Aby chemoterapie nekončila ve 21:40.

Na Rakathonu jsme postavili plánovač pro onkologický stacionář. Chceme ho dostat do nemocnic, aby pacienti nečekali celé dopoledne a sestry neodcházely domů večer. Tady je náš plán.

Přesčas za 21 dní
442h−52 %
15:30 konec provozu
kapání v provozní době kapání po 15:30

Ilustrační výřez 12 křesel jednoho dne. Na 21 dnech dat stacionáře s 26 místy ubral plánovač 52 % přesčasu, se stejnými pacienty i sestrami.

Naše vize

Každý pacient ví předem, kdy půjde na křeslo. Každá sestra ví ráno, jak bude vypadat její den. A plán se přepočítá sám, když se cokoli změní.

Pro pacienty

Místo čekání od sedmi ráno přesný čas na křeslo v telefonu a zpráva, když se posune.

Pro sestry

Den rozložený tak, aby kapání končila v provozní době a nikdo nespouštěl pět infuzí najednou.

Pro nemocnici

Stejná křesla a stejný personál, ale méně přesčasů a přehled o kapacitě na týdny dopředu.

Proč nás to nepustí

Typický onkologický stacionář má kolem 20 křesel, pár lůžek a 6 až 8 sester. Objednává se ručně, každý lékař zvlášť. Jeden den přijde 10 pacientů, jiný 52. Ráno křesla stojí prázdná, v poledne je plno a večer se kape přesčas.

43 %

kapání v našich datech končí až po 15:30, kdy má provoz skončit

442 h

přesčasu za 21 pracovních dní na jednom stacionáři

−52 %

přesčasu s naším plánovačem, beze změny křesel i personálu

Je to skutečný problém

Za každým číslem je pacient, který sedí v čekárně od rána, a sestra, která odchází v devět večer. Tohle se nedá vyřešit tabulkou v Excelu.

Ukázali jsme, že to jde

Za jeden hackathon vznikl funkční systém a změřená úspora. Víme přesně, kde plánovač pomůže a kde už ne.

Řeší to i jiné nemocnice

Stejně se plánují stacionáře v dalších nemocnicích. A nejen onkologie: infuzní centra, biologická léčba, dialýza.

Nechceme z toho mít hezké demo, které skončí ve složce. Chceme, aby to jednou plánovalo skutečný den ve skutečné nemocnici.

Plán naší vize

Od hackathonového prototypu k systému, který plánuje provoz stacionářů v českých nemocnicích. Krok za krokem, každý s jasným výsledkem.

  1. Hotovo na Rakathonu

    Funkční prototyp

    Plánovač, web pro lékaře a sestry, aplikace pro pacienty na iOS i Android a tabule do čekárny. Běží na Azure a na realistických datech ubral 52 % přesčasu.

  2. Do půl roku

    První nemocnice a pilot

    Najdeme stacionář, který to s námi zkusí. Systém poběží v souběhu s ručním plánem, nic se nemění bez člověka. S vrchní sestrou doladíme limity sester a rezervu pro akutní pacienty.

  3. Během pilotu

    Napojení na nemocniční systém

    Přes HL7 v2 a hotový integrační modul IRIS for Health. Pacienti a objednávky přijdou z nemocničního systému, termíny se vrátí zpět. Nic se nepřepisuje ručně.

  4. Do roka

    Prokázaný přínos

    Změříme přesčasy a čekání pacientů na reálném provozu. Z historie přidáme predikci, kdo nepřijde a čí kapání se protáhne, a naplánujeme i pořadí pacientů u lékaře.

  5. Dál

    Další stacionáře a obory

    Každá nemocnice si nastaví svá křesla, sestry a provozní dobu. Díky standardu FHIR se systém přenáší bez psaní rozhraní na míru, i do dalších oborů s křesly a lůžky.

Co pro to máme

  • Technologii, kterou nemocnice znají. Data leží ve zdravotnickém standardu HL7 FHIR R4 v InterSystems IRIS for Health. Žádná vlastní databáze, kterou by bylo potřeba převádět.
  • Pravidla z praxe. Plánovač respektuje pravidla provozu, jak nám je popsala vrchní sestra ze zadání: přípravu léků v lékárně, úklid křesla, limity sester.
  • Změřený přínos. Na 674 kapáních víme, odkud úspora přichází: kontrola u lékaře den předem a vyrovnání týdne.
  • Tým, který dodal celý systém během jednoho hackathonu. Backend, plánovač, AI import karet, web a dvě mobilní aplikace.

Co ještě potřebujeme

  • Nemocnici pro pilot. Stacionář a vrchní sestru, kteří chtějí plánovat jinak.
  • Reálná anonymní data. Historii objednávek a průběhu kapání, abychom plán vyladili na skutečný provoz.
  • Mentory a partnery. Z nemocničního IT, z oblasti zdravotnických prostředků i z financování inovací ve zdravotnictví.

Co už funguje dnes

Aplikace provází celou cestu od karty režimu po poslední kapku. Algoritmus plánuje čas a kapacitu. O léčbě a dávkách dál rozhoduje lékař.

  1. Lékař

    Nahraje kartu režimu

    AI přečte kartu z Wordu, kód spočítá, jak dlouho bude pacient na křesle.

  2. Lékař

    Objedná pacienta

    Plánovač navrhne tři nejlepší dny i s důvodem: volná místa, sestry, ordinace.

  3. Vrchní sestra

    Vyrovná týden

    Přetížené dny uleví posunem části návštěv o den. Simulace „co když“ ukáže dopad předem.

  4. Sestra

    Řídí den živě

    Rozvrh křesel a lůžek, semafor po hodinách, stavy pacientů se mění v reálném čase.

  5. Pacient

    Ví, kdy přijít

    V aplikaci vidí čas na křeslo. Když se posune o víc než 15 minut, dostane SMS nebo notifikaci.

Denní přehled: rozvrh kapání na 23 křeslech
Denní přehled pro sestry. Každý řádek je jedno křeslo.
Aplikace pro pacienta: odhadovaný čas na křeslo 11:54
Aplikace pro pacienta
Upozornění na zamčené obrazovce: čas na křeslo se posunul
Upozornění na posun

Stejná data, jiný plán

Přesčaskapání po 15:30, součet za 21 dní
Ručně442 h
Plánovač210 h
Nejpozdější konecposlední kapání dne
Ručně21:40
Plánovač20:25
Dny s úplně plnou špičkouvšechna místa obsazená 11–13 h, z 21
Ručně15
Plánovač9
Překročený limit sestervíc než 2 starty na sestru za 30 min
Ručně6 dní
Plánovač0

Měřeno na stejných 674 kapáních, se stejnými 26 místy i sestrami. Data jsou syntetická, ale počty návštěv po dnech odpovídají anonymnímu exportu objednávek ze zadání hackathonu. Ověření na reálném provozu je cílem pilotu.

Zdravotnické standardy

HL7 FHIR R4 v InterSystems IRIS for Health, přihlášení přes OAuth 2.0 a OpenID Connect, audit přístupů.

Plánuje čas, ne léčbu

Režim, dávky i typ místa určuje lékař. AI jen čte karty režimů a čísla počítá kód. Data pacientů do AI neposíláme.

Chcete to s námi dotáhnout?

Hledáme nemocnici pro první pilot, mentory a partnery. Rádi vám systém ukážeme naživo a probereme, jak by fungoval u vás.

Ondraweb a backend
Tombackend a aplikace pro iOS
Radimplánovač, AI import, Android
MartinIRIS, FHIR data a Azure