ต่อไปนี้เป็นบทความของแขกโดย Steve Leeper รองประธานฝ่ายการตลาดผลิตภัณฑ์ที่ Datadobi
องค์กรด้านสุขภาพสร้างและจัดเก็บข้อมูลจำนวนมากซึ่งไม่มีโครงสร้างส่วนใหญ่ ซึ่งรวมถึงการถ่ายภาพทางการแพทย์รายการสแกนอีเมลข้อกำหนดและเอาต์พุตอุปกรณ์ (ในประเภทข้อมูลอื่น ๆ ที่หลากหลาย) ในขณะที่ข้อมูลนี้มีศักยภาพในการปรับปรุงผลลัพธ์ของผู้ป่วยประสิทธิภาพการดำเนินงานและการฉ้อโกงเมื่อจัดการพวกเขายังแนะนำความเสี่ยงที่ร้ายแรง
ความท้าทายมีความสำคัญด้วยระบบที่กระจัดกระจายโครงสร้างพื้นฐานที่เก่ากว่าและการกำกับดูแลที่ไม่สอดคล้องกันทำให้เป็นเรื่องยากสำหรับผู้ให้บริการและ บริษัท ประกันภัยหลายรายในการดูแลข้อมูลของพวกเขาอย่างเต็มที่และเหมาะสม ผลกระทบของปัญหาเหล่านี้มีขนาดใหญ่มากและตาม รายงานอุตสาหกรรมระบบการดูแลสุขภาพเพียงอย่างเดียวคิดเป็นประมาณ 105 พันล้านเหรียญสหรัฐในการสูญเสียประจำปีโดยมีการมองเห็นข้อมูลที่ไม่ดีและการควบคุมอาจมีบทบาท
ดังนั้นคำถามพื้นฐานไม่ได้เกี่ยวกับข้อมูลที่มีค่าหรือไม่ แต่เกี่ยวกับวิธีการควบคุมและการป้องกันที่มีประสิทธิภาพเนื่องจากองค์กรโดยไม่มีวิธีการเชิงกลยุทธ์ความเสี่ยงที่จะทำลายผลลัพธ์ทางการเงินและการดูแล
ความท้าทายข้อมูลที่ไม่มีโครงสร้าง
เช่นเดียวกับภาคส่วนอื่น ๆ ข้อมูลที่ไม่มีโครงสร้างของการดูแลสุขภาพมักจะแพร่กระจายไปทั่วระบบและรูปแบบหลายรูปแบบทำให้ยากต่อการจัดการวิเคราะห์หรือป้องกัน ผลที่ตามมาของการกระจายตัวนี้อาจมีความสำคัญด้วยการมองเห็นที่ไม่ดีในข้อมูลที่มีอยู่และสถานที่ที่อยู่ซึ่งนำไปสู่ประสิทธิภาพการจัดเก็บและค่าใช้จ่ายที่มากเกินไป ไซโลข้อมูลป้องกันเวิร์กโฟลว์การดำเนินงานชะลอกระบวนการสำคัญและเพิ่มต้นทุนการดูแลระบบ ยิ่งมีการเพิ่มข้อมูลที่ไม่มีโครงสร้างที่ไม่มีโครงสร้างความเสี่ยงของข้อผิดพลาดในการปฏิบัติตามและการละเมิดความปลอดภัยในขณะที่ข้อมูลที่ละเอียดอ่อนที่ขาดการจำแนกประเภทหรือการกำกับดูแลที่เหมาะสม
แม้จะมีความเสี่ยงเหล่านี้ผู้ให้บริการด้านการดูแลสุขภาพและ บริษัท ประกันภัยจำนวนมากยังคงพึ่งพาแนวทางการจัดการข้อมูลที่ไม่มีโครงสร้างซึ่งไม่เพียงพอที่จะจัดการกับความซับซ้อนของสภาพแวดล้อมอย่างเพียงพอ หากไม่มีเครื่องมือที่ทันสมัยในการระบุจัดหมวดหมู่และตรวจสอบข้อมูลข้ามโครงสร้างพื้นฐานไฮบริดช่องว่างระหว่างการเติบโตของข้อมูลและการควบคุมข้อมูลยังคงขยายตัว
กรณีสำหรับความทันสมัย
แล้วจะเปลี่ยนอะไร? ในหลายกรณีการปรับปรุงโครงสร้างพื้นฐานข้อมูลเป็นสิ่งจำเป็นในการจัดการกับปริมาณและความซับซ้อนของข้อมูลที่ไม่มีโครงสร้างในการดูแลสุขภาพ กระบวนการนี้เริ่มต้นด้วยการมองเห็น องค์กรจะต้องสามารถค้นหาจัดหมวดหมู่และประเมินสินทรัพย์ข้อมูลทั้งหมดในสภาพแวดล้อมในท้องถิ่นและคลาวด์ ซึ่งรวมถึงการทำความเข้าใจว่าใครเป็นเจ้าของข้อมูลความถี่ที่พวกเขาสามารถเข้าถึงได้และไม่ว่าพวกเขาจะมีมูลค่าทางคลินิกการเงินหรือการปฏิบัติตาม
องค์กรจะได้รับการจัดวางที่ดีกว่ามากในการใช้นโยบายการจัดการที่มีประสิทธิภาพซึ่งกำหนดวิธีการจัดประเภทเก็บถาวรและความปลอดภัยตามข้อกำหนดประเภทอายุและกฎระเบียบ กฎอัตโนมัติสามารถช่วยย้ายข้อมูลที่อยู่เฉยๆหรือซ้ำซ้อนเพื่อลดระดับการจัดเก็บข้อมูลเพื่อให้มั่นใจว่าข้อมูลที่ละเอียดอ่อนหรือข้อมูลที่มีค่าสูงยังคงสามารถเข้าถึงได้ง่ายและได้รับการปกป้อง
แพลตฟอร์มควบคุมข้อมูลที่เป็นกลางของซัพพลายเออร์ที่ทันสมัยในขณะนี้ช่วยให้สามารถมองเห็นข้อมูลเมตาที่สำคัญเช่นการยื่นเอกสารความเป็นเจ้าของและความถี่ในการเข้าถึง การมองเห็นนี้สนับสนุนการตัดสินใจตามนโยบายเกี่ยวกับข้อมูลใดที่จะเก็บรักษาเก็บถาวรหรือลบทำให้องค์กรด้านสุขภาพสามารถลดความเสี่ยงและเพิ่มประสิทธิภาพสภาพแวดล้อมการจัดเก็บ แพลตฟอร์มเหล่านี้ยังถูกรวมเข้ากับระบบที่แตกต่างกันเพื่อเปิดใช้งานการเคลื่อนย้ายข้อมูลที่ไร้รอยต่อซึ่งมีความสำคัญอย่างยิ่งสำหรับการอพยพข้อมูลขนาดใหญ่ที่มักเกี่ยวข้องกับหลายล้านหรือหลายพันล้านไฟล์ที่มีความละเอียดอ่อนซึ่งต้องการความแม่นยำสัมบูรณ์โดยเฉพาะอย่างยิ่งเมื่อจัดการกับโครงสร้างที่ฝังลึกและข้อกำหนดด้านกฎระเบียบที่เข้มงวด
นอกเหนือจากการอนุญาตให้องค์กรด้านสุขภาพลดความเสี่ยงและปรับปรุงการดำเนินงานแล้ววิธีการที่แตกต่างกันนี้ยังทำให้พวกเขาอยู่ในตำแหน่งที่แข็งแกร่งขึ้นเพื่อเตรียมสภาพแวดล้อมข้อมูลของพวกเขาสำหรับ AI การวิเคราะห์และการดูดซึมเทคโนโลยีในอนาคต
การสร้างสภาพแวดล้อมที่เหมาะกับ AI
เนื่องจากความกระตือรือร้นของภาคสุขภาพสำหรับ AI – 85% ขององค์กรทั่วทั้งภาคส่วนต่าง ๆ ดำเนินการริเริ่ม AI ตามข้อมูลจาก McKinsey -โครงสร้างที่มีโครงสร้างที่ควบคุมได้ดีเป็นสิ่งที่จำเป็นสำหรับการใช้งานที่ประสบความสำเร็จ
เมื่อข้อมูลมีการแยกส่วนหรือควบคุมได้ไม่ดีพวกเขาจะจำกัดความถูกต้องและความน่าเชื่อถือของเครื่องมือเหล่านี้ ในทางกลับกันเมื่อมีการควบคุมข้อมูลที่ไม่มีโครงสร้างภายใต้การควบคุมเพื่อให้พวกเขาได้รับการจัดประเภทปลอดภัยและจัดระเบียบข้ามระบบมันจะกลายเป็นสินทรัพย์ที่มีค่าซึ่งสามารถช่วยให้องค์กรสามารถส่งมอบเป้าหมาย AI ได้อย่างถูกต้อง
การสร้างแบบจำลองที่คาดการณ์ได้ขึ้นอยู่กับข้อมูลที่มีโครงสร้างและควบคุมได้ดีเพื่อสนับสนุนการฉ้อโกงและข้อ จำกัด ด้านความเสี่ยงทางการเงิน ในการดูแลสุขภาพคือความสามารถในการตรวจจับความเบี่ยงเบนในการเรียกร้องหรือรูปแบบที่ผิดปกติในชุดข้อมูลขนาดใหญ่ของคุณภาพข้อมูลและความสอดคล้อง หากไม่มีรากฐานนี้องค์กรเสี่ยงต่อการใช้เครื่องมือ AI ที่ให้ผลลัพธ์ที่ไม่น่าเชื่อถือหรือบางส่วน
อย่างไรก็ตามด้วยการสร้างแผนการจัดการข้อมูลที่สนับสนุนการกำกับดูแลการทำงานร่วมกันและประสิทธิภาพการทำงานอุตสาหกรรมสุขภาพสามารถลดค่าใช้จ่ายเพิ่มประสิทธิภาพและปรับปรุงประสบการณ์ที่แตกต่างกันของผู้ป่วยผู้ให้บริการและผู้จ่ายเงิน จากมุมมองการลงทุนสิ่งนี้นอกเหนือไปจากการอัพเกรดเทคโนโลยีตามปกติ มันแสดงให้เห็นถึงภาระผูกพันเชิงกลยุทธ์ในการเสริมสร้างความสามารถของการดูแลสุขภาพในการปรับตัวทำงานอย่างปลอดภัยและให้ผลลัพธ์ที่ดีขึ้น
เกี่ยวกับ Steve Leeper
Steve Leeper ดูแลแนวโน้มตลาดสำหรับถังข้อมูลและจัดการทีมวิศวกรขายล่วงหน้าทั่วโลก ทหารผ่านศึกอายุ 30 ปีมีบทบาทด้านเทคนิคและการขายจำนวนมากที่ Andersen Consulting, Sun Microsystem และ EMC