Dobici:
- Sposobnost razumijevanja koncepta vremenskih serija, sezonalnosti i trenda i korištenja umjetne inteligencije s pravim pitanjima i podacima za predviđanje potražnje pacijenata
- Sposobnost tumačenja nesigurnosti prognoze (interval pouzdanosti, scenariji) i baziranja planiranja na rasponu, a ne na jednom broju
- Biti u stanju razlikovati da je predviđanje umjetne inteligencije zasnovano na povijesnim podacima i da stručna prosudba dolazi do izražaja u slučajevima izbijanja kao što su epidemije/katastrofe.
Najteže pitanje za administratora bolnice je o budućnosti: "Koliko će pacijenata doći u hitnu pomoć sljedeće sedmice? Koliko će se povećati opterećenje ambulante tokom zimske sezone gripa? Koliko će osoblja biti dovoljno za vrijeme praznika?" Odgovori na ova pitanja su nejasni, ali ne i potpuno mračni. Prošlost nosi tragove za budućnost. Predviđanje potražnje je studija predviđanja budućih pacijenata/opterećenja poslom gledanjem istorijskih podataka. U ovoj ćete jedinici naučiti kako koristiti umjetnu inteligenciju u predviđanju potražnje i – što je jednako važno – kako upravljati neizvjesnošću prognoze. Pravilo: AI predviđanje je zasnovano na prošlim obrascima; Procjena stručnjaka ima prednost u situacijama kao što su epidemije, katastrofe i promjene u zakonodavstvu.
Tri komponente vremenske serije
Istorijski podaci o potražnji nazivaju se vremenskom serijom — uređena serija brojeva mjerenih u određenim intervalima (dnevno, sedmično). Da bismo razumjeli vremensku seriju, potrebno je podijeliti je na tri dijela. Trend, dugoročni smjer: da li se vaš hitni prijem povećava ili smanjuje tokom godina? Sezonalnost, redovne fluktuacije koje se ponavljaju: respiratorne bolesti se povećavaju zimi, traume/nezgode se povećavaju ljeti, ambulante se prazne vikendom. Šum/fluktuacija je neobjašnjiva nasumična fluktuacija. Dobra prognoza bilježi trend i sezonalnost i ne preuveličava buku. AI vam pomaže da izvršite ovo razdvajanje; Ali vaš je posao da procenite šta je pravi obrazac, a šta buka.
Najkritičniji koncept je neizvjesnost. Nijedna procjena nije konačan broj. Dobra procjena daje raspon: "Očekujemo između 210 i 260 pacijenata u hitnoj iduće subote, a najvjerovatnija vrijednost je 235." Ovaj interval se naziva interval pouzdanosti. Ako planirate na osnovu raspona, a ne jednog broja, bićete spremni i za niske i visoke scenarije. Vjerovanje u neparne brojeve je klasična greška previše samouvjerenog predviđanja.
Postoji praktična logika planiranja razmaka: u zdravstvu ne postoje dva aspekta greške jednako skupa. Kada nema dovoljno osoblja i velika potražnja, postoji rizik od čekanja, prenatrpanosti i sigurnosti pacijenata; Ovo je visoka cijena. Kada postoji višak osoblja i mala potražnja, javljaju se troškovi mirovanja; Ovo je također nepoželjno, ali je lakše upravljati. Stoga se planiranje u vitalnim jedinicama (hitna pomoć, intenzivna njega) često vrši blizu gornjeg kraja raspona (visoki scenario), ali uz plan fleksibilnosti koji može prebaciti višak kapaciteta na drugu jedinicu. Najvrednije što vam prognoza daje nije tačan broj, već mogućnost da vidite ovaj dvosmjerni rizik i odaberete informirani tampon.
Korak po korak: Predviđanje potražnje sa AI
- Prikupite dovoljno istorijskih podataka. Broj anonimnih dnevnih/tjednih prijava za najmanje jednu punu godinu, po mogućnosti 2-3 godine, kako bi se uhvatila sezonalnost.
- Dodajte kontekst. Označite poznate utjecaje kao što su praznici, kampanje, vrijeme, periodi epidemije; U suprotnom, AI će misliti da su buka.
- Dekompose. Zamolite AI da sumira trend, sezonalnost i neobične skokove.
- Dobijte prognozu intervala. Tražite predviđanja sa niskim/vjerovatnim/visokim scenarijima, a ne pojedinačnim brojevima.
- Pretvorite u kapacitet. Pretvorite procijenjene potrebe za osobljem, krevetom i materijalom.
- Kontrola loma. Ako na horizontu postoji faktor koji nije postojao u prošlosti, kao što je epidemija, promjena zakona ili otvaranje nove usluge, ručno ispravite prognozu stručnom prosudbom.
Oprez: Ako AI kažete da "predvidi sljedeću godinu" i ne date joj podatke, ona će vam dati izmišljeni broj. Predviđanje ima smisla samo na osnovu istorijskih podataka koje date.
tri mini kofera
Slučaj 1 — Priprema za sezonu gripe. Bolnica je davala 3 godine anonimnih dnevnih podataka o hitnom prijemu YZ. YZ je pokazao da se prijave povećavaju u prosjeku za 35 posto između sredine decembra i februara svake godine, sa vrhuncem u 3. sedmici januara. Uprava je planirala dodatne smjene ljekara i medicinskih sestara tokom ovog perioda i povećala zalihe vakcina protiv gripa i brzih testova. Te zime, vrijeme čekanja u vršnoj sedmici je značajno smanjeno u odnosu na prethodnu godinu; jer je kapacitet već zadovoljio zagušenje.
Slučaj 2 — Scenario umjesto intervala. Poslovni menadžer je od AI tražio jedan broj za njegovu „hitnu prijavu sljedeće subote“: 240. Zatim je ponovo pitao s intervalom povjerenja: 205–275. Menadžer je napravio planiranje prema 275 (visoki scenario), ali je pripremio i fleksibilni plan izlaska (premještanje viška osoblja u drugu jedinicu) prema 205. Stvarne prijave su bile 262; Da se oslanjao na jedan broj, nedovoljno bi planirao za 22 pacijenta. Rad u intervalima ga je zaštitio.
Slučaj 3 — Probijanje remeti predviđanje. U regionu je došlo do neočekivane poplave. Prognoza zasnovana na istorijskim podacima govorila je o "normalnoj" za tu sedmicu; dok su se prijave za hitne slučajeve udvostručile. AI predviđanje nije moglo vidjeti prekid jer takav događaj nije postojao u prošlosti. Krizni odjel se udaljio od predviđanja i prešao na praćenje aplikacija u realnom vremenu i ažuriranja po satu. Pouka: u strukturnom lomu, prošlost prestaje da bude vodič; stručna procjena i praćenje uživo imaju prednost.
Četiri šablona za kopiranje
1) Dekompozicija vremenske serije:
Vaša uloga: pomoćnik analitičara bolničke potražnje. Ispod je anonimna, trogodišnja sedmična lista brojeva za hitne slučajeve. Zadatak: (1) sumirati opći trend (povećanje/smanjenje), (2) opisati sezonski obrazac po mjesecima, (3) istaknuti sve neobične skokove. Napravite razliku između onoga što je pravi obrazac i onoga što može biti slučajna fluktuacija. Sabiranje izmišljenih brojeva.
2) Intervalna prognoza:
Na osnovu gore navedenih podataka, napravite sedmičnu prognozu za hitne slučajeve za naredne 4 sedmice. NIJE jedan broj; Dajte raspon niske / najvjerovatnije / visoke za svaku sedmicu. Ukratko objasnite zašto je raspon toliko širok.
3) Konverzija u procijenjeni kapacitet:
Visoka procjena scenarija za vršnu sedmicu je 275 prijema/dan. Prosječan ljekar hitne pomoći primi ~35 pacijenata po smjeni, medicinska sestra ~25. Zadatak: izračunajte minimalni broj doktora i medicinskih sestara potreban u visokom scenariju, pokažite formulu. Navedite da je ovo input planiranja i da je konačna odluka na menadžeru.
4) Kontrolna lista upozorenja o kvaru:
Pripremite kontrolnu listu u kojoj ću pitati postoji li faktor koji NIJE u historijskim podacima u narednom periodu: epidemija, promjena zakonodavstva, otvaranje nove jedinice, regionalni događaj, vrijeme/katastrofa. Dodajte napomenu za svaku stavku, "Ako je tako, kako da ručno ispravim prognozu?"
Slaba prompt / Jaka prompt
Slab upit:
Koliko pacijenata će doći sljedećeg mjeseca?
Nema podataka, nema jedinica, nema definicije perioda; AI može samo da izmisli stvari.
Snažan upit:
Imam 3 godine anonimne nedeljne prijave za ambulantne klinike (u prilogu). Znam da se opterećenje povećava tokom zimskih mjeseci. Dajte prognozu niskog/vjerovatnog/visokog raspona za sljedećih 6 sedmica, opišite sezonski obrazac po mjesecima i navedite sve faktore pristranosti koji mogu učiniti prognozu nepotpunom/obmanjućom.
koncept
Kako to misliš?
Uticaj na planiranje
trend
dugoročni pravac
Trajna investicija u kapacitet
sezonalnost
Redovno ponavljanje
Sezonsko dodatno osoblje/zalihe
interval poverenja
Opseg nesigurnosti prognoze
Plan niskog i visokog scenarija
fraktura
događaj koji se nije desio u prošlosti
Prestanite nagađati, prebacite se na gledanje uživo
Uobičajene greške
- Vjerovanje u neparne brojeve. Procjena je raspon; Planiranje zasnovano na jednoj tački je rizično.
- Nedovoljno podataka. Sezonalnost se ne može uhvatiti s podacima manje od jedne godine.
- Ne označavanje konteksta. Ako ne navedete praznike i promocije, AI će ih zamijeniti za buku.
- Ignorišući slomljenost. Tokom perioda epidemije/katastrofa, podaci iz prošlosti su pogrešni.
- Prediktivna odluka. Predviđanje je ulaz; Kadrovske i budžetske odluke pripadaju menadžeru.
Savjet: Uporedite svoju prognozu sa stvarnim svakog mjeseca i vodite evidenciju o tome "koliko je isključeno". Ove povratne informacije poboljšavaju i vaše predviđanje i podatke koje dajete AI tijekom vremena i uči vas koliko vjerovati predviđanju.
Ukratko
Predviđanje potražnje gradi most od prošlih podataka do budućnosti, ali ovaj most je neizvjestan. AI je moćna pomoć u razdvajanju vremenskih serija na trend, sezonalnost i buku i stvaranju intervalne prognoze. Zasnovati planiranje na intervalu pouzdanosti, a ne na jednom broju; Pripremite se za nizak i visoki scenario zajedno. Ono što je najvažnije: podaci iz prošlosti prestaju da budu vodič u vremenima lomova kao što su epidemije, katastrofe i promene u zakonodavstvu; Tu su stručna procjena i praćenje u realnom vremenu na prvom mjestu.
Zadatak aplikacije
Ako imate najmanje godinu dana anonimnih sedmičnih referentnih podataka (ako ne, generirajte hipotetičke), zatražite od AI za sezonski obrazac i prognozu intervala od 4 sedmice s predlošcima "Razlaganje vremenskih serija" i "Intervalna prognoza". Zatim usporedite najvjerovatnije vrijednosti sa vašim grubim prosjekom. Napišite u 5 stavki kako biste identificirali prelomni faktor na horizontu (na primjer, otvaranje nove ambulante) i ručno ispravite prognozu.
kontrolna lista
- [ ] Da li sam koristio najmanje jednu godinu anonimnih podataka da bih uhvatio sezonski karakter?
- [ ] Jesam li označio kontekste kao što su praznici/kampanje?
- [ ] Jesam li planirao s intervalom povjerenja umjesto s jednim brojem?
- [ ] Jesam li provjerio faktore prekida na horizontu?
- [ ] Da li uzimam procjenu kao input i prepuštam li odluku menadžeru?