Centrum för InformationsDriven vårDCIDD

Markus Lingman, MD, PhDPhysician Researcher, Salgrenska Academy

Chief Strategist, Consulting Cardiologist, Halland Hospital GroupRegion Halland, Sweden

Thomas WallenfeldtDatadriven Hälso- sjukvård, CGI

Datadriven Hälsa- och sjukvårdGet more value from data - Make decisions based on facts - Utilize machine learning

Architecture

Evaluations &

Roadmaps

Big Data Analytics

Factory

Analytics design and

visualization

Proof of Concepts and

Proof of Values

Agile BI services Master Data

Management

solutions

Cloud Analytics

solutions

Analytics for Internet

of Things

Big Data system

development

Data migration

projects

BI Competence

Centers

Application

Management Services

Långt liv låg kostnad

Siverskog J, Henriksson M. Eur J Health Econ. Online Feb 2019 3

Hög produktivitet hög kvalitet

Vårdanalys 2019

Utmaningar• Demografiska trender, ökade kostnader

• Komplexitet och fragmentering

RationalÖkad efterfrågan på vård -> Vi måste göra på ett annat sätt

Informationsdriven vård för att hitta nya vinklar på helheten

”Att vara beslutsfattare i vården är bland det svåraste man kan ge sig in på…”

Vad beror det på?

Varför så svårt?

Sjukvården är i regel funktionellt organiserad med ”vertikala” specialister. Detta är kärnan till orsaken av den enorma komplexiteten som hälso- och sjukvårds beslutsfattare och strategiska planerare står inför.

Silo-

organisation

Utöver att datan är organiserad enligt silomodellen så är Finansiell / resursinformation ej kopplad till kliniska / operativa data. Finansiella chefer och kliniker talar därför ”olika språk”.

Datafragmentering

Copyright © 2016-2018 Emergency Medicine International / Brigham and Women’s Physician Organization | Confidential and Proprietary | Do Not Distribute

How can we radically improve healthcare delivery?

• Common Goal: increase value = outcomes/cost

at population level

• Healthcare system policy and decision makers

guide improvement through choices about

which new structures, processes to implement

• Better decision making requires deeper insights:

– What effects will it have? (outcome, cost metrics)

– How big will impact be? (assumptions, data)

Centrum för InformationsDriven vårD

CIDD

CIDD vision

Imprecision medicine --> precision medicine

Imprecision management --> precision management

Data Information Insights Change Follow up

11

CIDD Uppdrag• Utföra systemanalyser för att kunna förändra, kvalitetssäkra

vården.

• Förvalta och utveckla den holistiska analytiska plattformen och dess metoder

• Stötta RWE forskning

CIDDData

Systemövergripande datamodell med Agil utveckling

Metodik

Repeterbar - 9-steg metod för datadriven utveckling

Organisation

Agila multidisciplinära team

• Lika delar människor, process och teknik

CIDD

Data• Systemövergripande datamodell

• Agil utveckling

• Maximal möjliga granularitet

CIDD

Datadomäner i CIDD

Produktion

Klinisk

Patient

Kapacitet

Kostnad

Närsjukvård

Akuten

Sluten vård

Specialiseradöppenvård

Prehospital

Hemsjukvård

Vårdgivare

Ytterligare framtida källor: • PROMs• Sensor data • Free text structured data

w/ NLP • Genomics data

16

Väl underbyggda beslut kräver detaljerad kostnadsbeskrivning

av hela systemet!

Patient Encounter Costing - PEC

Organisation • Agila multidisciplinära team

Centrum för InformationsDriven vårD

Core team

• Samordnare

• Data arkitekt

• Data scientist

• Data analytiker

• PEC expert

• Jurist

Tillfälliga resurser per frågeställning

• Kliniker olika förvaltningar

• Chefsläkare

• Läkemedelsexperter

• FoU

• HR

• Ekonomi

• Systemexperter

• mm beroende på frågeställningPriogrupp*

CIDD komplement till DatalagerDatalager CIDD

Fokus Driva Förändra

Användning Operationell, taktisk beslut Strategisk taktisk beslut

Utveckling cykler Månad, år Dagar, Vecka, månad

Uppdatering Realtid, Daglig, vecka Månad, kvartal

Arkitektur DL arkitektur Agile, prototyping, mock-up

Perspektiv process, silos Holistic vy av patient , hela hälso-sjukvårdsystemet

Analys Statiska, reaktiv, process Prediktiv, simulering, explorativ, agilt, AI, ML

Data Strukturerad Big Data

Horisont Månad, innevarande år 1-5 år

Personintegritet säkras av ett antal lagar

• GDPR• HIPAA• Privacy Shield• Patientdatalagen• Offentlighetsprincipen• Personuppgiftslagen• etc

21

• Risker och kostnader som orsakas av informationsblockering.

Metodik• 9-steg metod för datadriven utveckling

• Iterativt / explorativt

Datadriven strategisk planering”9-punkts programmet”

Data Driven Strategic Planning Guidebook 2018

Kvalitet konstantmen lägre kostnad

Högsta värde

Lägsta värde

Dyrt men kvalitetsförbättring

kan motivera kostnaden

• Hur jämför du äpplen med päron

Prioritera konkurrerande intressen: Value Matrix

Ko

stn

ads

bes

par

ing

Bättre kvalitet

8

Day X Day X+12M

12 months Outcome

Observation window Prediction window

PC visit IP visitSpecialist visit

PC: Primary careED: Emergency departmentIP: Inpatient

ED visit

Index visit

Day X-12M

Population size (C) 61,876

Female : Male (C) 53 : 47

Population with F3 or F4 (C’)

8,924 (15%)

Female : Male (C’) 62 : 38

Total visits 1,176,891

PC, OP, ED, IP (%) 64 : 30 : 4 : 2

Tidigt upptäcka psykisk ohälsa bland unga

Mål: Identifiera unga I risk att utveckla psykisk ohälsainom ett år genom att använda då tillgänglig data.

Population (C): Halland residents during 2012 and 2017 between the age 20 and 29 and at least one care visit.

Input variables: Patient demographics, Visit patterns, Clinical details such as diagnoses, symptoms, medications, labs, procedures and (soon to be added) notes.

Target variable: Onset of F3 or F4 ICD-10 Dx (binary)

Prediction model: Multi-layer neural net.

Experiment setting

Population summary

Early detection of mental health disorders among youth in Halland

Visit representation: Demographics Clinical profile

Age, Gender, Kommun, Visit_type, VAS_ID, Prior visits counts Diagnoses, Procedures, Medications, Labs, Radiology, Complaints

128 dimensional embedding vector47 dimensional vector

Training model: 3 layer dense neural network trained in a cost-sensitive mini-batch gradient descent manner. Hidden node activations: ReLU. Train, test split: 0.7, 0.3. Library: Tensorflow

Preliminary results: ROC-AUC = 0.81 (+- 0.008). PR-AUC = 0.52 (+-0.014). Accuracy = 0.94 (+-0.002)

ROC: Receiver Operating CurvePR: Precision-RecallAUC: Area Under CurveReLU: Rectified Linear Units

Copyright © 2016-2018 Emergency Medicine International / Brigham and Women’s Physician Organization | Confidential and Proprietary | Do Not Distribute

SHAARP/PEC Enables Patient Focused, Data Driven Care

Production Clinical Patients

Providers

Capacity Cost

SHAARP / PEC

Opportunity Identification

• Variability analysis, Benchmarking

• Systematic vs. issue based

Prioritize Initiatives

• ROI Analysis

• Value Matrices

Evidence Based Guidelines

• Monitor implementation at the whole population level

• Optimize patient level compliance

Machine Learning-based AI Predictive Modeling

• Predict healthcare events of interest

• Prevention, care optimization

Personalized Precision Medicine for Patients Data Driven Management for Healthcare Systems

Tack för att ni lyssnade.

Thomas Wallenfeldtthomas.wallenfeldt@cgi.com

Markus Lingman, MD, PhDMarkus.Lingman@regionhalland.se