ่งชี้หนึ่ง ตัวบ่งชี้หลักแต่ละตัวควรอ่านพร้อมกับตัวบ่งชี้ความสมดุล
- พิจารณาการเปลี่ยนแปลงกะทันหันทันทีว่าดี/ไม่ดี อาจมีการเปลี่ยนแปลงข้อมูลหรือคำจำกัดความ
- ละเว้นการเล่นเกม ตัวบ่งชี้ที่ขึ้นอยู่กับเป้าหมายสามารถจัดการได้
- การตีความ AI ผิดพลาดเนื่องจากสาเหตุ AI มองเห็นความสัมพันธ์ไม่ใช่สาเหตุ
- ไม่ตั้งคำถามถึงคุณภาพของข้อมูล ตัวชี้วัดที่ดีไม่สามารถมาจากข้อมูลที่ไม่ดีได้
เคล็ดลับ: เพิ่ม “ตัวบ่งชี้ความสมดุล” ขนาดเล็กลงในแดชบอร์ดของคุณถัดจากตัวบ่งชี้หลักแต่ละตัว และขอความเห็นจาก AI กับคู่นี้เสมอ ตัวเลขที่ส่องสว่างเพียงลำพังมักจะซ่อนคู่สลัวของมันไว้
โดยสรุป
ตัวชี้วัดคุณภาพจะวัดความสมบูรณ์ขององค์กร แต่การวัดที่ผิดจะก่อให้เกิดพฤติกรรมที่ผิด AI เป็นตัวช่วยที่มีประสิทธิภาพในการคำนวณตัวชี้วัด สรุปผลต่าง และสร้างสรุปการจัดการฉบับร่าง แต่ AI มองเห็นความสัมพันธ์ ไม่สามารถระบุสาเหตุได้ การเปลี่ยนแปลงกะทันหันอาจเป็นการเปลี่ยนแปลงข้อมูล/ความละเอียดหรือการเล่นเกม อ่านตัวบ่งชี้แต่ละตัวด้วยคู่ความสมดุล ค้นหาคุณภาพข้อมูล ตรวจสอบสาเหตุ การอนุมัติความคิดเห็นและการตัดสินใจขั้นสุดท้ายจะขึ้นอยู่กับผู้ดูแลระบบ
งานสมัคร
รับตัวบ่งชี้ที่ไม่เปิดเผยตัวตน 5-6 ตัว (เดือนนี้/เดือนที่แล้ว/เป้าหมาย) จากองค์กรของคุณ ขอความคิดเห็นจาก AI ด้วยเทมเพลต “ร่างความคิดเห็นตัวบ่งชี้” เลือกตัวบ่งชี้ที่เปลี่ยนแปลงมากที่สุดและแยกคำอธิบายที่เป็นไปได้สามข้อ (ข้อเท็จจริง/ข้อมูล/เกม) ด้วยเทมเพลต "สาเหตุ/การสืบค้นข้อมูล" และจดวิธีที่คุณจะตรวจสอบแต่ละรายการใน 5 จุด
รายการตรวจสอบ
- [ ] ฉันได้ชี้แจงคำจำกัดความของตัวบ่งชี้ (ตัวเศษ/ส่วน/แหล่งที่มา) แล้วหรือยัง?
- [ ] ฉันให้ข้อมูลโดยไม่เปิดเผยตัวตนหรือไม่?
- [ ] ฉันอ่านตัวบ่งชี้หลักแต่ละตัวด้วยคู่บาลานซ์หรือไม่?
- [ ] ฉันได้ตรวจสอบความเป็นไปได้ของข้อมูล/ความคมชัด/การเล่นเกม ในกรณีที่มีการเปลี่ยนแปลงกะทันหันหรือไม่?
- [ ] ฉันในฐานะผู้ดูแลระบบได้อนุมัติความคิดเห็นและการตัดสินใจขั้นสุดท้ายหรือไม่