Podcast

Dobrý den, moje jméno je Jirka Vecherk a vítám vás u dalšího dílu našeho podcastu Data Talk. Dnes mám za hosta datového odborníka na slovo vzatého, Tomáše Mátla.
Ahoj Tome.
Ahoj Jirko, díky za pozvání.

S Tomášem se dneska budeme bavit o datech ve zdravotnictví a o tom, jak vlastně můžou data zlepšit fungování zdravotnictví na konkrétním příkladu Nymburské nemocnice. Než se ale dostaneme k tomuhle velmi vypečenému a důležitému tématu, pojďme si popovídat o nějakém tvém příběhu, o tom, jak vlastně vznikla firma Colors of Data. Je zajímavé, že vznikla v Londýně a máte tam i headquarters. Co tě vlastně vedlo k datům, jak ses dostal do datové profese a jaká je tvoje historie, Tome?

Přemýšlím, jak daleko do té historie, Jirko. Možná začnu tím, že když jsem před 20 lety začal chodit do práce, nastoupil jsem do velké konzultační firmy, Accenture, kde jsem měl možnost během pár let vyzkoušet si různé projekty, které tě napadnou – implementace velkých billingových systémů v Eurotelu, implementace bankovních systémů v Komerční bance, případně strategické projekty, například jak bude utility firma měřit svoji výkonnost. To mi dalo možnost jak se podívat na technickou stránku klientů, rozumět jejich technologii a technickým stackům, tak zároveň poslouchat byznysové lidi, manažery, a poznat, čím se zabývají. Vybudoval jsem si schopnost tyto věci propojovat – rozumět kontextu, v němž firmy fungují, co je potřeba změnit nebo vybudovat v technologii, aby celý systém fungoval dobře. A to je něco, co se snažíme teď v Colors dělat.

Ale abych se vrátil k příběhu – po odchodu z konzultačky jsem nastoupil do Vodafonu, kde jsem pokračoval v podobné cestě. Vystřídal jsem několik typů rolí a v roce 2005 jsem nastoupil jako architekt. Po pár letech jsem přešel na stranu byznysu a dostal za úkol vybudovat mobilní marketing, což bylo tehdy vnímáno jako velká věc s obrovskými očekáváními – management říkal, že naše znalost zákazníků je mnohem lepší, dokážeme cílit reklamu relevantně a do dvou let budeme mít větší část reklamního koláče než televize. Proto dostal projekt prioritu a zdroje, a dařilo se nám. Po čase jsem dostal nabídku jít dělat to samé do centrály Vodafonu v Londýně, což mě velmi zaujalo. Přestěhoval jsem rodinu a tři roky jsem tam pracoval jako součást globálního týmu.

Jak jste tu věc ve Vodafonu nazývali? Něco jako mobilní marketing nebo platforma?
My jsme tomu říkali Media Solutions – představ si to jako firmu ve firmě, která si buduje vlastní technický stack a na něm vlastně zákaznickou propoziční platformu, kterou prodává.

Svým klientům, advertiserům, nabízíme propozici, která cílí na zákazníky televize a snaží se přinášet hodnotu jak advertiserům ve smyslu cílené, relevantní reklamy, tak i koncovým zákazníkům, protože jim vzděláváme něco, co oni skutečně chtějí slyšet – ty informace máme spočítané a ověřené. Co se jim zobrazovalo? Byly to tehdy nějaké notifikace, nebo notifikace ještě neexistovaly a byly to SMS?

Na začátku to byly SMS zprávy, e-maily a bannery na webu. V té době ještě nebyly úplně aplikace, ale už začaly vznikat apky na platformě Symbian, pokud si vzpomínáš. Byli jsme tedy pod náporem nejrůznějších firem, které nám nabízely prehistorické aplikace, do kterých šlo posílat cílené zprávy jednotlivým lidem.

Jak tato kapitola skončila? Byl jsi v Londýně s rodinou a stavěl jsi Media Project pro Vodafone? Aha, já jsem tam měl na starosti část propozice mobilního marketingu. Věřil jsem tehdy, že SMS jako přímý kanál, kde můžeš ovlivnit, kdy ji pošleš, komu ji pošleš a co na ní napíšeš, v kombinaci s tím, že víš, kde se zákazník právě nachází, bude silnou propozicí. Vybudoval jsem tedy tento produkt a měl jsem za cíl ho rozvíjet ve všech zemích Vodafone, kde byl relevantní.

Brzy jsem poznal, že mám velmi málo informací k tomu, abych produkt dobře řídil. Kromě jednoho čísla za každou zemi a měsíc jsem nevěděl, jak probíhá rozšiřování propozice – neměl jsem rozpad na zákaznické segmenty, regiony apod. Věděl jsem ale, že data někde existují, a frustrovalo mě, že k nim nemohu přistupovat.

Když jsme se pak přestěhovali zpět, uvědomil jsem si, že chci z klasického korporátního prostředí pryč a že by stálo za to tento problém řešit, protože mnoho lidí v byznysu s tímto bojuje. Už tehdy byly k dispozici nástroje jako Tableau a další datové nástroje zaměřené na obchodní uživatele.

Spojil jsem se proto s mým kamarádem a jeho spolužáky, kteří založili firmu, ale nevěděli, jaký směr jí dát. Přesvědčil jsem je, že dává smysl se dát do práce s těmito daty. Začali jsme chodit do firem, učit lidi pracovat s Tableau a zpřístupňovat jim data z databází, do kterých dříve nebyli schopni se dostat ani jim nerozuměli. A fungovalo to.

V roce 2017 jsem se pak rozhodl z firmy odejít – každý jsme měl jinou představu, kam by firma měla směřovat. Nakonec jsem založil Colors a pokračoval v datové cestě. Analytika, vizualizace a interpretace dat mi dávala stále perfektní smysl. Pořád vnímám silnou potřebu propojování byznysových a technických týmů na straně klientů, protože skoro v každé firmě je toho málo…

Tady je opravená verze textu:

Firma, kde tohle probojení funguje. Takže fast forward, dneska je rok 2022. Křížím data – kolik vás je, co vlastně děláte, jak to máte rozdělené mezi Česko a zahraničí? Já docela rád říkám, že jsme malá firma, která dělá velké věci, velké projekty. A když říkám velké, tak tím nemyslím nutně počet lidí, ale spíš velký byznysový dopad. My skoro vždycky pracujeme s byznysovými týmy na straně našich klientů a chceme jim pomáhat vlastně měnit to, jak jejich industrie funguje. Chceme, aby byli nejlepší ve svých odvětvích a aby díky inovacím a schopnosti dělat věci jinak vynikali mezi svými konkurenty.

Proto využíváme jednak náš delivery tým, což jsou lidé podobní jako já, kteří umějí mluvit byznysově a zároveň mají dobrou technickou kompetenci. Zároveň využíváme i náš network partnerů, což jsou firmy podobné nám, které umějí něco příbuzného, ale něco, co nepotřebujeme na každém projektu. Příkladem může být nastavení security na AWS platformě nebo frontend vývoj aplikací. Díky tomu, že dokážeme spojovat lidi, kteří přemýšlejí podobně, tak se nám daří dělat velmi zajímavé projekty.

A ptal ses na Londýn – přes ten dnes chodí většina našeho byznysu, jdou přes něj všechny zahraniční projekty. V tuto chvíli máme klienty asi v šesti zemích Evropy, ale klíčový delivery tým je tady v Čechách. To je asi takové logické uspořádání. Takže co se týče toho, kolik z vás tvoří Česko, třeba obratově nebo příjmově, nebo jak je pro vás Česko zákaznicky důležité?

Rozdělení mezi UK a Česko, respektive střední Evropu, je přibližně dvě třetiny ku jedné třetině. V prospěch UK? Ano, v prospěch UK. To je super, je zajímavé, že se takto dostáváte na zahraniční use cases. Mám pochopení, že jsou to i pozice pro tvé lidi, které jsou trochu třeba pokročilejší, jiné věci, ne tak lokální?

Já jsem si myslel, že to lidi hodně táhne. Minimálně pro mě to bylo hodně atraktivní, když jsem byl mladší, jít pracovat někam do zahraničí, sbírat zahraniční zkušenosti. Dneska, s ohledem na možnosti, které máme, už to není tak velká motivace jako dřív, ale i tak nám to dává možnost podstatně širšího a pestřejšího portfolia projektů, což je dnes důležité mít, pokud chceš přilákat dobré kvalitní lidi.

Teď, pokud ti to nevadí, skočil bych na ten Nymburk a na data ve zdravotnictví. Co je to vlastně za klienta, jak jste k němu přišli a proč je pro tebe tak důležitý a zajímavý? Předpokládám, že to nebude nejlépe platící klient a největší výdělek, ale jak jsem viděl na DataMeshi, je to moc důležité téma a máš tam nějakou osobní linku, že bys rád pomáhal.

Jak se vlastně objevil Nymburk a nemocnice v Nymburku?

A Jirko, možná ještě než ti odpovím, dám to do kontextu našeho byznysu. Vlastně nás dnes živí jednak velké firmy, které potřebují lépe využívat data, aby rozuměly svým zákazníkům a uměly s nimi efektivně, účinně, personalizovaně komunikovat. To jsou zákaznické něja…

Pokud chceš, můžu pokračovat s opravou další části textu.

Opravený text:

Klíčový customer. Jo, budování zákaznických insightů, využívání těchto insightů pro zvyšování relevance komunikace se zákazníky a tím pádem i zvyšování hodnoty zákazníka. To je to, co nás dneska živí a děláme to pro řadu firem z telekomunikací, bankovnictví, e-commerce a retailu. Zároveň nám dobře funguje i datově analytická větev, ze které jsme vzešli. Tam pracujeme například s automobilkami, kde digitalizujeme jejich procesy, kterými řídí kvalitu. To je to, co nás živí. A děláme to i na našich projektech, které mají nějaký společenský přesah.

A právě to je to, co vidíme v nemocnicích. Když za mnou přišel můj bývalý kolega a řekl: „Hele, já jsem teď nastoupil do velké nemocnice a bojuju tady s hromadou dat, která jsou fragmentovaná a nejsou čistá, a mám z nich tahat informace pro lidi, kteří tu nemocnici musejí řídit, tak já úplně nevím, kde začít a za jaký konec to vzít. Pojď mi s tím nějak pomoct.“ Tohle zadání se mi hrozně líbilo. A byť zdravotnictví není úplně jednoduchý segment, protože tam není moc peněz, věci tam trvají dlouho, a jsi svázaný pravidly, která platí ve státním sektoru, tak jsme do toho přistoupili.

Zdravotnictví je segment, kde je teď ta maturita stále velmi nízká, a relativně jednoduše tam můžeš dosáhnout velkých zlepšení. A tak jsme téhle velké nemocnici pomohli vizualizovat data a dát jejímu managementu dashboardy, které ukazují, co se děje v lůžkové péči, jaké mají výkony v ambulantní péči, jak se jim pohybuje hodnota materiálů a léků atd. A od toho se to pak začalo nabalovat. Tam jsme vlastně začali budovat naši znalost lékařského prostředí a systému a porozumění tomu, co vlastně ten segment potřebuje.

No a pak netrvalo dlouho, než nás kontaktovala ředitelka Nymburské nemocnice, která slyšela o tom, co jsme už s první nemocnicí udělali, a říkala, že by se ráda pobavila o tom, jak můžeme pomoci jim. Nadchla mě hned na začátku svojí vizí, jak tuto jejich poměrně zanedbanou městem vlastněnou nemocnici 40 kilometrů od Prahy přebudovat na místo, které poskytuje kvalitní lékařskou péči doplněnou skvělým pacientským zážitkem. Ona říkala, že to je jediná cesta, jak můžeme jako okresní nemocnice uspět, a zároveň chce, abychom si na provoz nejen vydělali, ale abychom měli dostatek volných prostředků i na investice – abychom si mohli kupovat kvalitní a nové přístroje, rekonstruovat pavilony, zkrášlit prostředí nemocnice a případně rozšiřovat provoz tam, kde to bude dávat smysl.

A právě ta věta „tam, kde to bude dávat smysl,“ je klíčová věc, o které chci dnes mluvit a kolem které se točí vlastně naše práce s nimi. Zdravotnictví v Čechách je dnes z 85 % financováno z peněz pojišťoven a dalších plateb státu, takže nemocnice musí velmi dobře vědět, jak svoji péči vykazovat, aby dostala optimální množství prostředků. Ještě před pár lety to fungovalo tak, že existovaly limity na různé typy zákroků a výkonů a když vlastně… [text pokračuje]

Zde je opravený text s úpravou stylistiky a gramatiky:

Některé nemocnice přesáhly stanovený počet výkonů, a proto za něj nedostaly zaplaceno. Tento princip dnes už neplatí, většina těchto limitů byla zrušena, což přináší velkou výhodu. Z mého pohledu je to velmi dobré rozhodnutí – asi bych nechtěl jít na kýlu v době, kdy za mě nemocnice nedostává ani korunu. Měl bych pocit, že pro ně nejsem tak důležitý pacient.

Kdy přesně tato změna nastala, nevíš? Myslím, že někdy před dvěma až třemi lety, kdy došlo ke změně vyhlášky ministerstva zdravotnictví, která tyto limity ruší.

Háček je ale v tom, že velmi málo nemocnic umí rozlišit, na jakých typech péče, zákroků nebo hospitalizací prodělávají a musí doplácet, a kde jim naopak zůstávají nějaké volné prostředky po té, co se započítají veškeré náklady. To je klíčová věc, kterou nemocnice musí znát, aby dokázala rozumně řídit své hospodaření a ekonomiku, a ideálně si tak vytvořila finanční rezervy na další rozvoj.

Další oblastí je nutnost, aby nemocnice rozuměla ekonomice jednotlivých výkonů a hospitalizací. Zde se potýkají s velkou komplexností rozpočítání nákladů na jednotlivé činnosti. Když si vezmeme například složitou operaci, jako je otevřená zlomenina nohy s reoperací nebo ošetřením kvůli infekci, na péči se podílí několik různých odborností, je potřeba řada laboratorních vyšetření, což znamená velkou komplexitu také z pohledu nákladů.

U těchto opakovaných přijetí je problém v tom, že například chirurgická klinika dostane platbu za operaci, ale náklady vznikají v deseti dalších nákladových střediscích – za veškerou péči, kterou daná hospitalizace vyžadovala. Současné informační systémy v nemocnicích pak neumožňují jednoduché rozpočítání nákladů a výnosů na jednotlivá oddělení, ambulantní pracoviště a tak dále.

Právě na tom se již nějakou dobu pracuje. Je nutné propojit data z lékařských systémů a najít vhodnou granularitu objektů v databázi a způsob, jak je navzájem propojit. Cílem je rozpočítat náklady, které vznikají na úrovni jednotlivých nákladových středisek a oddělení, na konkrétní pacienty, hospitalizace a diagnózy. Takto lze vytvářet nákladové ceníky, které ukazují například, kolik stojí jedna minuta na CT, nebo jedna minuta na magnetické rezonanci. Také se díky tomu liší cena vyšetření různých druhů laboratorních testů.

Je to jakýsi atribuční model, který přiřazuje náklady a zisky různým částem péče. Protože například chirurg může dostat částku 10 000 EUR za operaci kolene, ale ve skutečnosti na péči pacienta se podílelo více oddělení včetně sestřiček.

Pokud chceš, mohu text ještě více upravit nebo zjednodušit.

Tady je opravený text s úpravou gramatiky, interpunkce a stylu pro lepší srozumitelnost:

Nosí snídaně a kolik snídaně stojí. A nakonec můžeš zjistit, že kvalita snídaně ovlivňuje pacientskou zkušenost velkou měrou, přitom je to malá nákladová položka nebo něco takového. Tak tím pádem je to jako nějaké atribuční modelování, nebo je to jenom čistě řešení kvality dat a té databáze? Je to rozpad revenue ve správném poměru na ty nutné účastníky, kteří vstupovali do hospitalizace, do péče, a zároveň je to i přiřazení nákladů, které jim vznikly k danému nemocničnímu případu, protože ty tam v tom standardním pohledu nejsou.

Rozumím, takže ta první část je jakoby řešit data – kde je vezmu a jak je dát dohromady, vytvořit nějakou granularitu, nějakou logiku. A ta druhá je potom vlastně nějaký insight. Co byl ten typ insightu, co jste generovali jako první? Že jste najednou přišli na to, že někde se topí peníze?

Ten insight, ke kterému se potřebuješ dostat, je vědět, u jakých typičností dostáváš peníze navíc, generuješ volné prostředky, versus kde musíš jako nemocnice doplácet. A z povahy činnosti vždycky to bude tak, že na něčem vyděláš, na něčem proděláš, ale abys to mohl celé řídit, potřebuješ vědět, na čem vyděláš, případně kolik, a proč proděláváš na aktivitách a péči, na které proděláváš, protože pak to můžeš lépe řídit.

Byl tam nějaký aha moment? Přišli jste s první sadou dat a nemocnice vůbec netušila, že si to dokáže představit. Například že měsíčně prodělají tolik na lécích, protože to nevykazují. Byly takové momenty už z prvního pohledu na data?

My tam ještě úplně nejsme. V tuto chvíli tvoříme model, který ty věci bude spojovat dohromady a umožní vytvořit tyto pohledy. Dneska už víme, že to…

Ještě ho nemáme úplně hotový, a proto nad tím ještě nemáme ty analýzy, ale vedení nemocnice má celou řadu hypotéz, které jsou podobné tomu, co jsi zmínil – například že na operacích kýl asi budeme vydělávat, zatímco pokud bychom rozšířili kapacitu chirurgie, mohlo by nám to přinést to a to. A tyto věci potřebujeme díky datům v budoucnu ověřit.

Tak zpátky k implementaci. V jakých systémech tedy leží data v nemocnici nebo obecně v nemocnicích?

Typicky je nemocniční prostředí relativně jednoduché. Na českém trhu existuje několik málo nemocničních systémů – myslím si, že jsou asi tři až čtyři, na kterých jede 80 % nemocnic. Jsou to systémy, které tady fungují už poměrně dlouho. O klasických cloudových řešeních většina nemocnic zatím jen sní. Kromě těch nemocničních systémů tam určitě najdeš nějaký ekonomický systém typu Pohoda, případně skladový systém, ve kterém držíš stavy léků a materiálu. V nemocničním systému jsou databáze pacientů a všechny výkony, které se jim dějí, včetně ambulantních. A asi jeho hlavní funkcí je nějaké automatické vykazování pojišťovně, nebo je tam ještě nějaký jiný systém, co tohle dělá?

To vykazování automaticky nefunguje, to je právě ten první problém, o kterém jsem mluvil. Je potřeba umět dobře…

Pokud bys chtěl, mohu pokračovat a upravit i další část, kterou jsi neodeslal.

Opravený text:

Vykázat péči pojišťovnám se dneska dělá vlastně ze 100 % manuálně. Buď to ta nemocnice umí lépe, nebo hůře. Myslím si, že do budoucna v tomhle může být poměrně velký potenciál automatizace, protože jde o přiřazování kódů k tomu, co se dělo. Pro mě dává smysl zkusit to automatizovat a postavit nad tím nějakou logiku, která to bude dělat sama.

A abych se vrátil k těm systémům, oproti jiným službám není datové prostředí v nemocnicích superkomplexní. Jde spíš o to najít správnou úroveň granularitiy a správně napojit jednotlivé objekty, se kterými nemocnice pracuje, jako je typ pacienta, hlavní diagnóza, vedlejší diagnóza, klinická událost, hospitalizační jednotka atd. Důležité je, jak tyto objekty propojit, aby bylo možné rozpadnout jak výnosy na všechna oddělení, která se dané péče účastnila, tak náklady na jednu hospitalizaci nebo klinickou událost.

No a hledáš to metodou pokus–omyl, nebo jsou už nějaké best practices ohledně modelace těchto objektů a granularity? Nebo existuje nějaká best practice, že se zaměřujeme hlavně na tyto objekty, protože vstupují do konečného vyúčtování a jsou tedy klíčové? Nebo vymýšlíš úplně nové objekty, jako jsi zmiňoval – chirurgická minuta, tedy minuta na chirurgickém sále?

Best practice dneska není. Vychází se typicky z velmi detailní (megagranulární) úrovně dat v nemocničním systému a ta se agreguje na potřebnou úroveň, která stále drží dostatečně granulární atomické jednotky, abychom na ně mohli namapovat náklady z hlavních nákladových středisek. Je to tedy postupná práce, kdy krok za krokem uvažuješ, zda je lepší vyšší úroveň agregace a méně objektů, nebo nižší úroveň agregace, složitější model, ale lepší schopnost přiřadit náklady a výnosy menším jednotkám.

Takže identifikace objektů a granularita dat – existují na to nějaké best practices? Nebo jak k tomu přistupuješ? Co je první krok?

Bez zbytečných složitostí: systémy v dnešních nemocnicích umožňují jen makropohledy. Poskytují data na úrovni kliniky nebo oddělení, a to zpravidla za den, týden či měsíc. Ale když chceš jít níže – k jednotlivým diagnózám, pacientům nebo výkonům – už to není jednoduché.

Co je potřeba udělat, je stáhnout si data z nemocničních, ekonomických a skladových systémů ven. Tam si můžeš hrát s datovým modelem a hledat správnou úroveň agregace jednotlivých objektů, aby na sebe informace navazovaly. Tak můžeš vytvořit nákladový ceník, který ti například řekne, kolik stojí minuta magnetické rezonance na vyšetření plic, versus minuta té samé magnetické rezonance na jiné vyšetření, nebo kolik platíš externí laboratoři za určité vyšetření krve apod.

Pokud chceš, mohu pomoci s dalšími úpravami či zpřehledněním.

Taková práce, vlastně pokus-omyl. Řekneš si, tahle úroveň granulárnosti je asi ta správná, a zkoumáš, jestli opravdu ty informace budeš schopen přiřadit tak, aby ti to dávalo smysl a umožnilo ti třeba řídit hospitalizaci pacienta ještě v době, kdy je stále v nemocnici.

Super. A s čím si s tím hrajete? Do čeho to vylíváte, vaše zkušenosti? Nebo zase přicházíte do nemocnic a chcete to vylít? Mají tyhle systémy nějaké API vůbec?

Typicky nemají, ale zároveň, jak jsem říkal na začátku, musíš být kreativní v tom, aby sis uměl věci dělat efektivně a levně. Říkali jsme si, přineseme sem kebab, hezky si to vylijeme do Snowflake a budeme si s tím hrát. Ale brzy se ukázalo, že jednak kebab není úplně potřeba, protože těch zdrojů je málo. Zároveň to stojí peníze, což ti ukrajuje koláč na projekt, a přitom tam leží on-premise prostředí, které je využitelné a zadarmo. Takže vlastně to děláme v jejich lokálním prostředí, kreslíme si modely a objekty na whiteboard a postupně to krok za krokem stavíme.

Takže to je vlastně jejich stávající řešení komplet on-premise, asi? Nebudou žádné cloudové věci? Vy některé věci počítáte taky on-premise. Dostáváte vůbec z jejich prostředí data? Není to problém, když jde o medicínská data? Můžete si je stáhnout na svůj server?

My to neděláme. Vlastně to ani neděláme u jiných klientů. Typicky naše řešení fungují v cloudu a cloud je ve správě klienta. Takhle to funguje i v případě té nemocnice. Oni mají svoje on-premise řešení, které mají zabezpečené, spravují si ho sami a my jim v něm pomáháme vytvořit model, transformace a tak dále. Vizualizace je dneska jediná věc, která je v cloudu. Mají Tableau server, který funguje online, a vidí smysl v tom do cloudu jít, pokud to přinese nějaké benefity, které dneska nemají – například nárazovou potřebu výpočetního výkonu nebo něco podobného. Jakmile by kvůli tomu museli dokupovat další servery, tak jim dává smysl to hedžovat s cloudem. Je to spíš otázka efektivity. Pokud potřebuješ spočítat nějakou výpočetně náročnou aplikaci, která přijde jednou za měsíc nebo jednou za týden, tak je to dobrý use case pro cloud. Pokud využíváš to, co už máš vlastně v nemocnici řadu let, tak využíváš to prostředí, které máš zaplacené a vlastně tě nic nestojí inkrementálně.

Super, pojďme se vrátit k vašemu projektu. Takže ta první velká otázka byla granularita dat a s jakými objekty pracovat. Co vám z toho vypadlo? Jak dlouho taková věc trvá? Co to vlastně znamená v reálném světě? Kolik lidí musíte oběhat, na kolik…

…si tam musím šáhnout. Pro nás to znamenalo, že musíme pochopit, jak celý ten zdravotnický systém funguje, co obsahuje vyhláška, jaké jsou principy vykazování a tak dále, což zabralo nějaký čas, není to ani zdaleka jednoduché. V okamžiku, kdy tomu plus mínus rozumíš, tak nám trvalo zhruba 20 dní vymyslet ten model. Jak jsem říkal, dneska ještě není úplně hotový, ale už víme, kudy vede ta cesta, víme, že to bude…

Tady je opravený a upravený text:

Řekl bych, že nějakou podobnou pracnost zabere potom nalejt tam data a udělat nad nimi analýzy, které ti přinesou první výsledky. Tak v jaké fázi jste teď? Dáváte dohromady různá data a tvoříte model?

My jsme začali někdy před necelým rokem tím, že jsme jim vlastně zvisualizovali makroekonomiku. To znamená, udělali jsme pro ně tabule a dashboardy, které managementu dodávají aktuální informace na denní bázi o tom, jak si vedou jednotlivé kliniky výkonnostně – ať už se to týká ambulantních vyšetření, nebo hospitalizačních výkonů. A poté, co management má tyto informace a je schopen na makroekonomické úrovni nemocnici pohodlně řídit, začínají se zabývat většími detaily. Co můžeme udělat proto, aby tahle klinika fungovala efektivněji? Je tahle ambulance dobře vytížená, když tam od 11 hodin dopoledne nikdo nesedí, nebo ne? Personál si pořád stěžuje, že je přetížený. Jak to ale je doopravdy? Jsou přetížení, nebo ne? To jsou věci, které v datech lze relativně snadno nalézt, jen je potřeba jít do větší hloubky.

Takže to byla další fáze projektu, kterou jsme realizovali – docela zajímavá ve spolupráci s Četítas. Holky z digitální akademie pracovaly s lidmi z Nymburka a řešily tam analytické a datové úlohy, které přesně odpovídaly na tyto otázky.

No a teď jsme v jakési třetí fázi, kde dáváme dohromady datový model, abychom zjistili opravdu detailní ekonomickou rozvahu jednotlivých výkonů, které se tam dějí.

Kde jsem dneska? Když bychom přišli do Nymburské nemocnice, kde potkáme vaši práci s daty? Jak se tam data konzumují? Jak se to za ten rok změnilo?

Zní mi to trochu jako fráze, že stavíme datově řízenou nemocnici, což by vlastně mělo být samozřejmostí, když data máte. Tak jaký je příběh té nemocnice na datové úrovni? Ukazoval jste fotky, že už mají nějaké investice, že se tam něco děje, že celý areál vypadá hezčí. Kde ale potkáme vaše data, když tam budeme hospitalizování?

Když tam dneska přijdeš, ta data potkáš především v managementu. Management nemocnice tvoří čtyři lidé, kteří pracují s daty téměř denně, plus vrchní sestry a primáři jednotlivých klinik v Nymburce, kteří s daty pracují pravidelně. Co teď řešíme, je, jak data dostat dál, hlouběji do jednotlivých lékařských týmů, a jak s lidmi pracovat, aby data skutečně využívali k účelům, pro které jsme všechno začali dělat. Tedy posilovat nemocnici tam, kde nás výdělky zajímají, a zároveň řídit náklady u péče, která nikdy nebude výdělečná.

Právě tady zjišťujeme, že to není vůbec jednoduché. Adopce dat a analytiky ve firmě nikdy není jednoduchá záležitost – a lékařské prostředí je v tomto ohledu ještě složitější. Najít lékaře, pro kterého mají data a analytika opravdovou atraktivitu, je výzva. Takže budeme zkoušet různé přístupy, například intuitivní nástroje, které nevyžadují…

Pokud chcete, můžu pokračovat nebo upravit dál.

Opravený text:

Příliš nepřemýšlet nad tím, co ti ukazují, nebo můžeme zkoušet ještě jednodušší věci, například jednou za týden, kdy doktor dostane e-mail nebo obrázek, který bude ukazovat, jak se vlastně pohybuje v plnění svého KPH. Typicky to bude informace o tom, kolik výkonů daného typu udělal, případně kolik různých diagnóz měl, nebo dokonce bude mít měsíčně sledované periody, například kolik léků daného typu a kolik materiálu jiného typu spotřeboval. A tohle jsou data, která dneska nějaký primář svého oddělení sleduje, nebo se k nim nikdy nedostal a poprvé je vidí a poprvé s nimi pracuje.

Donedávna to fungovalo tak, že existovaly limity na výdej materiálu a léků na nějaké časové období. Bylo poměrně obtížné se dostat k informacím, jak tedy ten limit čerpá lékař nebo vrchní sestra. Takže se mohlo stát, že v polovině měsíce došly obvazy. Data dnes dokážou tyto věci zviditelnit a pomáhají ti v tom, jak řídíš své jednání a chování. Super, tedy jsou efektivnější v práci se zdroji – nedávají obvaz tomu, kdo potřebuje pouze náplast.

Co to pro vás znamená – vlastně takto demokratizovat práci s daty v nemocnici, dělat dashboardy a podobně? Co znamená udělat velmi intuitivní a jednoduchý dashboard?

Pro mě jsou tam dvě hlavní věci. Jednak mám obrovskou radost, když vidím, že se nemocnice posouvá v datové „maturitě“, že to, co vznikne, se opravdu používá a lidé podle toho jednají. To je super. Zároveň si myslím, že tam je větší potenciál, protože podobné problémy, jako řeší nemocnice v Nymburce, řeší vlastně všechny nemocnice – a jen málo z nich to dnes umí. Takže pro nás, jako tým, který si cestu prošlapává, je tam velký potenciál v tom, že toto řešení dále budeme optimalizovat a rozvíjet. Ano, a posunout zdravotnictví jako systém pořádný kus dopředu tím, že budou schopni řídit sami sebe podstatně lépe, než to umí dnes.

To je fajn. Jak ale naučíš pana primáře, šedesátiletého, který ví všechno nejlíp, aby se díval na tvůj dashboard? Tady přišla skupina ajťáků z Prahy, aby nám říkala, jak se dělá nemocnice…

To souvisí s adopcí. Já nutně nepotřebuju, aby se on osobně díval na dashboard, ani nemocnice to tak zásadně nepotřebuje. Nemocnice potřebuje, aby on trochu přihlížel k ekonomice toho, co dělá. A teď – tohle je trochu citlivé téma, protože mnoho lidí mi už řeklo: „Aha, vy jim tedy řeknete, na čem proděláme, oni to přestanou dělat a lidé pak nedostanou péči, protože nemocnice na ní vydělává.“ To vůbec není pravda.

Existuje velmi silný princip, že o délce a způsobu péče rozhoduje lékař, který je „svatý“. Zároveň ale, pokud chce nemocnice dávat kvalitní péči, může ji zajistit různými způsoby. Různé způsoby mají různou ekonomiku a je na uvážení konkrétního primáře, lékaře nebo sestry, kterou z těch cest si vybere. A je důležité, aby ty… [text pokračuje]

Zde je opravený text:

Hle, lidi rozuměli tomu, jak ty různé cesty ovlivňují ekonomiku.

Úplné nemocnice. A my věříme tomu, že když tomu budou rozumět, tak budou dělat správná rozhodnutí, aby poskytli dobrou a kvalitní péči a zároveň aby na tom nemocnice netrpěla, nebo aby na tom ideálně generovala nějaké volné prostředky. Super. Tak tím pádem, když nepotřebuješ, aby si dívali na dashboard, ale stejně je potřebuješ zařadit do procesu, znamená to, že mají na ně navázané KPI? Nebo ty dashboardy děláš na jejich KPI?

Jo. To, co musí vzniknout, je vlastně na základě dat vyhodnocovaný set KPI, který pomůže řídit tu nemocnici tam, kde ji potřebuješ mít. Takže když si to představíš, může to vypadat třeba tak, že doktor na chirurgii dostane KPI typu: během měsíce udělej tolik a tolik operací kýly, tolik a tolik operací bérce a tolik a tolik jiných operací. Dobrý je, že plánovaná péče se dá velmi dobře řídit. Doktoři s tím umějí pracovat a budou se chovat jinak, když jim řekneš, že jich mají udělat X, nebo že jich mají udělat dvojnásobek. To je ta flexibilita, to je ten moment, kdy seš schopen jako manažer nemocnice řídit produkci a tím i ekonomiku – volné prostředky, nebo naopak ztráty.

Pokud by nefungovala práce s dashboardy pro lékařský personál – a to v tuto chvíli ještě nevíme –, jsme schopní to zjednodušit na úroveň, kdy oni dostanou jednou týdně obrázek o tom, jak trendují ke splnění KPI, možná s doporučením, co by bylo ideální udělat, aby se dostali tam, kam potřebují, a jaký je v tom pro ně potenciál bonusů či čehokoliv dalšího.

Takže to je ta technická část. Situace, kterou také řešíte: jak naučit primáře používat data? Jak jsem řekl před chvílí, cest je víc a v tuto chvíli ještě nevíme, která z nich bude fungovat lépe, ale předpokládáme, že budou existovat KPI, na základě kterých budou lékaři primárně hodnoceni a podle kterých budou pravděpodobně dostávat i bonusy. Z těchto dat jim pak plynou informace o tom, jak trendují v plnění těch KPI a co by měli udělat, aby dosáhli optimálního stavu.

U jiných částí lékařského personálu, jako jsou třeba sestry, to může fungovat jinak. Data budou navázaná na procesy, které mohou souviset třeba s výdejem materiálu nebo léků. Dnes jsou sestry v podstatě slepé v tom, kolik ještě mohou vyfasovat obvazů, náplastí nebo dezinfekce, a může se stát, že jim v průběhu měsíce materiál dojde. Díky datům, která do systému přinášíme a vizualizujeme, budou v každém okamžiku měsíce vědět, kde jsou a co si ještě mohou dovolit a co už ne.

Máš pocit, že tomu pomohla covidová krize? Nebo pomáhá covidová krize v tom smyslu, že bylo nedostatek materiálu a personálu, zatížení nemocnic a efektivita byla pod velkou zkouškou? Vlastně si to vyzkoušeli – například velmi jednoduše monetizovaná vakcinace…

Pokud byste chtěl/a, mohu text ještě upravit stylisticky nebo zkrátit.

Tady je opravený text s úpravou stylistiky a gramatiky tak, aby byl plynulý a srozumitelný:

Tak to byly jednodušší zákroky, za, pokud si dobře pamatuji, zajímavé peníze, takže podobně jako u všeho ostatního vlastně peníze plynuly, a toto byla taková náplast. Máš pocit, že tato zkušenost skutečně prospěla českému zdravotnictví?

Jo, to je super poznámka, nikdy jsem o tom takhle nepřemýšlel, ale máš pravdu, že to tak skutečně může být. Vím, že pro spoustu doktorů a lékařského personálu COVID přinesl to, že se začali zajímat o data – zajímalo je, kolik udělali vakcinací, jaká je úspěšnost léčby, jak probíhá počet pacientů, o které se starají v různých odděleních. To lidi přivedlo k zájmu o data a myslím, že je to něco, na co se nyní dá docela dobře navázat.

Vím, že třeba na Bulovce je dashboard, který informuje o covidu, a je hned po dashboardu s jídelním menu v kantýně nejnavštěvovanější. Je to takový velký souboj, zda zvítězí dashboard se statistikami, nebo ten s denním menu, jestli vůbec má šanci bojovat.

Tak co vás teď čeká, jaké jsou další kroky? Doděláváte model, budete se více věnovat nějakým specifickým příkladům užití a hypotézám, o kterých jsi mluvil? Jak to plánujete časově?

Ještě nějaký čas potrvá dodělat model, naplnit ho daty a provést první analýzy. Výsledkem těchto analýz by měly být poznatky o tom, jak efektivní jsou jednotlivé typy péče, jak efektivní jsou jednotlivé ambulance nebo kliniky. Z těchto poznatků bychom měli být schopni vyvodit doporučení – například jakou ordinační dobu klinik zkrátit nebo rozšířit, aby byly optimálně využity prostředky i kapacita personálu. Může to také znamenat, že některé týmy bude potřeba posílit, zatímco někde bude potřeba určitou péči zredukovat, protože není tolik potřebná.

Co vás ještě v Nymburce čeká? Mluvil jsi o dokončení modelu a následné adopci?

Na začátku jsem zmínil tři datové problémy, které nemocnice řeší: vykazování pojišťovnám, porozumění ekonomice jednotlivých nemocničních případů a adopce. Teď nás čeká adopce. Jakmile ji zvládneme a systém začne fungovat, bude dalším krokem využití tohoto potenciálu a rozšíření celého řešení do českého státem hrazeného zdravotnictví. Cílem je, aby co nejvíce nemocnic bylo schopných tato data a informace využívat, řídit svoji činnost, ekonomiku a rozvoj. To je podle mě ultimátní cíl, který nám tento projekt pomůže naplnit – nebo alespoň položit jeho stavební kámen.

Budu vám moc držet palce. Jak se od té doby, co jsi do toho procesu vstoupil, změnil tvůj pohled na sebe jako na pacienta? Máš pocit, že když přijdeš do nemocnice, tak nemají dobré řízení nákladů, plýtvají drahými přístroji, nebo naopak?

Dobrá otázka. Vždycky, když jsem někde v nemocnici, podívám se na vývěsku nemocnice, protože většina z nich má nějaké grafy a informace o tom, jak se nemocnici daří – například růst počtu pacientů a podobně. Už podle toho, jak grafy vypadají a co tam je…

Pokud chceš, mohu pokračovat v úpravě poslední věty, která není dokončená.

Jasně, tady je opravený text s lepší plynulostí a správnou gramatikou:

Nakonec ukazují, zjistíš, myslím, docela dost o tom, jak se tam lidi k těm datům stavějí. To je moc hezké. Od této chvíle se naši posluchači budou dívat víc na vývěskách v nemocnicích. Děkuju moc za sdílení tvého know-how a tvoji dnešní návštěvu, Tomáši. Přeju jak tobě, tak našim posluchačům, aby se pacientsky museli s nemocnicemi potýkat co nejméně a našim nemocnicím, aby byly co nejefektivnější a nejmodernější. Díky moc. Díky, Jirko. Taky ti přeju, ať do nemocnic nemusíš příliš chodit, a ještě jednou děkuji za pozvání. Díky, že jste doposlouchali Data Talk až sem. Jak se vám tahle epizoda líbila? Co byste na našem podcastu zlepšili? Koho pozvat příště? Dejte mi prosím vědět, co si myslíte. A to můžete buď osobně na příštím Data Mesh Meetupu nebo hned teď na mail jirka@datatalk.cz. A pokud se vám tahle epizoda líbila, doporučte ji prosím dál. Klikněte na srdíčka, na hvězdičky…

Dávejte subscriby, ať nám svítí dashboardy zeleně, křivky dělají hokejku a všichni stakeholderi schvalují extrabudget. Ještě jednou vám děkuji. Poděkování patří také mým kolegům, Nikovi a Iris, stejně jako členům našeho partnerského klubu – Big Hubu, Deep Note, Atakamě a Mantě. Pokud máte návrhy, nějaké tipy na hosty nebo témata, děláte vlastní event, nebo byste chtěli datovou komunitu podpořit jinak, určitě mi dejte vědět. Díky. Nechť vás provází data.

Pokud chceš, mohu text ještě víc formálně upravit nebo zjednodušit.