Содержание
Q:
Какие проблемы бизнеса могут решить машинное обучение?
A:
В LeanTaaS наша цель - использовать прогнозную аналитику, алгоритмы оптимизации, методы машинного обучения и моделирования, чтобы раскрыть потенциал дефицитных активов в системе здравоохранения - сложная проблема из-за высокой изменчивости, присущей здравоохранению.
Решение должно быть в состоянии генерировать рекомендации, которые являются достаточно конкретными для того, чтобы линия фронта могла ежедневно принимать сотни реальных решений. Персонал должен быть уверен в том, что аппарат выполнил эти рекомендации, обработав огромные объемы данных, а также узнал обо всех изменениях в объеме пациента, составе, лечении, вместимости, персонале, оборудовании и т. Д., Которые неизбежно происходят с течением времени.
Рассмотрим решение, которое обеспечивает интеллектуальное руководство для планировщиков в нужный временной интервал, в котором следует запланировать конкретную встречу. Алгоритмы машинного обучения могут сравнивать шаблоны назначенных встреч с рекомендованным графиком назначений. Расхождения можно анализировать автоматически и в масштабе, чтобы классифицировать «пропуски» как уникальные события, ошибки планировщика или как показатель того, что оптимизированные шаблоны отклоняются от выравнивания и, следовательно, требуют обновления.
В качестве другого примера, существует множество причин, по которым пациенты могут прибыть рано, вовремя или поздно на назначенные приемы. Используя анализ времени прибытия, алгоритмы могут непрерывно «изучать» степень пунктуальности (или отсутствия) в зависимости от времени дня и конкретного дня недели. Они могут быть включены в конкретные настройки оптимального шаблона назначения, чтобы они были устойчивы к неизбежным потрясениям и задержкам, которые происходят в любой реальной системе, связанной с назначениями пациентов.