3 Strategi Connected Care Eropah untuk Hospital Swasta

AI dalam Penjagaan Kesihatan (Hospital Swasta & Penyedia Kesihatan)••By 3L3C

Apa yang hospital swasta Malaysia boleh belajar daripada strategi connected care Baxter di Eropah – dan bagaimana asas data yang kukuh menjadikan AI benar-benar berguna.

AI dalam kesihatanconnected carehospital swastadigitalisasi hospitalrekod kesihatan elektronikoptimum aliran kerja klinikal
Share:

Kenapa hospital swasta perlu fikir macam Vanessa Counaert

83% negara EU sudah capai tahap kematangan eHealth yang tinggi, dan 23 daripada 27 negara memberi 80–100% rakyat akses digital kepada rekod kesihatan mereka. Atas kertas, angka ini nampak mengagumkan. Tapi realitinya, ramai doktor dan jururawat masih rasa digital hanya menambah kerja dokumentasi, bukan mengurangkan.

Ini sangat dekat dengan situasi banyak hospital swasta premium di Malaysia. Sistem AI untuk imejan perubatan, triage digital, telemedicine dan automasi aliran kerja sudah mula dilabur besar-besaran, tetapi faedah sebenar kadangkala tak selari dengan harapan awal.

Di Eropah Barat, Vanessa Counaert, Head of Connected Care untuk Western Europe di Baxter, sedang menangani jurang ini secara sangat praktikal. Pendekatan beliau tentang data, integrasi dan aliran kerja adalah cermin yang baik untuk hospital swasta Malaysia yang mahu gunakan AI dengan lebih bijak, bukan sekadar ikut trend.

Artikel ini mengupas 3 pelajaran utama daripada strategi connected care Vanessa, dan bagaimana ia boleh diterjemah terus kepada:

  • AI dalam imejan perubatan
  • Triage pesakit berasaskan data
  • Telemedicine yang benar-benar digunakan pesakit
  • Optimasi aliran kerja hospital dan tugasan jururawat

1. Masalah sebenar digitalisasi: data ada, aliran kerja tak ikut

Inti utamanya: digitalisasi tanpa integrasi aliran kerja hanya menukar kertas kepada skrin, bukan menambah nilai klinikal.

Vanessa menegaskan satu hakikat yang ramai pemimpin hospital enggan akui secara terbuka: banyak EMR dan EHR hari ini berfungsi seperti "notebook digital". Data ada, tetapi bersepah, manual, dan tidak mengalir automatik antara sistem.

Di UK, satu laporan pada 2025 menunjukkan ramai staf hanya gunakan EPR untuk fungsi paling asas, dan data sering dimasukkan di ruangan salah atau dalam format yang tidak boleh dibaca mesin. Ini secara langsung menghadkan potensi AI, analitik dan automasi.

Dalam pengalaman saya lihat projek digital di rantau ini, corak yang sama berlaku di hospital swasta:

  • EMR wujud, tetapi tidak disambungkan dengan mesin ventilator, monitor vital sign, infusion pump atau sistem PACS secara automatik
  • Data triage dimasukkan secara manual, berbeza ikut staf dan syif
  • Laporan radiologi ada dalam sistem lain, tidak dipaut kemas ke EMR dan modul AI

Akhirnya, doktor masih perlu:

  • Log masuk banyak sistem
  • Copy-paste data
  • Telefon untuk sahkan maklumat

Apa yang Vanessa tekankan

“Digitalisation sering terasa lebih fokus kepada pentadbiran daripada menyokong penjagaan harian.”

Isu utama bagi beliau ialah beban dokumentasi manual dan ketiadaan aliran data mesin-ke-mesin yang konsisten. Tanpa asas ini, sebarang projek AI hanya akan duduk di tepi – bagus di slaid pembentangan, kurang memberi impak dalam wad.

Implikasi untuk hospital swasta Malaysia

Bagi hospital yang sudah atau bakal melabur dalam AI, soalan pertama bukan “AI apa yang kita mahu beli?”, tetapi:

  1. Bagaimana data dikumpul hari ini? Manual atau automatik?
  2. Sejauh mana EMR diintegrasi dengan peralatan perubatan, RIS, PACS, LIS dan sistem telemedicine?
  3. Adakah format data konsisten dan boleh dibaca mesin (machine-readable)?

Jika jawapannya negatif, pelaburan pertama patut pergi kepada infrastruktur data dan interoperabiliti, bukan terus kepada modul AI paling canggih.

2. Kekuatan kes guna yang jelas: pengajaran dari hospital di Belanda

Inti utamanya: projek digital yang berjaya bermula dengan satu masalah klinikal yang sangat jelas, bukan dengan teknologi.

Vanessa berkongsi satu contoh yang sangat praktikal di Hospital Elkerliek di Belanda. Di jabatan neurologi, mereka menggunakan:

  • Katil pintar Baxter
  • Platform integrasi DeviceBridge
  • Sistem mobile alert hospital

Kombinasi ini digunakan untuk pencegahan jatuh bagi pesakit strok yang sedang pulih. Katil pintar memantau pergerakan pesakit. Apabila ada corak pergerakan yang menunjukkan risiko jatuh, sistem hantar notifikasi terus ke telefon jururawat:

“Pergi ke Bilik X, risiko jatuh dikesan.”

Bukan pop-up yang rumit, bukan dashboard yang perlu dicari. Hanya satu alert, terus ke aliran kerja harian mereka.

Menurut Vanessa, projek ini diterima pakai dari hari pertama kerana:

  • Masalahnya spesifik: pesakit strok berisiko jatuh
  • Aliran kerjanya jelas: alert → telefon jururawat → respon segera
  • Ia guna sistem yang sedia ada: EMR, katil pintar, mobile alert

Bagaimana prinsip yang sama boleh dipakai untuk AI di hospital swasta

Hospital swasta di Malaysia sering bermula dari teknologi:

  • “Kita mahu AI radiologi yang boleh baca CT dan MRI.”
  • “Kita mahu chatbot triage untuk semua pesakit.”

Cara yang lebih berkesan adalah meniru pendekatan Elkerliek:

  1. Pilih satu jabatan dan satu masalah klinikal yang jelas
    Contoh:

    • Jabatan kecemasan: pesakit high-risk chest pain lambat dikenalpasti
    • Radiologi: backlog report CT kepala mengambil masa > 24 jam
    • Wad perubatan: pesakit kronik kerap readmission dalam 30 hari

  2. Rangka aliran kerja yang ringkas, dari data ke tindakan
    Contoh untuk AI radiologi:

    • AI flag kes suspected stroke/ICH sebagai STAT di PACS
    • Notifikasi terus ke radiologist on-call
    • SLA: report awal dalam 15–30 minit

  3. Gunakan sistem sedia ada, jangan cipta 10 portal baru
    Integrasi ke:

    • PACS yang sedia digunakan radiologist
    • EMR yang digunakan doktor
    • Sistem notifikasi (paging, secure messaging, atau app dalaman)

  4. Ukur satu atau dua metrik yang sangat nyata
    Contoh:

    • Masa dari imbasan CT ke laporan AI-first read
    • Penurunan kadar jatuh di wad
    • Pengurangan masa menunggu pesakit telemedicine kritikal

Realitinya, projek AI yang menjadi kebiasaannya bukan yang paling “futuristik”, tetapi yang paling dekat dengan rutin klinikal harian.

3. Data sebagai asas AI: automasi kecil yang beri impak besar

Inti utamanya: sebelum fikir AI, pastikan data dikumpul secara automatik, tepat dan berstruktur.

Vanessa berkali-kali menyentuh tentang kualiti data:

  • Data tak lengkap
  • Data dimasukkan manual, penuh ralat
  • Data terasing antara sistem (silo)

Dalam dunia connected care, solusi seperti DeviceBridge wujud untuk jadikan peranti perubatan dan EMR saling bercakap secara automatik. Contoh mudah:

  • Bacaan vital sign dari monitor masuk terus ke EMR tanpa perlu jururawat tulis di kertas
  • Setting infusion pump dan volume infused direkod automatik
  • Data pernafasan dari ventilator tersedia dalam EMR dan modul analitik

Ini nampak seperti “automasi kecil”, tetapi kesannya besar:

  • Jururawat kurang menghadap skrin, lebih masa dengan pesakit
  • Data lebih konsisten dan boleh diaudit
  • AI dan analitik mempunyai bahan mentah yang kukuh

Hubungan terus dengan AI dalam imejan, triage dan telemedicine

Bagi hospital swasta yang serius tentang AI, beberapa langkah asas yang berbaloi dilabur tahun 2025–2026:

  1. Standardkan format data radiologi dan integrasi dengan EMR

    • Pastikan semua laporan radiologi menggunakan struktur yang konsisten (contoh: template structured reporting)
    • Pautkan AI radiologi terus ke PACS dan EMR, bukan portal asing
    • Simpan keputusan AI dalam bentuk yang boleh dianalisis semula (bukan sekadar PDF)

  2. Digitalkan dan strukturkan triage di jabatan kecemasan

    • Form triage perlu berada dalam EMR, dengan field standard
    • Pastikan input seperti vital sign, chief complaint, risk score mudah dibaca mesin
    • Ini membuka ruang untuk AI triage dan early warning system yang lebih tepat

  3. Satukan data telemedicine dengan rekod klinikal

    • Nota konsultasi video, prescribe ubat dan plan susulan mesti terus masuk EMR
    • Integrasi data wearables atau remote monitoring ke dalam profil pesakit

  4. Bangunkan kamus data (data dictionary) peringkat hospital

    • Tak glamor, tapi ini yang membezakan AI "menarik di demo" dengan AI yang benar-benar boleh di-scale
    • Definisikan istilah klinikal, kod diagnosis, kod prosedur, dan cara pengukuran

Pendek kata, AI yang tepat memerlukan data yang bosan tapi tersusun. Dan di sinilah connected care memainkan peranan: ia mengurangkan beban manual dan menjadikan pengumpulan data sebagai by-product kerja klinikal, bukan tugas tambahan.

4. Cara praktikal mulakan pelan connected care + AI di hospital swasta

Inti utamanya: mula kecil, fokus aliran kerja, pilih rakan teknologi yang faham klinik.

Melihat kepada pengalaman Vanessa bersama hospital-hospital Eropah, ada beberapa langkah praktikal yang hospital swasta Malaysia boleh tiru terus.

Langkah 1: Audit realiti semasa, bukan visi di slaid

Dalam 1–2 bulan pertama:

  • Peta aliran data utama: dari pesakit daftar sehingga discaj
  • Kenal pasti titik manual yang menghabiskan masa tinggi (contoh: vital sign, input triage, laporan imaging)
  • Bincang dengan jururawat dan MO di lantai: “Bahagian mana paling menyusahkan sekarang?”

Hasilnya mungkin berbeza dari tanggapan pengurusan. Ini normal, dan sebenarnya bagus.

Langkah 2: Pilih 1–2 kes guna utama

Berpandukan pendekatan spesifik Vanessa di Elkerliek, pilih:

  • Satu kes guna untuk AI klinikal (contoh: AI untuk CT brain stroke, AI untuk X-ray dada ED)
  • Satu kes guna untuk automasi admin/connected care (contoh: automasi vital sign ke EMR, sistem alert risiko jatuh)

Pastikan setiap kes guna ada:

  • Pemilik klinikal (clinical champion) yang jelas
  • Sasaran metrik yang terukur (masa, kadar ralat, outcome klinikal asas)

Langkah 3: Bina di atas sistem sedia ada

Projek paling berjaya biasanya tidak memaksa doktor dan jururawat tukar cara kerja 100%. Ia hanya:

  • Menambah automasi di belakang tabir
  • Mengurangkan klik
  • Menghantar alert yang relevan di masa yang tepat

Cari vendor atau rakan teknologi yang:

  • Faham integrasi dengan EMR, PACS, LIS dan peralatan medikal
  • Boleh menyokong standard interoperabiliti (contoh HL7, FHIR, dan standard peranti)
  • Sanggup duduk dengan pasukan klinikal untuk reka aliran kerja, bukan hanya hantar manual pengguna

Langkah 4: Jadikan data hari ini asas AI esok

Setiap langkah automasi – daripada vital sign automatik kepada alert bed-exit – membina aset data yang nanti boleh digunakan untuk:

  • Model ramalan jatuh pesakit
  • Early warning score yang lebih tepat
  • Analitik trend outcome mengikut jenis rawatan

Inilah mesej besar yang Vanessa bawa:

“Dengan mengukuhkan asas hari ini, dengan data dan aliran kerja di tengah, hospital boleh benar-benar menunaikan janji connected care esok.”

Penutup: AI yang berguna lahir daripada asas yang kukuh

Dalam siri "AI in Healthcare (Private Hospitals & Health Providers)", satu pola yang konsisten muncul berulang kali: hospital yang paling berjaya dengan AI bukan yang paling bising tentang teknologi, tetapi yang paling disiplin tentang data dan aliran kerja.

Pendekatan Vanessa Counaert dan pasukan Baxter di Eropah Barat mengesahkan perkara sama. Connected care yang baik:

  • Mengurangkan beban dokumentasi manual
  • Menghubungkan peranti, EMR dan staf barisan hadapan
  • Mewujudkan data berkualiti tinggi yang akhirnya menghidupkan AI klinikal dan operasi

Bagi hospital swasta Malaysia yang sedang merancang bajet 2026, soalan strategik yang patut ditanya ialah:

  • “Projek mana yang akan menjadikan data kami lebih tepat, automatik dan boleh diintegrasi?”
    lebih dahulu daripada
  • “AI apa yang paling menarik untuk kami beli tahun ini?”

Jika asas connected care dibina dengan betul, AI untuk imejan perubatan, triage pesakit, telemedicine dan optimasi aliran kerja bukan lagi projek "pameran", tetapi sebahagian daripada rutin penjagaan harian. Dan di situlah nilai sebenar untuk pesakit, doktor dan pemilik hospital.