Improving Hospital Process Management through Process Mining: A Case Study on COVID-19 Clinical Pathways
यह अध्ययन प्रदर्शित करता है कि कैसे 'कोविड डेटा फॉर शेयर्ड लर्निंग' (COVID Data for Shared Learning) डेटासेट पर लागू प्रोसेस माइनिंग, कोविड-19 क्लिनिकल पाथवे को पुनर्गठित और विश्लेषित कर सकता है ताकि देखभाल की परिवर्तनशीलता और परिणामों के चालकों को प्रकट किया जा सके, जिससे अस्पताल के शासन, ट्राइएज मानकीकरण और क्षमता नियोजन के लिए कार्रवाई योग्य अंतर्दृष्टि प्राप्त हो सके।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि एक अस्पताल एक विशाल, हलचल भरे रेलवे स्टेशन की तरह है। हर दिन, हजारों यात्री (मरीज) आते हैं, चेक किए जाते हैं, अलग-अलग ट्रेनों (वार्ड या आईसीयू) में सवार होते हैं, और अंततः निकल जाते हैं। आमतौर पर, स्टेशन मैनेजर केवल अंतिम टिकट बिक्री रिपोर्ट देखते हैं: "कितने लोग गए? कितने की मृत्यु हुई? अभी यहाँ कितने हैं?" वे वास्तव में यह नहीं देख पाते कि लोग स्टेशन के माध्यम से कैसे आगे बढ़े, वे कहाँ फंस गए, या क्यों कुछ ट्रेनें देरी से चलीं।
यह शोध पत्र एक स्मार्ट कैमरा सिस्टम लगाने जैसा है जो हर यात्री द्वारा उठाए गए हर कदम को रिकॉर्ड करता है। लेखकों ने प्रोसेस माइनिंग (Process Mining) नामक एक विशेष तकनीक का उपयोग किया ताकि अस्पताल के बिखरे हुए और अस्त-व्यस्त रिकॉर्ड को कोविड-19 मरीजों के वास्तविक सफर के एक स्पष्ट, चलते-फिरते 'मूवी' में बदला जा सके।
यहाँ उनके द्वारा की गई खोजों की कहानी दी गई है, जिसे सरल रूप में समझाया गया है:
1. मिशन: अव्यवस्थित डेटा की सफाई करना
शोधकर्ताओं ने कच्चे डेटा के एक विशाल ढेर (4,479 मरीजों का "CDSL डेटासेट") से शुरुआत की। इस डेटा को छह अलग-अलग नोटबुक की तरह समझें जिन्हें विभिन्न कर्मचारियों द्वारा रखा गया था: एक जनसांख्यिकी (demographics) के लिए, एक निदान (diagnoses) के लिए, एक महत्वपूर्ण संकेतों (vital signs) के लिए, एक दवाओं के लिए, आदि। ये आपस में बात नहीं करते थे और समय भी कभी-कभी गड़बड़ था (जैसे कि प्रस्थान का समय आगमन के समय से पहले लिखा होना!)।
लेखकों ने एक डिजिटल असेंबली लाइन (पाइपलाइन) बनाई ताकि:
- इन छह नोटबुक को प्रत्येक मरीज के लिए एक एकल टाइमलाइन में जोड़ा जा सके।
- असंभव समय (जैसे कि मरीज के पहुँचने से पहले निकल जाने) को ठीक किया जा सके, इसके लिए सबसे निकटतम तार्किक समय का उपयोग किया गया।
- इसे एक साफ "इवेंट लॉग" (घटना क्रम) में बदला जा सके जिसे कंप्यूटर एक कहानी की तरह पढ़ सके।
2. तीन बड़े सवाल जो उन्होंने पूछे
उन्होंने इस साफ डेटा का उपयोग करके तीन विशिष्ट प्रश्नों के उत्तर दिए:
- RQ1 (नक्शा): इमरजेंसी रूम (ER) से अस्पताल के वार्ड तक मरीजों के जाने का सबसे सामान्य रास्ता क्या है, और वे कहाँ फंस जाते हैं?
- RQ2 (नियम पुस्तिका): क्या मरीज वास्तव में अस्पताल के "नियमों" का पालन करते हैं, या वे अजीब शॉर्टकट लेते हैं?
- RQ3 (परिणाम): मरीज की उम्र या कितनी बार उनकी जांच की गई, जैसे कारक इस बात को कैसे प्रभावित करते हैं कि वे घर वापस जाते हैं या उनकी मृत्यु हो जाती है?
3. उन्होंने क्या खोजा
"ट्रेन ट्रैक" (RQ1):
उन्होंने यात्रा का एक बहुत ही स्पष्ट "बैकबोन" पाया। अधिकांश मरीज इस मार्ग से गए: ER → अस्पताल का वार्ड → डिस्चार्ज।
- दिनचर्या: सबसे आम गतिविधि कोई सर्जरी या टेस्ट नहीं थी; वह थी "वाइटल्स चेक करना" (Check Vitals)। यह एक ट्रेन द्वारा हर स्टेशन पर दबाव गेज चेक करने के लिए रुकने जैसा है। यह पूरे प्रवास के दौरान लगातार होता रहा।
- विचलन (Detour): लगभग 8% मरीजों को ICU (इंटेंसिव केयर यूनिट) की ओर विचलन लेना पड़ा। यह आमतौर पर ER में लंबे इंतजार के बाद हुआ, जिससे पता चला कि ER अक्सर वह "बॉटलनेक" (रुकावट) था जहाँ दबाव बढ़ जाता था।
नियम पुस्तिका की जाँच (RQ2):
उन्होंने एक "नियम पुस्तिका" (डिक्लेरेटिव मॉडल) बनाई जिसमें कहा गया था, "आपको ER छोड़ने से पहले ट्राइएज (Triage) किया जाना चाहिए" और "आपको अस्पताल छोड़ने से पहले मॉनिटर किया जाना चाहिए।"
- अच्छी खबर: मरीजों ने ज्यादातर इन नियमों का पालन किया।
- बुरी खबर: उल्लंघन आमतौर पर डॉक्टरों द्वारा चरणों को छोड़ने के कारण नहीं थे। उल्लंघन कागजी कार्रवाई की गलतियों के कारण थे। कभी-कभी कंप्यूटर को लगता था कि मरीज के आने से पहले ही उसकी निगरानी की जा रही थी क्योंकि घड़ी का समय गलत सेट था। इसने अस्पताल को बताया: "आपकी घड़ियाँ और नोट लेने का तरीका अधिक सुसंगत होना चाहिए, खासकर उन मरीजों के लिए जो जल्दी ER से निकल जाते हैं।"
"मौसम का पूर्वानुमान" (RQ3):
उन्होंने देखा कि मरीज की पहचान के आधार पर यात्रा कैसे बदलती है।
- आयु: जैसे-जैसे मरीज की उम्र बढ़ी (विशेष रूप से 70 से ऊपर), खराब परिणाम की संभावना बढ़ गई।
- ICU कारक: जो मरीज ICU में गए, उनकी मृत्यु दर बहुत अधिक थी, जो स्वाभाविक है क्योंकि वे पहले से ही अधिक बीमार थे।
- "बहुत अधिक जांच" का विरोधाभास: उन्होंने पाया कि मरीजों की जांच कितनी बार की जाती है, इसके बारे में एक दिलचस्प बात है।
- जो मरीज दिन में 4-5 बार चेक किए गए, उनका परिणाम अच्छा रहा।
- जिन मरीजों को दिन में 6 बार से अधिक चेक किया गया, उनके परिणाम वास्तव में बदतर थे।
- क्यों? ऐसा नहीं है कि बहुत अधिक जांच करने से उन्हें नुकसान पहुँचा। बल्कि, डॉक्टर केवल सबसे बीमार मरीजों को ही इतनी बार चेक करते थे। उच्च आवृत्ति (frequency) एक "तूफानी मौसम" वाले मरीज का संकेत थी, न कि तूफान का कारण।
4. अस्पताल प्रबंधकों के लिए इसका क्या अर्थ है
लेखक सुझाव देते हैं कि अस्पताल के बॉस इस "मूवी" का उपयोग बेहतर निर्णय लेने के लिए कर सकते हैं, लेकिन केवल विशिष्ट तरीकों से:
- हैंडऑफ (Handoff) को सुधारें: ER से वार्ड में संक्रमण वह जगह है जहाँ कागजी कार्रवाई गड़बड़ होती है। उन्हें मरीजों को आगे भेजने की प्रक्रिया को मानकीकृत करने की आवश्यकता है।
- "इवेंट डेंसिटी" पर नज़र रखें: यदि प्रति दिन जांच (वाइटल्स, लैब) की संख्या अचानक बढ़ जाती है, तो यह संकेत है कि अस्पताल पर भारी दबाव है। प्रबंधक इसका उपयोग यह जानने के लिए कर सकते हैं कि कब अधिक स्टाफ बुलाना है।
- स्मार्ट ट्राइएज: वे आयु और मरीज कितना बीमार है (ICU एक्सपोजर) के आधार पर यह तय करने के लिए उपयोग कर सकते हैं कि किसे उच्च स्तर की देखभाल की ओर तेजी से ले जाने की आवश्यकता है।
निष्कर्ष
यह शोध पत्र कोई नई दवा या नई चिकित्सा प्रक्रिया का आविष्कार नहीं करता है। इसके बजाय, यह दिखाता है कि अस्पताल के संचालन की डेटा की सफाई कैसे करें और उस 'मूवी' को कैसे देखें। ऐसा करके, उन्होंने सिद्ध किया कि:
- अधिकांश मरीज एक अनुमानित पथ का पालन करते हैं, लेकिन ER एक व्यस्त रुकावट (bottleneck) है।
- सबसे बड़ी समस्याएँ चिकित्सा संबंधी गलतियाँ नहीं, बल्कि घड़ी और कागजी कार्रवाई की त्रुटियाँ हैं।
- आप उम्र और कितनी तीव्रता से निगरानी की जा रही है, इसे देखकर भविष्यवाणी कर सकते हैं कि कौन जोखिम में है।
लेखक निष्कर्ष निकालते हैं कि यदि अस्पताल इस "प्रोसेस माइनिंग" दृष्टिकोण का उपयोग करते हैं, तो वे केवल अनुमान लगाने के बजाय यह सटीक रूप से जानने की ओर बढ़ सकते हैं कि ट्रैफिक जाम कहाँ है और उन्हें केवल अंतर्ज्ञान (intuition) के बजाय साक्ष्यों के साथ ठीक कर सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।