GreenHulk

Problém: Pacienti často procházejí zdravotnickým systémem neefektivně, což může způsobit zhoršení zdravotního stavu, nadbytečné vytížení lékařů a přídavné náklady. Nedostatečné výkony v rámci hospitalizací nebo nevhodná péče mohou způsobit složitý průběh pacientovi cesty procesem. Špatný průběh se navíc vyskytuje v některých nemocnicích více než v jiných.

Řešení: Naše řešení objevuje trendy v průchodu pacienta zdravotním systémem a hledá případy, které se vychylují normálu. Dokáže vyhodnotit, kdy hospitalizace a péče vedly k mimořádně dobrému průběhu a kdy byl naopak průběh horší než normál. Díky těmto datům lze posuzovat kvalitu hospitalizací v jednotlivých nemocnicích a doporučovat vhodné postupy léčby, které v minulosti vedly k bezproblémovému průběhu. Pro jednoduchou analýzu dat byl vytvořen systém dashboardů, součástí je i AI vyhledávač.

Dopady: Zaměřujeme se především na zlepšení zdravotní péče pro pacienta, který dostane optimální léčbu na základě dat. Pojišťovna dokáže jednoduše zjistit trendy a výkyvy pro jednotlivé diagnostiky v rámci nemocnic a vidět tak, která nemocnice nenabízí optimální služby, čímž mohou redukovat nadbytečné náklady. Benefit pro nemocnice spočívá v úspoře práce - v případě, že pojišťovna objeví, neefektivní proces v nemocnici, který nevede k dobrým výsledkům, upozorní nemocnici na možné zefektivnění.

Proveditelnost: Pojišťovna může nástroj pro sledování dat a trendů ihned implementovat na plný dataset, který obsahuje stejná data jako ta, která nám byla poskytnuta a na kterých byl model postaven. Model má svá místa pro zlepšení, například v přesnosti vektorizovaného vyhledávání.

V čem je řešení nové: Data, která nám byla poskytnuta, jsou těžko získatelná, a i proto jejich analýza prozrazuje informace, která před jejich propojením nebylo možné odhalit. Naše řešení neposkytuje pouze jednorázové odhalení pro pojišťovnu klíčových informací, ale vytváří nástroj, kterým tuto analýzu může uživatel provádět dle vlastních potřeb.Inovativní je hlavně AI vyhledávač, který podle klíčových slov dokáže najít relevantní “příběhy pacienta” a vidět tak jeho celý průchod systémem.

Co jste udělali během hackathonu - textové vysvětlení + kód (např. odkaz na GitHub): Kromě datové analýzy a tvorby dashboradů jsme vytvořili komplexní nástroj na bázi vektorizace slov, který dokáže v datech nálézt požadované informace. Dataset prošel ETL pipeline který transformoval na SQLite databázy, následne analytický datový model. Zároveň tvoříme textový “příběh pacienta”, který se následne vektorizuje. Vektory se nahrají do IRIS databáze. Tyto data jsou vizualizovány a v Streamlit aplikaci kde je interface i pro AI RAG komunikaci. github.com/kruzek/hackJakBrno_GreenHulk

Co jste měli hotové před hackathonem?: Vzorek dat z VoZP o hospitalizacích a péčích, který byl vyčištěn a připraven k analýze.

Co bude následovat a čeho chcete dosáhnout? Máte zájem projekt dále rozvíjet?: Rádi bychom, aby naše řešení mohlo být implementováno a pomohlo tak zlepšit zdravotní péči a zároveň ušetřit náklady jak pojišťovně, tak nemocnicím. Dalším krokem by byl nástroj pro lékaře na podobné bázi, kdy by byla zadána diagnóza do nástroje, který by na základě dat vytvořil doporučenou léčbu pro daného pacienta na základě predikce - v tomto případě by ale byla potřeba hlubší spolupráce mezi pojišťovnou a nemocnicemi, které by mohlo být komplikované dosáhnout.