医疗保健和生命科学行业图分析图数据库应用，打造会员360，控制不断上涨的成本

图分析在医疗保健和生命科学中的应用

使用图分析和 AI 转变医疗保健和生命科学行业

Graph+AI峰会

0 T $

2018年美国医疗费用猛增至3.65万亿美元

0 %

未来十年美国医疗费用的年增长率

0 X

到2040年人均医疗费用将翻倍

图数据库的高级分析将改变医疗保健行业

通过理解关系来控制不断上涨的医疗保健成本

医疗保健行业正在寻找控制成本上升的方法。为了最大限度地节省开支，各方都必须了解患者和医生之间的关系，尤其是当它们与患者的健康之旅有关时。当前用于存储和分析医疗保健数据的大部分工具都建立在关系数据库之上。这些数据库将每个实体（例如患者、医生、索赔和治疗设施）的数据存储在单独的表甚至单独的数据库中。为了连接和理解这些实体之间的关系，必须将所有这些表或数据库连接在一起。随着数据规模和复杂性的增长，数据库表连接变得耗时且计算成本高，从而使关系数据库成为理解和分析关系的不切实际的解决方案。使用图数据库是一种更具成本效益的解决方案。

停止猖獗的浪费和滥用/欺诈

另一个重要的当务之急是猖獗的浪费和滥用或欺诈。 2018 年 3 月，Kaiser Health News 分享了一段 YouTube 视频，展示了一个不择手段的实验室如何以 1,845 美元的价格进行简单的尿液检测，并通过大量不必要的检测来填补账单。与医疗保健相关的欺诈估计占总成本的 3%-10% 左右，并且还在上升。
发现这些欺诈活动需要分析有关患者、药物治疗中心以及转诊医生的内部数据，并将其与外部数据（例如最近使用的地址和电话号码）联系起来，以找出患者、医生和药物治疗机构之间的隐性联系。

提高会员满意度和NPS (净推荐值，又称口碑)

第四大要务是了解影响患者对所提供服务满意度的关键因素。患者的行为是一个很好的指标，表明他们对所提供的医疗服务的满意度。例如，他们是否经常打电话给客户服务部处理问题？他们是否需要多次打电话或联系来解决一个问题？他们是否错过或取消了与主治医生或专家的多次预约？他们是否按时重新配药？为了衡量患者的满意度和NPS，医疗服务提供者和支付者必须在所有的护理渠道和服务中建立和维护会员360。

TigerGraph 支持打造实时的患者和医生 360 度视图

构建和维护实时的患者和医生 360 度视图非常具有挑战性。它需要组合三种类型的数据。其中第一个是关于患者、医生、医疗保健提供者、医院及其各种设施的主数据。第二种数据是交易数据，包括医疗保健索赔和支付以及患者的电子健康记录。最后，第三种数据是历史数据——存储在数据仓库和海量 Hadoop 数据湖中的 PB 级信息。所有这些内部数据都必须与合作伙伴的数据相结合，如医院以及公共数据源。

TigerGraph为医疗行业提供七个关键的数据科学能力

TigerGraph 为医疗保健行业提供七项数据科学功能，以构建患者和医生的实时 360 度视图，并支持四项战略要务。

#1 - 通过深度链接分析发现欺诈和滥用行为

深度链接分析指的是查看数据中多个（通常超过三个）连接的能力。考虑一位医生，他将大部分患者转介到专门治疗阿片类药物成瘾的特定药物滥用治疗中心。乍一看，药物滥用治疗中心和医生之间似乎没有联系，传统的欺诈解决方案无法根据医生和治疗中心可用的信息发现任何异常。然而，TigerGraph 可以从 Thomson Reuters 或 Dun & Bradstreet 等第三方来源挖掘数据，以找到治疗中心的所有已知管理员及其当前和以前的地址。例如，此分析可能会发现管理员的先前地址之一与将患者转介到治疗中心的医生的地址相同。为了检测医生和管理员之间的这种隐藏关系，需要针对患者就诊的医生和同一患者对治疗中心的索赔数据进行八跳的深度链接查询，并将其与地址和电话号码等第三方知识库数据相结合，来查找共谋。

#2 - 通过实体和模式匹配提高护理质量

多维实体和模式匹配是指理解不同数据类型之间连接模式的重要性，并在数据集中寻找相似模式。我们来看看一位最近接受了膝盖手术的老年患者 Doris 的旅程。手术后，Doris 去看了她的医生，医生检查了她的膝盖并建议进行 4 周的物理治疗。然而，Doris 连续两周错过了她的预约，也错过了与她的医生安排的第二次术后咨询。几个月后，并发症产生了，Doris 的膝盖不得不再次接受手术。通过将这种模式与其他患者的旅程相匹配，TigerGraph 可以使医疗保健提供者和保险公司能够采取积极行动来提供支持和帮助，并确保这些患者能够按时参加他们的理疗会议和术后会议，避免出现不良健康后果。

#3 - 通过关系共性发现和计算发现推荐网络

关系共性发现和计算是指了解不同实体之间的扩展关系。

在这个例子中，两个医生，全科医生Dr. Douglas Thomas和介入心脏病专家或外科医生Dr. Helen Su通过他们的共同患者和索赔联系起来。

Dr. Douglas Thomas 和 Dr. Helen Su 之间建立了一条转诊的边，这条边携带重要信息，例如转诊患者的数量，以及与转诊患者相关的医疗条件组或代码（例如 ICD10 代码）。

#4 - 通过中心和社区检测寻找影响力中心

中心和社区检测有两个步骤：第一步是找到最有影响力的医生（中心），该医生拥有特定健康状况的最大转诊量，如心脏护理或糖尿病管理或特定类型的药物（如治疗高血压的药物）；第二步是建立一个连接医生和利用医生服务的患者社区。

考虑一个例子，如图所示，它建立在Dr. Douglas Thomas和该地区其他几个医生之间的转诊关系上，由关系共性和计算建立的。
PageRank 算法用于对所有医生进行排名，推荐次数最多的医生得分最高。 PageRank 为 3.9 的 Dr. Douglas Thomas是该网络中最具影响力的医生。

下一步是建立多个有联系的医生社区，并了解每个社区所消费的医疗保健产品和服务。TigerGraph的开源图算法库包括多种PageRank和社区检测算法，以提供这一功能。

根据这些洞察力，医疗支付方可以开始了解哪些转诊网络或社区或医生在为类似患者提供医疗服务的成本方面高于平均水平，而哪些转诊网络或社区或医生在为患者提供类似医疗服务时效率更高，同时成本低于平均水平。

#5 - 通过地理空间图分析了解医生覆盖范围

地理空间图分析是指识别与物理位置有关的数据之间的联系。例如，地理空间分析可以分析每个医疗机构所覆盖的病人的分布，以及在地理上连接的医疗机构社区。

#6 - 通过时间序列分析提高护理质量，同时降低成本

时间（时间序列）图分析是指分析实体之间随时间变化的联系。考虑显示老年患者 Doris 的会员旅程的示例。时间分析使提供者能够一目了然地看到与Doris 相关的所有信息，并确定提高护理质量的机会。例如，当使用实体和模式匹配以找到相似的患者时，时间序列图分析可以为护理团队提供有关错过术后预约的患者的信息。 TigerGraph 可以让护理团队采取主动行动来提供支持和帮助，并确保患者继续致力于他们的康复计划。

#7 - 通过机器学习和可解释的 AI 提高欺诈检测的准确性

机器学习特征生成是指识别重要数据关系并将这些特征用作训练人工智能的资源，以在无需人工干预的情况下大规模识别相似特征的能力。
考虑图中显示的示例，其中计算了几个基于图的特征，以评估医生是低风险的“好医生”还是高风险的“坏医生”。这些基于图的“好医生”和“坏医生”的机器学习特征是为每个医生生成的，并作为训练数据输入到机器学习解决方案中。
它们也用于可解释的 AI。当非技术用户想知道为什么某个医生被标记为“坏医生”时，基于图的特征可以提供清晰易懂的解释。