سود:
- توانایی درک عوامل موثر بر نرخ عدم نمایش و استفاده از هوش مصنوعی برای ایجاد طبقه بندی ریسک و پیش نویس یادآوری
- امکان برنامه ریزی ظرفیت کلینیک سرپایی، توزیع اسلات و منطق رزرو بیش از حد بر اساس سناریو با پشتیبانی هوش مصنوعی
- توانایی محافظت از اینکه خروجی هوش مصنوعی یک پیشنهاد آماری است و نمودار نهایی متعلق به مدیر است، با در نظر گرفتن حقوق دسترسی و انصاف بیمار.
یکی از ناامید کننده ترین زیان های مدیریت کلینیک سرپایی، زمان ملاقات است که پر به نظر می رسد اما خالی می ماند. بیمار قرار ملاقات می گذارد اما حاضر نمی شود. آن زمان (زمان ملاقات - حق پزشک برای معاینه در یک دوره زمانی معین) تلف می شود. در مدیریت مراقبت های بهداشتی به این حالت عدم نمایش گفته می شود. در یک بیمارستان دولتی، نرخ عدم مراجعه سرپایی اغلب در محدوده 20 تا 30 درصد است. این بدان معناست که از هر چهار قرار ملاقات، یکی هدر می رود. این هم اتلاف وقت پزشک و هم از دست دادن دسترسی برای بیماران دیگری است که می خواهند بیایند اما جایی پیدا نمی کنند. در این واحد، ما از هوش مصنوعی برای دو کار استفاده خواهیم کرد: پیشبینی خطر عدم نمایش و زمانبندی هوشمند ظرفیت براساس این پیشبینی. اما بیایید از ابتدا حد را تعیین کنیم: هوش مصنوعی تخمین احتمالی را تولید می کند. اینکه کدام بیمار قرار ملاقات داده خواهد شد، تصمیم مدیر با در نظر گرفتن حق دسترسی و انصاف بیمار است.
چه چیزی عدم حضور را تعیین می کند؟
رفتار عدم نمایش تصادفی نیست. الگوهای خاصی وجود دارد. مطالعات بینالمللی و محلی اغلب عوامل زیر را نشان میدهند: هر چه زمان انتظار بین قرار ملاقات و معاینه طولانیتر باشد، بروز عدم حضور بیشتر است. خیلی زود صبح یا اواخر شب؛ تاریخچه عدم نمایش (قوی ترین پیش بینی کننده)؛ شرایط آب و هوایی؛ فاصله حمل و نقل بیمار؛ شعبه (در برخی شعب به دلیل پیگیری مزمن میزان حضور بالاست). هوش مصنوعی این عوامل را یکی یکی حفظ نمی کند. این الگوها را از داده های تاریخی که شما به آن می دهید استخراج می کند. اما مراقب باشید: هوش مصنوعی یک رابطه (همبستگی) پیدا می کند، نه یک علت (علت). گفتن "عدم نمایش سه شنبه ها زیاد است" به این معنی نیست که سه شنبه مقصر است. شاید عامل دیگری در روزهای سه شنبه مطرح باشد.
در سمت ظرفیت، دو مفهوم حیاتی هستند. گسترش اسلات تعداد قرارهایی است که در چه زمانی از روز قرار می دهید. رزرو بیش از حد، رزرو کمی بیشتر از ظرفیت برای جبران عدم حضور مورد انتظار است - مانند زمانی که خطوط هوایی بیش از حد هواپیما میفروشند. رزرو بیش از حد یک قمار نیست، بلکه یک تعادل حساب شده است: اگر خیلی کم انجام دهید، جای خالی خواهد بود، اگر بیش از حد انجام دهید، صف و انتظار با آمدن همه منفجر می شود. هوش مصنوعی در نشان دادن این تعادل از طریق سناریوها بسیار مفید است.
گام به گام: کار بدون نمایش و نمودار با هوش مصنوعی
- داده های ناشناس را آماده کنید. بدون نام بیمار، شناسه، پروتکل؛ فقط فیلدهای ناشناس مانند "زمان قرار، شعبه، روز انتظار، تعداد قبلی عدم نمایش، آمد/نشان داده نشد".
- الگو را کم کنید. از هوش مصنوعی بخواهید خلاصه کند که کدام عوامل با عدم نمایش همراه هستند.
- باند ریسک را تعریف کنید بیماران را بهعنوان خطر عدم نمایش «بالا/متوسط/پایین» انتخاب کنید - گروههای قابل کنترل، نه امتیازهای فردی.
- مداخله را مطابقت دهید. یادآوری شدیدتر (اس ام اس + تماس) به گروه در معرض خطر، اسلات انعطاف پذیر. یادآوری استاندارد برای کم خطر.
- سناریوی رزرو بیش از حد را تنظیم کنید. سناریوها را محاسبه کنید که بر اساس نرخ عدم حضور مورد انتظار، چند قرار ملاقات دیگر انجام خواهد شد.
- فیلتر اداری بررسی انصاف: هیچ گروه بیمار از دسترسی مستثنی نیست. رزرو بیش از حد معقول است. مدیر برنامه نهایی را تایید می کند.
احتیاط: امتیاز خطر هرگز برای "قرار گرفتن برای این بیمار" استفاده نمی شود. امتیاز فقط برای فشرده کردن یادآور، تسهیل دسترسی و تعادل ظرفیت است. در غیر این صورت نقض حقوق بیمار است.
سه کیف کوچک
مورد 1 - شدت یادآوری. در یک کلینیک سرپایی ریه، میزان عدم مراجعه 28 درصد بود. تیم کیفیت داده های 6 ماهه ناشناس را به YZ داد و گروه خطر را تعیین کرد: بیمارانی که بیش از 14 روز منتظر ماندند و حداقل یک بار قبلا مراجعه نکرده بودند. 3 روز و 1 روز قبل از معاینه برای این گروه پیامک + تماس دو مرحله ای انجام شد. پس از سه ماه، عدم حضور در این گروه از 28 درصد به 17 درصد کاهش یافت. نرخ عدم مراجعه کلینیک سرپایی به 21 درصد کاهش یافت. جای خالی کاهش یافته و لیست انتظار کوتاه شده است.
مورد 2 - رزرو بیش از حد متوسط. یک کلینیک پوست دارای 40 اسلات در روز بود، با میانگین نرخ عدم مراجعه 25 درصد (یعنی ~ 10 جای خالی). مدیر از هوش مصنوعی سناریوی رزرو بیش از حد درخواست کرد. هوش مصنوعی سه سناریو را ارائه کرد: قرار ملاقات +4 (خطر کم، احتمال کمی صف)، +8 (متعادل)، +12 (انتظار تهاجمی، جدی در صورت حضور همه). مدیر با +6 شروع کرد. یک ماه تماشا کرد اسلات رایگان از 25 درصد به 9 درصد کاهش یافت، در حالی که میانگین انتظار اضافی تنها 7 دقیقه افزایش یافت. تصمیم انسان بود. هوش مصنوعی فقط گزینه ها را قابل مشاهده کرد.
مورد 3 - بازگشت از سوء استفاده. در یک واحد، کارمندی میخواست امتیاز ریسک هوش مصنوعی را اینگونه تفسیر کند که «به افراد پرخطر نباید وقت ملاقات داده شود». افسر کیفیت به این اعتراض کرد: این امر بیماران محروم (در دسترس و کم درآمد) را از سیستم حذف می کند و هم یک تخلف اخلاقی و هم قانونی است. امتیاز برای حذف استفاده نشد، بلکه برای قرار ملاقات انعطافپذیر و یادآوریهای اضافی که دسترسی به آن بیمار را آسانتر میکرد، استفاده شد.
چهار قالب قابل کپی
1) تحلیل عاملی بدون نمایش:
نقش شما: دستیار تحلیلگر عملیات سرپایی. در زیر دادههای قرار ناشناس (بدون نام/هویت): زمان قرار، شعبه، روز انتظار، عدم نمایش قبلی، نتیجه (نشان داده شده/عدم نمایش) آمده است. وظیفه: (1) لیست 5 عاملی را که به شدت با عدم نمایش همراه است، (2) برای هر یک توضیح یک جمله ای بنویسید، (3) بیان کنید که این همبستگی است، نه ادعای علیت. اعدادی را که من اطلاعاتی برای آن ارائه نکرده ام، درست نکنید.
2) تطابق باند خطر و مداخله:
قوانین ساده و شفاف (نه جعبههای سیاه، آستانههای قابل توضیح) را پیشنهاد کنید که بیماران را بر اساس الگوهای بالا به 3 باند خطر شکست بالا/متوسط/کم تقسیم میکند. برای هر باند، یک مداخله یادآوری/تسهیل کننده پیشنهاد دهید که از دسترسی جلوگیری می کند. هیچ پیشنهادی نباید بیمار را از قرار ملاقات حذف کند.
3) سناریوی رزرو بیش از حد:
اسلات روزانه: 40. میانگین نرخ عدم نمایش: 25.3٪ سناریوی رزرو بیش از حد (محافظه کارانه / متعادل / تهاجمی) ایجاد کنید. برای هر سناریو: کل قرار ملاقات هایی که باید گرفته شود، بیماران ورودی مورد انتظار، بار اضافی که در صورت حضور همه اتفاق می افتد و انتظار اضافی تخمین زده می شود. فرمول های محاسبه را نشان دهید تا بتوانم آنها را به صورت دستی تأیید کنم.
4) پیش نویس پیام یادآوری:
یک پیامک یادآوری مودبانه و واضح (زیر 160 کاراکتر) بنویسید تا به گروه پرخطر ارسال شود. یک راه آسان برای لغو/به تعویق انداختن قرار ارائه دهید. از زبان اتهامی استفاده نکنید ترکی، رسمی اما گرم.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
عدم نمایش را کاهش دهید.
این درخواست بدون زمینه است: مشخص نیست کدام شاخه، کدام داده، کدام محدودیت. هوش مصنوعی توصیه های عمومی و غیرقابل اجرا را ارائه می دهد.
اعلان قدرتمند:
روزانه 40 اسلات در کلینیک سرپایی پوست ما وجود دارد و میانگین نرخ عدم مراجعه 25 درصد است. من 6 ماه اطلاعات قرار ملاقات ناشناس دارم. من می خواهم با حفظ حق دسترسی، شکاف رایگان را کاهش دهم. (1) یک قانون ریسک 3 باند، (2) شدت یادآوری مناسب برای هر باند، (3) تاثیر مورد انتظار سناریوی رزرو بیش از حد +6 را به من بدهید.
رویکرد
شکاف خالی
دسترسی بیمار
ریسک اخلاقی
هیچ کاری نکن
بالا
خنثی
نه اما ضایعات وجود دارد
یادآوری اضافی برای افراد پرخطر
سقوط می کند
محافظت شده / افزایش یافته است
هیچ کدام
رزرو بیش از حد متوسط
به طور محسوسی افت می کند
خطر دم خفیف
کم، باید تماشا کرد
قرار نگرفتن برای افراد پرخطر
سقوط می کند
نقض می شود
بالا - ممکن نیست
اشتباهات رایج
- اشتباه گرفتن نمره به عنوان وسیله ای برای حذف. امتیاز ریسک حذف بیمار نیست، بلکه رسیدن به اوست.
- رزرو بیش از حد شدید اغراق در نرخ عدم حضور و قرارهای زیاد باعث افزایش صف و شکایات می شود.
- اشتباه همبستگی برای علیت گفتن "سه شنبه خطرناک است" به معنای ممنوعیت سه شنبه نیست. دلیل واقعی آن را دریابید.
- تصمیم گیری با داده های تک جلسه. ایجاد قوانین دائمی بر اساس داده های یک ماهه گمراه کننده است. حداقل چند ماه الگوی مورد نیاز است.
- دور زدن چک عدالت حتما بررسی کنید که مداخله گروه های محروم را حذف نمی کند.
نکته: همیشه رزرو بیش از حد را با یک مرحله کوچک شروع کنید (مثلاً 2/+3) و آن را به مدت یک هفته دنبال کنید، سپس افزایش دهید. سناریوی هوش مصنوعی یک پیش بینی است. نرخ واقعی عدم نمایش شما در این زمینه به شما نیاز دارد که سناریو را به روز کنید.
به طور خلاصه
عدم نمایش دشمن خاموش ظرفیت بیماران سرپایی است. هوش مصنوعی کمکی قدرتمند در استخراج الگوهای عدم نمایش از دادههای ناشناس تاریخی و طبقهبندی بیماران در گروههای خطر و قابل مشاهده کردن سناریوهای رزرو بیش از حد است. اما همه چیز تولید شده تخمینی از احتمال است. نمره ریسک هرگز ابزاری برای حذف نیست. برای یادآوری و تسهیل که از دسترسی محافظت می کند. رزرو بیش از حد باید مقرون به صرفه و اندازه گیری شده باشد و در مراحل کوچک آزمایش شود. نمودار نهایی با در نظر گرفتن انصاف و حقوق بیمار متعلق به مدیر است.
وظیفه کاربردی
تعداد اسلات ها در روز و میانگین نرخ عدم نمایش را از واحد خود (یا فرضی) دریافت کنید. از هوش مصنوعی سه سناریو با الگوی «سناریوی رزرو بیش از حد» در بالا بخواهید. سپس فرمول ها را به صورت دستی تأیید کنید (مثلاً 40 اسلات، 25٪ عدم نمایش → 30 عدم نمایش مورد انتظار؛ اگر 6+ 46 قرار می دهد، انتظار می رود ~34-35 عدم نمایش). در 5 مورد بنویسید که کدام سناریو و چرا را انتخاب کردید. بررسی انصاف را نیز اضافه کنید.
چک لیست
- [ ] آیا داده ها را ناشناس کرده ام (بدون نام/شناسه/پروتکل)؟
- [ ] آیا از امتیاز خطر برای مداخله حفظ دسترسی استفاده کردم، نه برای حذف؟
- [ ] آیا من به صورت دستی سناریوی رزرو بیش از حد را با فرمول تأیید کرده ام؟
- [ ] آیا من رزرو بیش از حد را در مراحل کوچک شروع کرده ام و یک برنامه نظارتی تنظیم کرده ام؟
- [ ] آیا من برنامه نهایی را از فیلتر انصاف عبور داده ام و آن را تحت تایید مدیر قرار داده ام؟