Kako s podatki, KPI in umetno inteligenco izboljševati kakovost v zdravstvu?

Andrej Starc je izredni profesor na Zdravstveni fakulteti, ki pri poučevanju sistematično povezuje teorijo z realnimi izzivi zdravstvene prakse. Njegovo delo temelji na uporabi podatkov, analitičnih pristopov in projektnega učenja, pri čemer študente spodbuja k aktivni vlogi pri izboljševanju kakovosti. Pri poučevanju uporablja različna digitalna orodja (npr. Moodle, MS Teams, Power BI, Excel) ter uvaja sodobne pristope, kot so obrnjeno učenje, simulacije in sodelovalno delo. Ima izkušnje z mentorstvom, povezovanjem s kliničnim okoljem in uvajanjem inovacij v pedagoški proces. V vlogi multiplikatorja želi kolegom nuditi podporo pri uvajanju podatkovno podprtih pristopov in razvijanju skupnosti prakse.

Izziv – razkorak med teoretičnim znanjem in njegovo uporabo v praksi

V praksi se pogosto pojavlja razkorak med teoretičnim znanjem in njegovo uporabo pri izboljševanju kakovosti.

Ključni izzivi so:

razdrobljeni in neenotni podatki,
pomanjkanje jasnih meril in kazalnikov (KPI),
omejene analitične veščine študentov,
težave pri pretvorbi podatkov v konkretne ukrepe.

Dodatni izziv predstavlja tudi potreba po interdisciplinarnem sodelovanju in razumevanju kompleksnih procesov v zdravstvenem sistemu.

Rešitev – sistematično delo z realističnimi podatki in preverjenimi metodami

Predlagana rešitev temelji na sistematičnem delu z realističnimi podatki in uporabi preverjenih metod za izboljševanje kakovosti.

Študenti:

analizirajo podatke iz kliničnega okolja,
uporabljajo metode (PDCA, RCA, SWOT, benchmarking, LEAN, SEIPS),
oblikujejo kazalnike uspešnosti (KPI),
razvijajo rešitve za izboljšanje procesov,
reflektirajo svoje delo skozi e-portfelj.

Umetna inteligenca se uporablja kot podpora pri analizi besedilnih podatkov in prepoznavanju vzorcev.

Kako bo potekalo delo pri posodobljenem predmetu?

Delo bo organizirano v obliki projektnega in sodelovalnega učenja:

Delo z realističnimi podatki: Analiza kliničnih zapisov, incidentov in procesnih meritev.
Uporaba metod kakovosti: PDCA cikli, analiza vzrokov, strateška orodja.
Vizualizacija podatkov: Oblikovanje KPI-dashbordov za spremljanje rezultatov.
Skupinsko delo: Reševanje problemov v interdisciplinarnih timih.
Mentorstvo iz prakse: Povezovanje s kliničnim okoljem.
E-portfelj in refleksija: Dokumentiranje napredka in učenja.
Vrednotenje: Na podlagi projektov, medvrstniškega vrednotenja in doseženih rezultatov.

Vloga digitalnih tehnologij

Digitalne tehnologije omogočajo podatkovno podprt in interaktiven učni proces:

umetna inteligenca za analizo besedil in prepoznavanje vzorcev,
Power BI in Excel za vizualizacijo podatkov,
LMS (Moodle, MS Teams) za organizacijo in spremljanje dela,
sodelovalna orodja (npr. Miro) za timsko delo.

Posebnost pristopa je integracija podatkovne analitike, umetne inteligence in procesnih metod za reševanje realnih problemov.

Zakaj je ta pristop zanimiv tudi za druge pedagoge?

Pristop ponuja konkreten model, kako:

razvijati podatkovno pismenost skozi realne primere,
povezati teorijo z izboljševanjem prakse,
vključiti študente v reševanje kompleksnih problemov,
uporabljati podatke kot osnovo za odločanje,
uvajati interdisciplinarno in projektno delo.

Model je posebej uporaben za področja, kjer je pomembno delo s podatki, procesi in kakovostjo ter razvoj kompetenc za odločanje v kompleksnih sistemih.