哪类患者适合远程监护？这家医院有个筛选好办法

密西西比大学医学中心（University of Mississippi Medical Center，UMCC）开启了一项基于价值的医疗保健创新，其中一项便是远程医疗中心利用远程监测来管理慢性病，包括糖尿病、高血压、心力衰竭等。这些疾病的共同点是，适度教育与及时干预能改善个人病况并最终改善整体的人口健康。

患者远程监测的一个关键是识别适合该技术的最佳候选对象，这也是各大医疗机构面临的挑战。UMMC医学博士、远程医疗中心医学分析主任理查德·芬利（Richard Finley）表示，“目前，我们还没有答案，但正在积极探索。关于患者远程监测的文献遍地都是，有人说它毫不管用，也有人认为研究取得了相当的成功。研究大相径庭，进行患者远程监测的方式和患者识别方面都各不相同，还有很多问题尚未解答。”

芬利所在的密西西比州通过了一项法律，要求该州所有付款方报销慢性病患者远程监测费用，因此，较之其他人，芬利在利用该技术时优势更加明显。

他表示：“密西西比州有大量的乡村和贫困人口，在减少医院再入院率、提高效率方面面临诸多困难。我现在使用不同的分析工具来进行模式识别，并基于风险因子来划分患者。例如，患者曾经是否入院就是一个主要风险因子，可以据此及时跟进。”

但是芬利希望其医学中心的患者远程监测项目和患者识别过程要比上述做法更加激进，并主要对准入院前的患者群体。要想达到这个目的，医院就必须找出那些能清晰识别的因子，做出理性预测，然后进行有效干预。这种干预可以是简单地患者教育，也有可能是进行远程监测，特别是针对心力衰竭或糖尿病患者，预防其病情严重发展至住院。

到目前为止，UMCC已经收集了较多的数据。“我们从2012年开始使用Epic电子病历，2000年就有了电子急诊病历，所以我们准备充分利用这些数据，仔细研究心力衰竭、高血压、糖尿病和慢性阻塞性肺疾病患者的住院治疗情况，以便更好预测。”

该医学中心使用的数据模型采用了结合法：硬数据类，如血红蛋白A1C结果，以及某些“模糊”的分类表，如患者在诊所或所居住的州范围内就诊次数，这能让医学中心了解此类人群以及相关的人口统计资料。

芬利说：“但有个问题，随着数据的增加，收到的信息量十分庞大，超出了我们的能力范围。我在理论物理方面受过训练，所以倾向于基本分析。但在医疗健康领域工作，就没有做基本分析的理论知识。所以，最好的还是人工智能，不论是神经网络还是任何新的机器智能技术，它们对控制数据来说都是至关重要的。”

然而，大数据工具如人工智能的运用也存在相应的危险。芬利坦陈：“由于对人工智能和大数据工具过于依赖、过于信任，人们在设定目标时往往会不切实际。”

原文来源：Healthcare IT News

原文标题：UMMC pinpoints ideal patients for remote monitoring with predictive analytics