案例分享安徽省立医院:基于ODR(运营数据中心)的医院智慧运营管理

新形势下,公立医院发展的着力点在于提升质量和效率。外部政策导向与内部财务转型、高效运营等管理诉求叠加,中国科学技术大学附属第一医院(安徽省立医院)基于ODR(OperationalDataRepository,运营数据中心),融合数据集成治理与BI(BusinessIntelligence)分析等技术手段,构建了以全面预算管理和内控流程为核心,以绩效管理为执行手段的医院智慧运营管理系统,实现了战略、业务、财务一体化的管理闭环。

1项目简介

安徽省立医院智慧运营管理系统以信息化、数字化、智能化为三大实现路径,将运营管理与医疗、教学、科研、预防等核心业务活动充分融合,致力于实现前台结算、采购付款、绩效奖金、成本控费与决策分析“五链”的数据贯通与闭环管理,有力支撑了医院智慧财务与运营管理信息化的全面落地,有效促进了业务活动的衍生价值创造。

图1安徽省立医院基于ODR的医院智慧运营管理逻辑图

2建设与开发

安徽省立医院基于ODR的医院智慧运营管理是支持医院多角色、多场景的职能决策分析体系,既可以有效支撑院级领导进行经济效益分析、预算分析、风险分析,也有利于职能科室掌握财务情况、做好成本控制管理;还可以协助临床科室进行科室目标分解,医技科室进行成本控制分析等。通过对运营状况的实时、全面掌握,帮助医院、科室及时采取管理措施,提升运营管理效率。

3关键技术或产品描述

(一)关键技术

当运营数据在医院中通过源或接口流动时,需要安全、集成、存储、记录、分类、共享、分析,直至院科两级使用。数据集成治理技术通过数据集成工具连接医院异构数据源,提供配置灵活,处理高效的数据集成能力;搭建主数据管理平台,通过主数据存储、整合以及共享,实现数据全生命周期管理。

为保证数据集成之后的灵活配置与调用,建设数据模型管理,通过抽象实体及实体之间联系的形式,用模型来完成现实世界中的多类映射。数据集成治理还通过数据资产管理平台保证不同类型高质量数据资产的切换,有效将数据集成平台、主数据管理以及模型管理中梳理、流转、沉淀的大量数据进行血缘追溯,以用户可理解、可度量、可运用的方式组合与呈现。

图2ODR数据工具组件运行示意图

基于ODR的大数据智能分析平台,通过图表配置、仪表板、故事板、移动端等丰富展示手段,灵活快速地响应医院管理和业务变化,是医院智慧运营管理的呈现侧。查询、报表、多维分析、报告、预演等多种手段结合,帮助医院完成数据挖掘分析、审计、风险控制、预测服务等,赋能医院辅助决策分析。

(二)服务内容

1.数据治理与互联互通

对医院的业务数据、主数据和分析数据进行标准管理、运营管理和安全管理,完成了数据采集、数据清洗、数据流转、数据挖掘、数据应用等全生命周期管理。以数据治理为圭臬,建立多系统之间一致的主数据与业务数据支撑,满足跨系统之间业务协同、实现多系统管理统计口径一致性,支撑闭环管理一致性。

2.辅助决策与智慧运营

4应用效果

(一)有力促进了医院以价值链闭环为导向的信息化建设

安徽省立医院借助经济效益、医疗效率、资源效能等合计超过400项指标的分析体系,通过多维交叉分析,立体透视业务变化;借助在线分析技术和动态可视化大屏技术,满足各级管理部门的管理需要,全面掌握业务过程的关键点与风险点,支撑运营改善目标实现。

(二)有效支撑了医院及科室的运营监测与智慧决策

安徽省立医院运营监测以运营数据中心为基础,以医疗服务为主线,对资源配置、费用控制、收治病种、医疗服务和经济效益等,进行了多维度、全方位的监测与分析,探索实现对相同资源投放下的医疗效率与经济效益的综合效能分析,支撑形成科学化的资源配置与优化体系。

5总结

1.先进的管理理念

参考国内外理论与实践研究成果,安徽省立医院进行了一期财务、二期运营的两轮现状调研,并结合专家意见,最终完成了智慧运营管理系统的顶层设计。

2.强有力的技术保障

(1)数据集成:完成数据标准建立、数据质控规范建立、数据清洗转换、数据运维、业务数据集成平台搭建、主数据体系动态管理等,实现临床、运营等系统的实时集成。(2)数据分析:从医院经营决策的需求出发,通过数据建模,对海量数据进行价值挖掘。(3)可视化辅助决策:形成数据洞察,以支撑管理层作出科学的判断和决策。(4)数据预测:基于可靠的数据分摊与聚合,支持数据分析过程中根据需要设置若干假设条件,支持多个模拟方案的定制、对比与发布。

3.完备的组织与制度保障

整个建设项目周期长、所涉部门众多,所完成的基础数据治理工作非常繁琐,应用场景的探索也仍然需要持续地进行研讨和论证。为了更好地推进智慧运营管理建设,医院牵头成立了联合管理组,构建了多方协同的组织保障体系。

(二)机遇挑战

步入“十四五”新的征程,医院既要充分把握健康中国、长三角一体化发展战略和“科大新医学”的良好机遇,也要积极应对公立医院高质量发展、创建一流医院和国家区域医疗中心发展目标带来的重大挑战,医院将始终如一地坚定信念,全院齐心协力、共同推进,在实践中持续改进、奋力前行。

(三)下一步发展规划

主要包括:(1)移动化:建立院领导、运营、临床、医技、职能部门移动数据看板与预警系统;(2)决策化:从科室管理透视深入科室运营决策优化支持,推进重点科室计划目标测算、门诊住院服务优化、投入产出效益优化、资源排布配置优化等优化路径在临床科室的应用;(3)场景化:持续推进病种结构优化、医技项目排程优化、财运业务流程风险预警等丰富应用场景;(4)持续化:完善数据运营机制,推进ODR与CDR(ClinicalDataRepository)的进一步协同,建立数据持续运维机制,探索建立内外协同的数据持续管理与数据应用。

THE END
1.python数据清洗案例keyerror:'sepallengthpython数据清洗案例 获取数据: 检查缺失值 首先第一步,我们先检查一下数据集中是否存在空值,可以用pandas中的isnull、nonull、info方法来检查,我们都来试一遍 data.isnull() 1 可以看到,因为数据太多,没有办法全部找出来,这个时候可以用到sum方法来进行统计每一列有多少个缺失值https://blog.csdn.net/weixin_44941795/article/details/100836001
2.独家为数据分析而清洗数据——Python的21个案例和代码(下)本文介绍了为数据分析而准备的数据清洗的另外11个Python案例及代码。数据清洗是识别和纠正错误以及数据集不一致性的过程,以便于数据可以进行分析。在此过程中,数据专家可以更清楚地了解他们的业务中正在发生的事情,提供任何用户都可以利用的可靠分https://mp.weixin.qq.com/s?__biz=MzI1MjQ2OTQ3Ng==&mid=2247635700&idx=1&sn=c882563ba5a67b47e357af3d16bd1391&chksm=e8117d3d3879282281cabd67a5e3d93be0250a7862942d19801d29b5983732c5b1f81c939238&scene=27
3.数据清洗案例分析袋鼠社区数据清洗案例分析 - 在大数据时代,数据已经成为企业的重要资产。然而,原始数据往往存在许多问题,如缺失值、异常值、重复值等,这些问题会影响数据分析的准确性和可靠性。因此,数据清洗成为了数据处理过程中不可或缺的一步。本文将通过一个实际的数据清洗案例,详细介绍https://www.dtstack.com/bbs/article/12691
4.数据清洗案例数据清洗案例: 1、导入各种包 2、将表格导入系统:这里使用了将一个表格的多个sheet同时导入 # 将一张表里的3个sheet都导入系统 table=[pd.read_excel("/Volumes/台电酷闪/数据分析/python学习/202010Python数据清理/meal_order_detail.xlsx",sheet_name=i) for i in range(0,3)] https://www.jianshu.com/p/84d02414b04e
5.求数据清洗的案例分析资料本人第一次做数据清洗,虽然之前有学过一些数据清洗的方法,但是仍然对手头噪音很大,数量很多的数据感觉到无从下手。现征求各位高手看过的好的关于数据清洗的案例书或其他资料,或者关于如何对大量原始数据一步步分析建模的,要求讲的越具体越好。 谢谢大家帮忙! https://bbs.pinggu.org/jg/huiji_huijiku_3640882_1.html
6.MapReduce综合应用案例—招聘数据清洗MapReduce是Hadoop的核心功能之一,掌握它对学习Hadoop至关重要。 Hadoop Map/Reduce是一个使用简易的软件框架,基于它写出来的应用程序能够运行在由上千个商用机器组成的大型集群上,并以一种可靠容错的方式并行处理上T级别的数据集。 任务关卡 第1关数据清洗 https://hnjdzy.educoder.net/shixuns/2lvmz89x/challenges
7.数据分享基于PythonHadoop零售交易数据的Spark数据处理与E案例数据集是在线零售业务的交易数据,采用Python为编程语言,采用Hadoop存储数据,采用Spark对数据进行处理分析,并使用Echarts做数据可视化。由于案例公司商业模式类似新零售,或者说有向此方向发展利好的趋势,所以本次基于利于公司经营与发展的方向进行数据分析。 https://developer.aliyun.com/article/1493639
8.书单想学PowerBI吗?来看看这些书吧!本书是Power BI 快速入门工具书,笔者将Power BI 的知识点做了系统整理,并以案例的方式呈现出来,使读者学习起来更轻松。全书共7 章,包括Power BI Desktop 初体验、数据清洗的革命、数据统计和呈现、建立表关联、交互式分析、使用DAX 函数、数据可视化等,其中重点介绍了Power BI 在数据清洗和数据可视化方面的应用。 http://www.broadview.com.cn/article/419989
9::侯晓焱邢永杰:我国证人证言排除的刑事司法实务观察1.数据清洗的考量因素 数据整理中误入的不属于当事人申请排除非法证据的数据主要包含几种情况: 一是文书记载了法院告知被告人享有申请回避、非法证据排除等权利,文书故此被命中,但案件本身不涉及非法证据问题的争议。二是文书在评析某项具体证据时,主动宣布该项证据中不存在非法证据排除的情形。三是二审裁判文书中记载http://iolaw.cssn.cn/fxyjdt/201907/t20190722_4936908.shtml
10.聊聊如何清理数据案例和步骤数据清理包括发现和解决潜在的数据不一致或错误以提高数据质量。错误是任何不反映所测量的真实值(例如,实际重量)的值(例如,记录的重量)。在此过程中,审查、分析、检测、修改或删除“脏”数据以使数据集“干净”。数据清理也称为数据清洗。一 为什么数据清理很重要在定量研究中,收集数据并使用统计分析来回答研究问题。http://www.360doc.com/content/23/0301/09/78237952_1069924279.shtml
11.大数据应用导论Chapter02大数据的采集与清洗2、Python清洗案例 # 载入必要库 # numpy是一个数值计算库,能够快速的进行矩阵计算 importnumpyasnp # pandas基于numpy的一种数据分析工具,能够快速的进行数据分析、可视化 importpandasaspd # matplotlib是一个2D绘图库,能够跨平台的快速绘制图表 importmatplotlib.pyplotasplt https://blog.51cto.com/14683590/5236225