Inhoud
Q:
Welke soorten zakelijke problemen kan machine learning aan?
EEN:
Bij LeanTaaS richten we ons op het gebruik van voorspellende analyses, optimalisatiealgoritmen, machine learning en simulatiemethoden om de capaciteit van schaarse activa in een gezondheidssysteem te ontgrendelen - een uitdagend probleem vanwege de grote variabiliteit die inherent is aan de gezondheidszorg.
De oplossing moet aanbevelingen kunnen genereren die voldoende specifiek zijn, zodat de frontlinie dagelijks honderden tastbare beslissingen kan nemen. Het personeel moet erop kunnen vertrouwen dat de machine tot die aanbevelingen is gekomen en enorme hoeveelheden gegevens heeft verwerkt, naast dat het heeft geleerd van alle veranderingen in het patiëntvolume, de mix, behandelingen, capaciteit, personeel, apparatuur, enz., Die onvermijdelijk optreden na verloop van tijd.
Overweeg een oplossing die intelligente begeleiding biedt aan planners op het juiste tijdstip waarin een specifieke afspraak moet worden gepland. Machine learning-algoritmen kunnen de patronen vergelijken voor de afspraken die daadwerkelijk zijn geboekt versus het aanbevolen patroon van afspraken. Discrepanties kunnen automatisch en op schaal worden geanalyseerd om de "missers" te classificeren als unieke gebeurtenissen, planningsfouten of een indicator dat de geoptimaliseerde sjablonen niet meer in lijn zijn en daarom een vernieuwing rechtvaardigen.
Als een ander voorbeeld, er zijn tientallen redenen waarom patiënten te vroeg, op tijd of laat aankomen op hun geplande afspraken. Door het patroon van aankomsttijden te minen, kunnen algoritmen continu de mate van stiptheid (of het ontbreken daarvan) “leren” op basis van het tijdstip van de dag en de specifieke weekdag. Deze kunnen worden opgenomen in het maken van specifieke aanpassingen op de optimale afspraaksjabloon, zodat ze bestand zijn tegen de onvermijdelijke schokken en vertragingen die optreden in elk real-world systeem met patiëntafspraken.