สำหรับแผนกที่ถือเป็นขาเข้าของโรงพยาบาล เช่น ER, OPD, Admission Unit ฯลฯ กิจกรรมการ “แอบดูเตียง IPD” ถือเป็นกิจวัตรปกติที่ต้องทำเพื่อใช้ในการบริหารจัดการเตียง ทุกวันจึงมีคำถามว่า:
วันนี้มีเตียงไหม?
วันนี้จะมีเตียงเมื่อไหร่?
คนไข้น่าจะได้เตียงในวันนี้ไหม?
ทั้งหมดเป็นคำถามที่หน้างานล้วนอยากทราบ
แต่การหาคำตอบไม่ง่ายเลยค่ะ
สมัยก่อนที่เราจะใช้ HIS กระบวนการหาคำตอบ อาจได้จากโทรศัพท์สอบถาม ซึ่งก็ต้องทำทีละหอผู้ป่วย หรือหากโชคดีหน่อยมีหน่วยนอนโรงพยาบาล หน่วยงานดังกล่าวอาจมีข้อมูลในมือบ้าง แต่สุดท้ายก็ต้องใช้กระบวนการสอบถามย้อนไปย้อนมาอยู่ดี
เมื่อเข้าสู่ยุค HIS กระบวนการหาคำตอบดังกล่าวนี้เริ่มเปลี่ยนไปตามยุคสมัย จะมีการ “แอบดูเตียง” แบบใดบ้าง วันนี้เรามาดูไปพร้อมกันค่ะ
—
แอบดูเตียงในสมัย HIS
เมื่อเข้าสู่ยุค HIS ผู้ป่วย admit ทั้งหมดจะมีชื่อขึ้นในระบบ แยกตามหอผู้ป่วย สามารถเรียกดูได้
หน้างานขาเข้าของโรงพยาบาล จึงใช้ฟังก์ชันนี้คาดคะเนว่า หอผู้ป่วยหนาแน่นเพียงใด จะมีเตียงว่างเพิ่มไหม โดยไม่จำเป็นต้องโทรศัพท์กลับไปกลับมา ตัดภาระงานยิบย่อยออกไป
เวลาผ่านไป HIS มีการปรับปรุงหน้าตาแสดงผล เริ่มมีข้อมูลเพิ่มเติมที่สามารถเรียกดูได้ ไม่ว่าจะเป็น Length of Stay, วินิจฉัย, หรือบางกรณีบอกได้ถึงขั้นสถานะเตรียม discharge
ทั้งหมดกลายเป็นข้อมูลสำคัญ ไม่เพียงสำหรับหน้างาน แต่สำหรับผู้ป่วยและญาติ ในการประเมินและการตัดสินใจตัวเลือกการรักษา โดยเฉพาะในกรณีที่อาจต้องรีเฟอผู้ป่วยออก และจำต้องหาโรงพยาบาลรองรับแต่เนิ่นๆ
ถึงจุดนี้จะเห็นได้ว่า HIS ช่วยลดภาระงานให้เราไปมาก แต่คำถามสำคัญถัดมา “จะดีกว่านี้” ได้อีกหรือไม่
—
ดีกว่านี้ได้หรือไม่ อนาคตของระบบการหาเตียง
ก่อนหน้านี้ผู้เขียนได้อ่านหนังสือเล่มหนึ่ง กล่าวถึงโจทย์สำคัญๆในวงการคอมพิวเตอร์
สมมติว่าเราขับรถไปห้างและต้องการหาที่จอด เส้นทางการหาที่จอดรถเป็นทางเดียวย้อนกลับไม่ได้ หากถึงปลายทางแล้วยังไม่มีที่จอดก็ต้องออกไปถนนใหญ่ ซึ่งคงไม่มีใครอยากไปถึงขั้นนั้น
ระหว่างทางเราเจอที่จอดว่างอยู่บ้าง แต่เราก็อยากได้ที่จอดที่ใกล้ทางเข้าห้าง แต่ก็ไม่แน่ใจนักว่าที่จอดที่เจอนั้นดีพอแล้วหรือยัง
คำถาม : เราจะหยุดที่ช่องจอดไหนดี
ท่านผู้อ่านไม่ต้องคิดหาคำตอบกันจริงๆนะคะ โจทย์ด้านบนเป็นปัญหาที่มีชื่อเสียงในวงการคอมพิวเตอร์ ที่นักวิชาการต่างก็หาอัลกอริทึมมาแก้ปัญหา สำหรับพวกเราชาวสาธารณสุข คิดมากไปก็ปวดหัว(อย่างน้อยก็คนเขียนค่ะ) แต่เราจะเห็นความคล้ายกันบางอย่างในโครงสร้างปัญหา
สมมติว่าเรามีผู้ป่วยคนหนึ่ง ต้องหาเตียง admit ให้ได้ แต่เตียงเต็ม ไม่แน่ใจว่าเย็นนี้จะว่างไหม จึงพยายามติดต่อรีเฟอร์ไปยังโรงพยาบาลต่างๆ แต่เมื่อมีโรงพยาบาลติดต่อกลับมาว่ารับ ผู้ป่วยและญาติกลับไม่มั่นใจ ไม่แน่ใจว่าโรงพยาบาลที่ดีกว่าซึ่งยังไม่ตอบกลับมานั้น เขาจะตอบรับหรือไม่ หรือแท้จริงแล้วหากรออีกสักนิด เตียงของโรงพยาบาลเราก็จะว่างลง แล้วก็จะ admit ที่นี่ได้ แต่หากไม่ตอบรับ ปล่อยเตียงนี้ไป สุดท้ายอาจจะไม่ได้เตียงที่ไหนเลย
ฟังๆดู ก็มีความคล้ายคลึงกันอยู่นะคะ
อย่างไรก็ดี ปัญหาดังกล่าวนี้มันยากเพราะเราไม่รู้ “ความน่าจะเป็นของแต่ละคำตอบ” ค่ะ
กลับกันหากเราพอจะบอกได้ว่า อีก 3 ชั่วโมงเตียงของเราน่าจะว่างถึงคิวของผู้ป่วยรายนี้ 80% แบบนี้เราเป็นญาติก็รอนะคะ แต่ถ้ารออีก 10 ชั่วโมง เตียงก็ยังเต็มแน่นอน เราก็มั่นใจแล้วว่า คงต้องหาโรงพยาบาลอื่นไป
แน่นอนว่า ความน่าจะเป็นดังกล่าวนี้ ยังไม่มีใน HIS รุ่นไหนนะคะ(เท่าที่ทราบ) แต่การที่เรามีข้อมูลที่จำเป็นต้องใช้ ไม่ว่าจะเป็นจำนวนเตียงที่รอ discharge, สถานะของเตียงนั้นๆว่าอยู่ที่จุดไหนของกระบวนการ discharge, ค่าเฉลี่ยเวลารอคอย discharge, ไปจนถึงข้อมูลฝั่งคนรออย่างเป็นคิวที่เท่าไหร่ในแถว และเทคโนโลยีอย่าง machine learning แล้ว
ฟังๆดูแล้ว อนาคตคงอยู่อีกไม่ไกลค่ะ
—
คิดต่อไปอีกนิด หากทุกโรงพยาบาลมีระบบคำนวณความน่าจะเป็นของการได้เตียง ย่อมสามารถรวมศูนย์ จัดทำเป็นระบบกระจายเตียงในภาพใหญ่ ระบบรีเฟอร์น่าจะพัฒนาขึ้นไปอีกขั้น
จากเดิมที่เหมือนวัดใจ ว่าใครจะรับเคสไป แล้วต้นทางเตียงจะเปิดไหม หรือต้องถกเถียงแย่งชิงกัน ก็จะกลายเป็นระบบคิวและความน่าจะเป็นแทนไป
อันที่จริงประเทศไทยมีนโยบายเตียง 2 แบบนะคะ แบบเตียงเต็ม (โรงเรียนแพทย์, โรงพยาบาลที่ตั้งเพื่อจุดประสงค์พิเศษ, โรงพยาบาลในเขต กทม. บางโรง) และระบบรับไม่อั้น (โรงพยาบาลรัฐตามภูมิภาค) ทำให้เกิดภาระงานที่หนักไม่เป็นเนื้อเดียวกัน นอกจากนั้น ในกลุ่มโรงพยาบาลที่รับไม่อั้น ยังมีปัญหากระจายผู้ป่วยและภาระงาน
วันหนึ่งหากเรามีระบบคิวและระบบคำนวณความน่าจะเป็นในการได้เตียงจริงๆ คงช่วยลดภาระงานยิบย่อยลงได้มาก บรรยากาศการทำงานคงจะดีและสนุกสนาน และอาจช่วยกระจายภาระงาน ให้เท่าเทียมเป็นเนื้อเดียวกันมากขึ้น
สำหรับผู้อ่านที่ต้องการพัฒนา IPD ให้มีประสิทธิภาพมากยิ่งขึ้น สามารถดูรายละเอียดเพิ่มเติมของ Cortex IPD Paperless ได้ที่ : https://www.hlabconsulting.com/ipdpaperless
Comments