许多公司对数字化转型感兴趣——使用数字技术来创建或修改业务流程、文化和客户体验——以发展并在竞争中保持领先地位，医院也不例外。
当人们考虑医疗保健领域的数字化转型时，他们倾向于关注采用分析来改善临床决策的想法。例如，随着计算科学和机器学习的进步，提供精准医疗成为可能，其中根据个人的遗传特征为每个患者量身定制治疗和干预措施。人工智能 （AI） 算法越来越多地用于改善放射学、皮肤病学、胃肠病学、眼科和病理学等领域疾病体征的视觉检测。
然而，仅仅专注于利用数字化转型来改善临床决策将是一个错误。基于我们和其他机构的研究，以及医院使用数据和技术的方式的蓬勃发展，我们相信数字化转型在优化医院的运营决策方面发挥着重要作用，这反过来又可以提高护理的质量和效率以及患者获得护理的机会。
以下是医院可以利用数字化转型来改善运营决策的四个关键领域：患者流量、人员配备、日程安排和供应链管理。
随着医院努力在正确的时间为正确的患者提供正确的护理，护理提供者需要做两件事：准确评估患者的需求和有效管理医院资源。虽然提供者训练有素，可以做前者，但他们通常没有接受过后者的培训，这是一项具有挑战性的任务——特别是考虑到由于大流行，如今医院容量的压力太普遍了。
在医院层面，数据驱动的运营决策支持系统可以提供有价值的见解，以帮助做出这些分诊、入院和出院决策。例如，当患者到达并且提供者不确定患者是否应被送往 ICU 或普通病房时，决策支持算法可以根据该特定患者入院 ICU 的预测益处提供建议。使用来自美国 190 家医院的 000，15 多名住院患者的患者级手术数据的研究表明，当有临床需要入院 ICU 的患者转而入住医院的另一部分（例如，普通病房）时，这会导致更长的住院时间和更高的再入院率。
当所需ICU的容量受到限制时，提供者可以考虑不同的选择，例如将患者安置在另一个单元（例如，外科ICU而不是医疗ICU）或让目前在ICU的患者出院，以便为新患者腾出空间。使用医院运营数据的研究表明，这两种策略都有重要的权衡和应该考虑的意外后果。决策支持算法可以设计为包含这些权衡，权衡不同选择的成本和收益，并提供适当的建议。
除了建议之外，还可以利用算法来自动化操作任务。一系列实验的研究结果显示，医生和 Amazon Mechanical Turk 员工被要求管理模拟医院单位，行为偏见和认知驱动的决策错误可能会影响提供商的运营决策。将这些决策分解为临床和操作组件，并使用算法使操作组件自动化，最终可能会带来更好的结果。
在病房层面，机器学习和决策支持算法也可用于预测预期的入院、出院和转出病房的数量，这反过来又可以根据这些预测指导后续行动。这可以促进床位周转过程，从而改善患者流量并缩短住院时间。单个病房的预测可以作为医院范围床位管理仪表板的输入，该仪表板不仅可以用于显示每个病房的当前状态，还可以用于预测整个医院的预期未来状态。
例如，波士顿的贝斯以色列女执事医疗中心与麻省理工学院的一组运营研究人员合作，实施了预测信息仪表板，通过显示每个病房的当前人口普查以及预计的出院次数来支持入院和转学决策。同样，波士顿儿童医院使用患者安置预测器系统，该系统允许急诊科知道哪些患者可能入院以及哪个病房。医院范围的床位管理仪表板可以在不同病房之间实现更好的规划和增强的沟通，并且可以进一步开发以提供有关系统的自动警报，例如当新床位的平均等待时间超过预定阈值时。
在更好地管理产能方面，数字技术也可以帮助供应方。以护士人员配备为例，它占医院成本的很大一部分。收费护士和医院管理人员无需依靠电话、短信和电子表格来做出通常在最后一刻发生变化的临时人员配置决策，而是可以利用分析来改进这一过程。
例如，算法可以预测护士缺勤率和对激增人员的需求，以先发制人地确定要打电话的正确数量的浮动护士。对急诊科运营的研究表明，即使在需求高度不确定的环境中，也可以对两者进行建模。一个关键优势是这些系统能够更快地抢占和响应，这反过来又可以提高护士工作时间表的一致性和可预测性。当医院和其他医疗保健提供组织致力于降低众所周知的高护士流动率时，这一方面可能很重要：美国最大的家庭保健机构之一的护理人员流动研究表明，雇主驱动的工人时间表不一致增加了工人辞职的可能性。
还可以利用分析来优化团队人员配备。医院依靠提供者作为一个团队有效地合作，团队成员跨越不同的角色和经验水平。研究表明，护理团队的组成对绩效有重大影响。一项对急诊科团队在两年内总共进行了超过 111，000 次患者就诊的研究表明，主治医生、护士和住院医师之间的等级和技能差异导致在团队绩效方面接触新团队成员的不同影响
另一项针对心脏外科团队在七年内进行 6，000 多次手术的研究表明，重要的是要考虑团队成员之间的成对熟悉度——团队内所有配对的过去合作次数——因为它对团队生产力有重大影响。虽然在尝试手动为团队配备人员时几乎不可能纳入这些要点，但人工智能可以轻松整合这些研究见解，以确定计划工作的提供商的最佳团队组成，并提供有关最佳人员配备水平的建议。
虽然许多医院已经转向以电子方式捕获和存储患者记录，但各种资源的调度在很大程度上仍然是一个手动过程。这适用于手术室的外科手术安排、放射科套件的扫描等。这是数字技术可以带来实质性改进的另一个领域——不仅可以更好地预测资源需求，毫不费力地纳入最后一刻的更改和取消，还可以根据最新研究优化时间表。
例如，机器学习算法可用于更好地预测每个程序的持续时间，例如手术或MRI的长度。在贝丝以色列女执事医疗中心，亚马逊开发的工具被用于更精确地预订手术室时间。
预期持续时间不仅取决于患者特征及其临床需求，还取决于各种操作因素。例如，研究人员发现，由于团队规模更大、工作量增加以及手术室手术顺序，外科手术时间往往会增加。算法比人类更有能力在进行预测时考虑这些操作因素的影响。
机器学习还可用于预测每位患者在手术后应在麻醉后护理病房 （PACU） 中花费的时间。由于PACU拥堵通常会导致手术室的延迟，因此这是另一个可以使用分析的地方。例如，这项研究利用分析来优化外科手术的顺序，以帮助防止PACU充血并最大限度地减少手术室延误。
在美国，11年医院平均每家在医疗和外科用品上花费9万美元，占某些医院总运营费用的三分之一。尽管如此，改善供应链和库存管理通常不被认为是医院的高度优先事项，因为供应商往往更关注围绕直接患者护理的流程。然而，拥有这些用品对于提供高质量的护理是必要的。
在许多行业中，供应链的数字化转型已被证明可以将流程成本降低 50%，并将收入增加 20%;医院也不例外。通过自动化收集数据、订购、核对和支付医疗、外科和药品供应的流程，医院可以降低供应链和库存管理相关成本。
