This Is My Parsnal Blog

Monday, April 8, 2019

Collection of health care information from data on people's daily lives

Although the health sector is increasingly able to use clinical data and claims to improve care, it has largely ignored other data sources with the greatest opportunity to make a positive impact. on health and costs. Scale The dependence of this limited set of data comes from the orientation of the system towards the "treatment of the disease": the treatment of the disease. To radically improve health care, we need to use the demographics and lifestyle of consumers so that the health sector no longer focuses on providing health care but on building partnerships with people (rather only "patients") to help them. stay well.

Governments and the private sector have devoted enormous capital and energy to the creation of electronic health care registration systems and claim to automate and record patient care transactions. This digitization is compatible with the quality of the attention and the precision of the payment, but the data is mainly retrospective; They tell a story of what has been. To better predict the future state of health and how a person will interact with health resources, the health care sector must learn to integrate some consumer data with medical data and claims data.

To understand the relationship between consumer demographics, lifestyle choices, health and interactions with the health system, we have created a patented database from multiple private and public sources representing 275 million people. consumers throughout the country. Data includes disparate information on demographics and lifestyle, such as income, homeownership, household composition, shopping patterns, voting history, transportation options, age and lifestyle. social network activity and physical activity, measured by devices. feedback. It also includes clinical data, claims, and the use of available health resources through our partnerships with clients and insurers. We have identified approximately 800 variables that are indicators of consumer behavior and intent and that provide a solid and meaningful complement to existing clinical and claims data.

Algorithms and machine learning models combine this data and learn from each combination of data points analyzed. For example, we could analyze the relationship between diagnosis, income level, and travel methods to identify predictable patterns. With this type of data processing, we generate a new set of predictive models every ten seconds. These models highlight the behavioral factors that contribute to health and allow us to identify the interventions and messages that will have the greatest impact on determining consumer behavior to improve health.

We found, for example, that household composition and voting history can be primary indicators for use in emergency rooms. Families without children or one-child are more likely to use the emergency room inappropriately, suggesting educational interventions and incentives to reduce this use. Our predictive models can also reveal which channels of health participation will be most effective for a given person: text, automated voice, email, email, phone, training or combined approach. (Just for fun, we use the model to determine that Philadelphia Eagles fans are more likely to join condition check programs if contacted by text rather than email).

Dans un cas, en combinant les attributs clés du consommateur, y compris le statut socio-économique, l'histoire du vote, le niveau d'éducation, les taux d'observance des médicaments et des données démographiques avec les données des clients à partir d'un plan national de santé , a généré une augmentation de 16% des économies de coûts médicaux et une amélioration de 10% dans le programme de gestion des soins d'engagement. Ceci a été réalisé en identifiant les personnes qui ont un risque élevé d'être réadmis à l'hôpital dans les 30 jours et serait probablement réceptifs à la diffusion et bien répondre à un programme de gestion des soins.

Dans le cas contraire, on détermine la probabilité qu'une personne ne certifie pas encore, mais toujours être admissible à un programme Medicaid. Nos modèles prédictifs avec succès identifié 25% de plus, qui étaient 1,8 fois plus susceptibles de ne pas être à nouveau certifié et des canaux de diffusion optimale pour les attirer (appelée voix automatisée et agents en direct). Ce périmètre géré et coordonné a entraîné une diminution de 39% dans la recertification taux d'échec par rapport au groupe témoin.

Une autre façon que nous mettons en place des modèles de prévision est de combler les lacunes dans les cas où les données cliniques ne sont pas disponibles ou sont insuffisantes. Un client payant, par exemple, a eu un manque d'information pour un segment de la population largement ignorée. mode de vie de l'analyse et les données démographiques montrent que 14 pour cent de ces consommateurs susceptibles d'être obèses et / ou diabétiques et seraient réceptifs à des interventions ciblées, ce qui donne au client l'avantage d'impliquer la population.

Ne pas prendre en compte les données des consommateurs est ignorer les plus puissants agents de changement dans les soins de santé: les consommateurs eux-mêmes. Les données cliniques et de l'expérience sont essentielles, mais la seule façon dont l'industrie de la santé à améliorer fondamentalement l'attention est de comprendre les consommateurs individuellement, en profitant de l'information sur tous les aspects de leur vie, pour créer des interventions personnalisées qui durent par exemple promouvoir le changement de comportement et d'améliorer les résultats.




No comments:

Post a Comment