Improving the Quality of Primary Healthcare Processes through a Diagnostic Algorithm

Abstract

Around the world, the costs in the healthcare sector are increasing abruptly, and the countries face a growing challenge in coping with them properly. Some of the reasons for the fast increase in healthcare costs are the aging population, increased demand for healthcare services, and the absence of knowledge on how much it costs to deliver patient care. The growth in healthcare expenditures in Finland has increased faster than the growth in GDP. This growth is not sustainable, especially in the long run.

Among the most significant structural problems in healthcare is public and insurance-based funding, and output-based financing, which can lead to overdiagnoses, overtreatments, medicalization, and cost inflation. This is one of the reasons there is a widespread discussion that the healthcare systems should be transformed into value-based systems. The main idea of value-based healthcare is to simultaneously improve the effectiveness and the cost-efficiency of the systems.

It is crucial to find effective solutions and methods to improve both effectiveness and cost-efficiency in the healthcare sector. Artificial intelligence and machine learning have a vast potential in changing the mechanisms in healthcare into more efficient ones. For example, artificial intelligence -based diagnostic algorithms are entering the healthcare market. This study analyzes the performance of such a diagnostic algorithm of the Finnish start-up.

One of the goals of this study was to create a measurement framework for evaluating the performance of triage, which is the process of determining the priority of patients’ treatments based on the urgency and severity of their condition, and providing them with the appropriate care path. It was created with the help of the literature review and short interviews. The main metrics chosen were: visit distribution, cost analysis, throughput time, quality of triage, customer experience, and outcomes.

Another goal of this paper was to analyze how can artificial intelligence -based diagnostic algorithm improve the performance of healthcare services. The data for the analysis was provided by one of the health centers, which is located in the Helsinki Metropolitan area. The analysis was done with two diagnosis groups: related to the respiratory system and stomach issues. The study was limited to simulation study utilizing real-world data, but still, the overall performance accuracy would be around 80%, if certain conditions were met. The physical appointments were estimated to be avoided in around 30% of respiratory-related diagnosis cases. The average cost-saving potential was 16%, which would result in cost savings of 82,5 million euros in Finland in one year only.

Terveydenhuoltosektorin kustannukset ovat nousemassa nopeasti ympäri maailmaa, ja maat kohtaavat kasvavia haasteita hillitä niitä. Terveydenhuollon kustannusten nopeaan nousuun ovat syinä mm. väestön ikääntyminen, lisääntynyt terveydenhuoltopalveluiden kysyntä ja tiedon puute potilaan hoidon todellisista kustannuksista. Terveydenhuollon kustannusten kasvu on noussut Suomessa nopeammin kuin BKT:n kasvu, mikä ei ole kestävää etenkään pitkällä tähtäimellä.

Yksi merkittävimmistä terveydenhuollon rakenteellisista ongelmista on julkinen, vakuutuspohjainen ja suoriteperustainen rahoitus, mikä voi johtaa ylidiagnooseihin, ylihoitoihin, medikalisaatioon ja kustannusinflaatioon. Tämä on yksi syy siihen, jonka takia keskustellaan laajasti siitä, että terveydenhuoltojärjestelmiä tulisi kehittää vaikuttavuusperusteisiksi terveydenhuoltojärjestelmiksi. Vaikuttavuusperusteisen terveydenhuollon pääideana on parantaa samanaikaisesti järjestelmän vaikuttavuutta ja kustannustehokkuutta.

On ratkaisevan tärkeää löytää tehokkaita ratkaisuja ja menetelmiä kustannustehokkuuden parantamiseksi terveydenhuoltoalalla. Tekoälyllä ja koneoppimisella on valtava potentiaali muuttaa terveydenhuollon mekanismeja tehokkaammiksi. Esimerkiksi tekoälyyn pohjautuvat diagnosointialgoritmit, ovat tulossa terveydenhuollon markkinoille. Tässä tutkimuksessa analysoidaan suomalaisen startup-yrityksen diagnosointialgoritmin suorituskykyä.

Yksi tutkimuksen tavoitteista oli luoda triagen eli potilaiden hoitoonohjauksen suorituskyvyn mittaristo. Se luotiin kirjallisuuskatsauksen ja lyhyiden haastattelujen avulla. Tärkeimmät valitut mittarit olivat: käyntijakauma, kustannusanalyysi, läpimenoaika, triagen laatu, asiakaskokemus ja tulokset.

Tutkimuksen toisena tavoitteena oli analysoida, miten tekoälyyn pohjautuva diagnoosialgoritmi voi parantaa terveydenhuollon palvelujen suorituskykyä. Data analyysiä varten oli saatu yhdeltä pääkaupunkiseudulla sijaitsevalta terveyskeskukselta. Analyysi tehtiin keskittyen kahteen diagnoosiryhmään: hengitysteihin ja vatsavaivoihin liittyviin. Tutkimus rajoittui simulaatiotutkimukseen tosielämän dataa käyttäen, mutta, tästä huolimatta, kokonaissuorituskyvyn tarkkuus olisi noin 80% tietyin edellytyksin. Fyysisiä tapaamisia algoritmi ehdotti vältettävän noin 30% hengitysteihin liittyvissä diagnoositapauksissa. Keskimääräinen kustannussäästöpotentiaali oli 16%, mikä johtaisi 82,5 miljoonan euron kustannussäästöihin Suomessa yhdessä vuodessa.