Κέρδη:
- Ικανότητα κατανόησης των εννοιών της χρονοσειράς, της εποχικότητας και της τάσης και χρήση τεχνητής νοημοσύνης με τις σωστές ερωτήσεις και δεδομένα για την πρόβλεψη της ζήτησης των ασθενών
- Ικανότητα ερμηνείας της αβεβαιότητας των προβλέψεων (διάστημα εμπιστοσύνης, σενάρια) και του βασικού σχεδιασμού σε ένα εύρος και όχι σε έναν μόνο αριθμό
- Να μπορούμε να διακρίνουμε ότι η πρόβλεψη τεχνητής νοημοσύνης βασίζεται σε ιστορικά δεδομένα και ότι η κρίση των ειδικών έρχεται στο προσκήνιο σε περιπτώσεις εστιών όπως επιδημίες/καταστροφές.
Η πιο δύσκολη ερώτηση για έναν διευθυντή νοσοκομείου αφορά το μέλλον: "Πόσοι ασθενείς θα έρθουν στα επείγοντα την επόμενη εβδομάδα; Πόσο θα αυξηθεί ο φόρτος των εξωτερικών ιατρείων κατά τη χειμερινή περίοδο γρίπης; Πόσο προσωπικό θα είναι αρκετό κατά τη διάρκεια των διακοπών;" Οι απαντήσεις σε αυτές τις ερωτήσεις είναι ασαφείς, αλλά όχι εντελώς σκοτεινές. Το παρελθόν φέρει ενδείξεις για το μέλλον. Η πρόβλεψη ζήτησης είναι η μελέτη της πρόβλεψης του μελλοντικού ασθενούς/φόρτου εργασίας εξετάζοντας ιστορικά δεδομένα. Σε αυτή την ενότητα, θα μάθετε πώς να χρησιμοποιείτε την τεχνητή νοημοσύνη στην πρόβλεψη ζήτησης και – εξίσου σημαντικό – πώς να διαχειρίζεστε την αβεβαιότητα της πρόβλεψης. Εμπειρικός κανόνας: Η πρόβλεψη AI βασίζεται σε προηγούμενα μοτίβα. Η κρίση των ειδικών έχει προτεραιότητα σε καταστάσεις όπως επιδημίες, καταστροφές και αλλαγές στη νομοθεσία.
Τρία στοιχεία χρονοσειρών
Τα δεδομένα ιστορικής ζήτησης ονομάζονται χρονοσειρά — μια διατεταγμένη σειρά αριθμών που μετράται σε συγκεκριμένα διαστήματα (ημερήσια, εβδομαδιαία). Για να κατανοήσουμε μια χρονοσειρά, είναι απαραίτητο να τη χωρίσουμε σε τρία μέρη. Τάση, μακροπρόθεσμη κατεύθυνση: η επείγουσα εισαγωγή σας αυξάνεται ή μειώνεται με τα χρόνια; Εποχικότητα, τακτικές επαναλαμβανόμενες διακυμάνσεις: οι ασθένειες του αναπνευστικού αυξάνονται το χειμώνα, τα τραύματα/ατυχήματα αυξάνονται το καλοκαίρι, τα εξωτερικά ιατρεία αδειάζουν τα Σαββατοκύριακα. Ο θόρυβος/διακύμανση είναι ανεξήγητες τυχαίες διακυμάνσεις. Μια καλή πρόβλεψη αποτυπώνει την τάση και την εποχικότητα και δεν υπερβάλλει τον θόρυβο. Το AI σας βοηθά να κάνετε αυτόν τον διαχωρισμό. Αλλά είναι δική σας δουλειά να κρίνετε ποιο είναι το πραγματικό μοτίβο και τι είναι ο θόρυβος.
Η πιο κρίσιμη έννοια είναι η αβεβαιότητα. Καμία εκτίμηση δεν είναι ένας μόνο οριστικός αριθμός. Μια καλή εκτίμηση δίνει ένα εύρος: «Περιμένουμε από 210 έως 260 ασθενείς στα επείγοντα το επόμενο Σάββατο, με την πιο πιθανή τιμή να είναι 235». Αυτό το διάστημα ονομάζεται διάστημα εμπιστοσύνης. Εάν σχεδιάζετε με βάση ένα εύρος και όχι έναν μόνο αριθμό, θα είστε προετοιμασμένοι τόσο για χαμηλά όσο και για υψηλά σενάρια. Η πίστη στους περιττούς αριθμούς είναι το κλασικό λάθος της υπερβολικής αυτοπεποίθησης πρόβλεψης.
Υπάρχει μια πρακτική λογική στον προγραμματισμό των αποστάσεων: στην υγειονομική περίθαλψη, δύο πτυχές του λάθους δεν είναι εξίσου δαπανηρές. Όταν δεν υπάρχει αρκετό προσωπικό και υψηλή ζήτηση, υπάρχει κίνδυνος αναμονής, συνωστισμού και ασφάλειας των ασθενών. Αυτό είναι ένα βαρύ τίμημα. Όταν υπάρχει πλεόνασμα προσωπικού και χαμηλή ζήτηση, προκύπτει κόστος αδράνειας. Αυτό είναι επίσης ανεπιθύμητο αλλά πιο διαχειρίσιμο. Επομένως, ο προγραμματισμός σε ζωτικές μονάδες (έκτακτη ανάγκη, εντατική θεραπεία) γίνεται συχνά κοντά στο ανώτερο άκρο του εύρους (υψηλό σενάριο), αλλά με ένα σχέδιο ευελιξίας που μπορεί να μετατοπίσει την πλεονάζουσα χωρητικότητα σε άλλη μονάδα. Το πιο πολύτιμο πράγμα που σας δίνει η πρόβλεψη δεν είναι ο ακριβής αριθμός, αλλά η δυνατότητα να δείτε αυτόν τον αμφίδρομο κίνδυνο και να επιλέξετε ένα ενημερωμένο buffer.
Βήμα προς βήμα: Πρόβλεψη ζήτησης με AI
- Συλλέξτε επαρκή ιστορικά στοιχεία. Αριθμός ανώνυμων ημερήσιων/εβδομαδιαίων αιτήσεων για τουλάχιστον ένα πλήρες έτος, κατά προτίμηση 2-3 χρόνια, για την αποτύπωση της εποχικότητας.
- Προσθήκη περιβάλλοντος. Σημειώστε γνωστές επιπτώσεις όπως διακοπές, εκστρατείες, καιρός, περιόδους επιδημίας. Διαφορετικά, η τεχνητή νοημοσύνη θα πιστεύει ότι είναι θόρυβος.
- Αναλύω. Ζητήστε από το AI να συνοψίσει την τάση, την εποχικότητα και τα ασυνήθιστα άλματα.
- Λάβετε πρόβλεψη διαστήματος. Ζητήστε προβλέψεις με χαμηλά/πιθανά/υψηλά σενάρια, όχι μεμονωμένα νούμερα.
- Μετατροπή σε χωρητικότητα. Μετατρέψτε τις εκτιμώμενες ανάγκες προσωπικού, κρεβατιού και υλικών.
- Έλεγχος θραύσης. Εάν υπάρχει ένας παράγοντας στον ορίζοντα που δεν υπήρχε στο παρελθόν, όπως μια επιδημία, μια αλλαγή στη νομοθεσία ή το άνοιγμα μιας νέας υπηρεσίας, διορθώστε χειροκίνητα την πρόβλεψη με την κρίση των ειδικών.
Προσοχή: Εάν πείτε στην τεχνητή νοημοσύνη να "προβλέψεις την επόμενη χρονιά" και δεν της δώσεις δεδομένα, θα σου δώσει έναν κατασκευασμένο αριθμό. Η πρόβλεψη έχει νόημα μόνο στα ιστορικά δεδομένα που παρέχετε.
τρεις μίνι θήκες
Περίπτωση 1 — Προετοιμασία για την περίοδο της γρίπης. Ένα νοσοκομείο έδωσε 3 χρόνια ανώνυμων ημερήσιων δεδομένων επείγουσας εισαγωγής στην YZ. Η YZ έδειξε ότι οι αιτήσεις αυξήθηκαν κατά μέσο όρο κατά 35 τοις εκατό μεταξύ των μέσων Δεκεμβρίου και του Φεβρουαρίου κάθε έτους, με την κορύφωση την 3η εβδομάδα του Ιανουαρίου. Η διοίκηση σχεδίασε πρόσθετες βάρδιες γιατρών και νοσοκόμων κατά τη διάρκεια αυτού του παραθύρου και αύξησε το απόθεμα εμβολίων κατά της γρίπης και ταχείες εξετάσεις. Εκείνο τον χειμώνα, οι χρόνοι αναμονής κατά την εβδομάδα αιχμής μειώθηκαν σημαντικά σε σύγκριση με το προηγούμενο έτος. επειδή η χωρητικότητα έχει ήδη συναντήσει τη συμφόρηση.
Περίπτωση 2 — Σενάριο αντί για διάστημα. Ένας διευθυντής επιχείρησης ζήτησε από την τεχνητή νοημοσύνη έναν μόνο αριθμό για την «επείγουσα αίτησή του το επόμενο Σάββατο»: 240. Στη συνέχεια ρώτησε ξανά με το διάστημα εμπιστοσύνης: 205–275. Ο διευθυντής έκανε τον προγραμματισμό σύμφωνα με το 275 (υψηλό σενάριο), αλλά ετοίμασε επίσης ένα ευέλικτο σχέδιο εξόδου (μετακίνηση του πλεονάζοντος προσωπικού σε άλλη μονάδα) σύμφωνα με το 205. Οι πραγματικές αιτήσεις ήταν 262. Αν βασιζόταν σε έναν μόνο αριθμό, θα είχε υποσχεδιάσει 22 ασθενείς. Δουλεύοντας ανά διαστήματα τον προστάτευε.
Περίπτωση 3 — Η διάσπαση διακόπτει την πρόβλεψη. Σε μια περιοχή σημειώθηκε απροσδόκητη πλημμύρα. Η πρόβλεψη που βασίζεται σε ιστορικά δεδομένα είπε "φυσιολογική" για εκείνη την εβδομάδα. ενώ οι αιτήσεις έκτακτης ανάγκης έχουν διπλασιαστεί. Η πρόβλεψη AI δεν μπορούσε να δει το διάλειμμα επειδή τέτοιο γεγονός δεν υπήρχε στο παρελθόν. Το γραφείο κρίσης έχει απομακρυνθεί από τις προβλέψεις και έχει μετακινηθεί στην παρακολούθηση εφαρμογών σε πραγματικό χρόνο και στις ωριαίες ενημερώσεις. Μάθημα: σε δομική ρήξη, το παρελθόν παύει να είναι οδηγός. Η κρίση των ειδικών και η ζωντανή παρακολούθηση έχουν προτεραιότητα.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Αποσύνθεση χρονοσειρών:
Ο ρόλος σας: βοηθός αναλυτής ζήτησης νοσοκομείων. Παρακάτω είναι μια ανώνυμη, τριετής εβδομαδιαία λίστα με αριθμούς εισδοχής έκτακτης ανάγκης. Εργασία: (1) συνοψίστε τη γενική τάση (αύξηση/μείωση), (2) περιγράψτε το εποχιακό μοτίβο ανά μήνα, (3) επισημάνετε τυχόν ασυνήθιστα άλματα. Διακρίνετε μεταξύ του τι είναι πραγματικό μοτίβο και τι μπορεί να είναι τυχαία διακύμανση. Προσθήκη φτιαγμένων αριθμών.
2) Πρόβλεψη διαστήματος:
Με βάση τα παραπάνω δεδομένα, κάντε μια εβδομαδιαία πρόβλεψη εφαρμογής έκτακτης ανάγκης για τις επόμενες 4 εβδομάδες. ΟΧΙ ενιαίος αριθμός. Δώστε ένα εύρος χαμηλών / πιθανότατα / υψηλών για κάθε εβδομάδα. Εξηγήστε εν συντομία γιατί το εύρος είναι τόσο μεγάλο.
3) Μετατροπή σε εκτιμώμενη χωρητικότητα:
Η εκτίμηση υψηλού σεναρίου για την εβδομάδα αιχμής είναι 275 εισαγωγές/ημέρα. Ο μέσος γιατρός επειγόντων περιστατικών βλέπει ~35 ασθενείς ανά βάρδια, ένας νοσηλευτής βλέπει ~25. Εργασία: υπολογίστε τον ελάχιστο αριθμό γιατρών και νοσηλευτών που απαιτούνται στο υψηλό σενάριο, δείξτε τον τύπο. Δηλώστε ότι πρόκειται για εισροή προγραμματισμού και η τελική απόφαση εναπόκειται στον διαχειριστή.
4) Λίστα ελέγχου προειδοποίησης θραύσης:
Ετοιμάστε μια λίστα ελέγχου στην οποία θα ρωτήσω αν υπάρχει κάποιος παράγοντας που ΔΕΝ υπάρχει στα ιστορικά δεδομένα την επόμενη περίοδο: επιδημία, αλλαγή νομοθεσίας, άνοιγμα νέας μονάδας, περιφερειακό γεγονός, καιρός/καταστροφή. Προσθέστε μια σημείωση για κάθε στοιχείο, "Εάν ναι, πώς πρέπει να διορθώσω με μη αυτόματο τρόπο την πρόβλεψη;"
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Πόσοι ασθενείς θα έρθουν τον επόμενο μήνα;
Χωρίς δεδομένα, χωρίς μονάδες, χωρίς ορισμό περιόδου. Το AI μπορεί μόνο να φτιάξει πράγματα.
Ισχυρή προτροπή:
Έχω 3 χρόνια ανώνυμων εβδομαδιαίων στοιχείων αίτησης εξωτερικού ιατρείου (επισυνάπτεται). Ξέρω ότι το φορτίο αυξάνεται τους χειμερινούς μήνες. Δώστε μια πρόβλεψη χαμηλού/πιθανού/υψηλού εύρους για τις επόμενες 6 εβδομάδες, περιγράψτε το εποχιακό μοτίβο ανά μήνες και απαριθμήστε τυχόν παράγοντες μεροληψίας που μπορεί να καταστήσουν την πρόβλεψη ελλιπή/παραπλανητική.
έννοια
Τι εννοείς;
Επιπτώσεις στον προγραμματισμό
τάση
μακροπρόθεσμη κατεύθυνση
Επένδυση μόνιμης χωρητικότητας
εποχικότητα
Τακτική επανάληψη
Εποχιακό πρόσθετο προσωπικό/απόθεμα
διάστημα εμπιστοσύνης
Ζώνη αβεβαιότητας της πρόβλεψης
Σχέδιο χαμηλού και υψηλού σεναρίου
κάταγμα
γεγονός που δεν συνέβη στο παρελθόν
Σταματήστε να μαντεύετε, μεταβείτε στη ζωντανή προβολή
Συνήθη λάθη
- Η πίστη στους περιττούς αριθμούς. Η εκτίμηση είναι ένα εύρος. Ο προγραμματισμός που βασίζεται σε ένα μόνο σημείο είναι επικίνδυνος.
- Ανεπαρκή στοιχεία. Η εποχικότητα δεν μπορεί να αποτυπωθεί με δεδομένα λιγότερο από ένα έτος.
- Δεν επισημαίνεται το πλαίσιο. Εάν δεν καθορίσετε αργίες και προσφορές, η τεχνητή νοημοσύνη θα τις μπερδέψει ως θόρυβο.
- Αγνοώντας το σπάσιμο. Κατά τη διάρκεια περιόδων επιδημίας/καταστροφών, τα δεδομένα του παρελθόντος είναι παραπλανητικά.
- Προγνωστική απόφαση. Η πρόβλεψη είναι μια εισαγωγή. Οι αποφάσεις για το προσωπικό και τον προϋπολογισμό ανήκουν στον διευθυντή.
Συμβουλή: Συγκρίνετε την πρόβλεψή σας με την πραγματική κάθε μήνα και κρατήστε ένα αρχείο με το "πόσο είναι εκτός". Αυτή η ανατροφοδότηση βελτιώνει τόσο την πρόβλεψή σας όσο και τα δεδομένα που δίνετε στο AI με την πάροδο του χρόνου και σας διδάσκει πόσο να εμπιστεύεστε την πρόβλεψη.
Συνοπτικά
Η πρόβλεψη ζήτησης δημιουργεί μια γέφυρα από τα δεδομένα του παρελθόντος στο μέλλον, αλλά αυτή η γέφυρα είναι αβέβαιη. Η τεχνητή νοημοσύνη είναι ένα ισχυρό βοήθημα για το διαχωρισμό των χρονοσειρών σε τάσεις, εποχικότητα και θόρυβο και για την παραγωγή προβλέψεων διαστήματος. Βασίστε τον προγραμματισμό στο διάστημα εμπιστοσύνης, όχι έναν μόνο αριθμό. Προετοιμαστείτε για το χαμηλό και το υψηλό σενάριο μαζί. Το πιο σημαντικό: τα δεδομένα του παρελθόντος παύουν να αποτελούν οδηγό σε περιόδους ρήξεων όπως επιδημίες, καταστροφές και αλλαγές στη νομοθεσία. Εκεί είναι που η κρίση των ειδικών και η παρακολούθηση σε πραγματικό χρόνο έχουν προτεραιότητα.
Εργασία εφαρμογής
Εάν έχετε τουλάχιστον ένα έτος ανώνυμων εβδομαδιαίων δεδομένων αναφοράς (εάν όχι, δημιουργήστε υποθετικά), ζητήστε από την τεχνητή νοημοσύνη για εποχιακό μοτίβο και πρόβλεψη διαστήματος 4 εβδομάδων με τα πρότυπα "Αποσύνθεση χρονικών σειρών" και "Πρόβλεψη διαστήματος". Στη συνέχεια, συγκρίνετε τις πιο πιθανές τιμές με τον χονδρικό μέσο όρο σας. Γράψτε σε 5 στοιχεία πώς θα προσδιορίζατε έναν παράγοντα θραύσης στον ορίζοντα (για παράδειγμα, ένα νέο άνοιγμα κλινικής εξωτερικών ασθενών) και διορθώστε χειροκίνητα την πρόβλεψη.
λίστα ελέγχου
- [ ] Χρησιμοποίησα τουλάχιστον ένα έτος ανώνυμων δεδομένων για να καταγράψω την εποχικότητα;
- [ ] Έχω επισημάνει περιβάλλοντα όπως διακοπές/καμπάνιες;
- [ ] Σχεδίασα με ένα διάστημα εμπιστοσύνης αντί για έναν μόνο αριθμό;
- [ ] Έχω ελέγξει τους παράγοντες θραύσης στον ορίζοντα;
- [ ] Παίρνω την εκτίμηση ως εισροή και αφήνω την απόφαση στον διαχειριστή;