سود:
- توانایی درک مفاهیم سری زمانی، فصلی و روند و استفاده از هوش مصنوعی با سوالات و داده های مناسب برای پیش بینی تقاضای بیمار
- توانایی تفسیر عدم قطعیت پیش بینی (فاصله اطمینان، سناریوها) و برنامه ریزی مبنا بر روی یک محدوده به جای یک عدد واحد
- توانایی تشخیص اینکه پیشبینی هوش مصنوعی بر اساس دادههای تاریخی است و قضاوت متخصص در موارد شیوع بیماریها مانند اپیدمیها / بلایا مطرح میشود.
سخت ترین سوال برای یک مدیر بیمارستان در مورد آینده است: "چند بیمار در هفته آینده به اورژانس مراجعه می کنند؟ بار کلینیک سرپایی در فصل آنفولانزای زمستانی چقدر افزایش می یابد؟ چند نفر پرسنل در طول تعطیلات کافی خواهند بود؟" پاسخ به این سؤالات نامشخص است، اما کاملاً تاریک نیست. گذشته سرنخ هایی برای آینده دارد. پیشبینی تقاضا مطالعه پیشبینی بیمار/بار کاری آینده با نگاه کردن به دادههای تاریخی است. در این بخش، نحوه استفاده از هوش مصنوعی در پیش بینی تقاضا و - به همان اندازه مهم - نحوه مدیریت عدم قطعیت پیش بینی را خواهید آموخت. قانون سرانگشتی: پیشبینی هوش مصنوعی بر اساس الگوهای گذشته است. قضاوت کارشناسی در شرایطی مانند اپیدمی ها، بلایا و تغییرات در قوانین اولویت دارد.
سه جزء سری زمانی
داده های تقاضای تاریخی یک سری زمانی نامیده می شود - یک سری مرتب از اعداد که در فواصل زمانی مشخص (روزانه، هفتگی) اندازه گیری می شوند. برای درک یک سری زمانی باید آن را به سه قسمت تقسیم کرد. روند، جهت بلندمدت: آیا پذیرش اضطراری شما در طول سال ها افزایش می یابد یا کاهش می یابد؟ فصلی بودن، نوسانات مکرر منظم: بیماریهای تنفسی در زمستان افزایش مییابد، تروما/حوادث در تابستان افزایش مییابد، کلینیکهای سرپایی در آخر هفتهها خالی میشوند. نویز/نوسان نوسانات تصادفی غیر قابل توضیح است. یک پیشبینی خوب روند و فصلی بودن را نشان میدهد و سر و صدا را اغراق نمیکند. هوش مصنوعی به شما کمک می کند تا این جداسازی را انجام دهید. اما این وظیفه شماست که قضاوت کنید الگوی واقعی چیست و نویز چیست.
بحرانی ترین مفهوم عدم قطعیت است. هیچ تخمینی یک عدد قطعی واحد نیست. یک تخمین خوب محدوده ای را نشان می دهد: "ما بین 210 تا 260 بیمار در اورژانس شنبه آینده انتظار داریم که محتمل ترین مقدار آن 235 باشد." به این فاصله، فاصله اطمینان می گویند. اگر بر اساس یک محدوده به جای یک عدد برنامه ریزی کنید، برای سناریوهای کم و زیاد آماده خواهید شد. باور به اعداد فرد، اشتباه کلاسیک پیش بینی بیش از حد اعتماد به نفس است.
یک منطق عملی برای برنامه ریزی فاصله وجود دارد: در مراقبت های بهداشتی، هیچ دو جنبه ای از خطا به یک اندازه پرهزینه نیست. هنگامی که کارکنان کافی و تقاضای زیاد وجود ندارد، خطر انتظار، ازدحام بیش از حد و ایمنی بیمار وجود دارد. این قیمت سنگینی است. هنگامی که کارکنان مازاد و تقاضای کم وجود دارد، هزینه های بیکاری رخ می دهد. این نیز نامطلوب اما قابل کنترل تر است. بنابراین، برنامه ریزی در واحدهای حیاتی (اورژانس، مراقبت های ویژه) اغلب در نزدیکی انتهای بالای محدوده (سناریوی بالا) انجام می شود، اما با یک برنامه انعطاف پذیری که می تواند ظرفیت اضافی را به واحد دیگری منتقل کند. با ارزش ترین چیزی که پیش بینی به شما می دهد عدد دقیق نیست، بلکه توانایی دیدن این ریسک دو طرفه و انتخاب یک بافر آگاهانه است.
گام به گام: پیش بینی تقاضا با هوش مصنوعی
- داده های تاریخی کافی را جمع آوری کنید. تعداد برنامههای روزانه/هفتهای ناشناس برای حداقل یک سال کامل، ترجیحاً ۲ تا ۳ سال، برای ثبت فصلی بودن.
- زمینه اضافه کنید. اثرات شناخته شده مانند تعطیلات، کمپین ها، آب و هوا، دوره های همه گیر را علامت گذاری کنید. در غیر این صورت، هوش مصنوعی فکر می کند که آنها نویز هستند.
- تجزیه شود. از هوش مصنوعی بخواهید روند، فصلی بودن و جهش های غیرمعمول را خلاصه کند.
- دریافت پیش بینی بازه زمانی پیشبینیهایی با سناریوهای کم/احتمال/بالا بخواهید، نه اعداد واحد.
- تبدیل به ظرفیت نیازهای پرسنل، تخت و مواد برآورد شده را تبدیل کنید.
- کنترل شکست. اگر عاملی در افق وجود دارد که در گذشته وجود نداشته است، مانند یک بیماری همه گیر، تغییر در قانون، یا افتتاح یک سرویس جدید، پیش بینی را به صورت دستی با قضاوت کارشناسان اصلاح کنید.
احتیاط: اگر به هوش مصنوعی بگویید "سال آینده را پیش بینی کند" و به آن داده ندهید، یک عدد ساختگی به شما می دهد. پیشبینی فقط بر اساس دادههای تاریخی که ارائه میکنید معنادار است.
سه کیف کوچک
مورد 1 - آماده سازی فصل آنفولانزا. یک بیمارستان 3 سال داده ناشناس پذیرش روزانه اورژانس را به YZ داد. YZ نشان داد که برنامه های کاربردی بین اواسط دسامبر و فوریه هر سال به طور متوسط 35 درصد افزایش یافته است که اوج آن در هفته سوم ژانویه بود. مدیریت شیفت های اضافی پزشک و پرستار را در این دوره برنامه ریزی کرد و موجودی واکسن های آنفولانزا و آزمایش های سریع را افزایش داد. در آن زمستان، زمان انتظار در طول هفته اوج به طور قابل توجهی در مقایسه با سال قبل کاهش یافت. زیرا ظرفیت قبلاً ازدحام را برآورده کرده است.
مورد 2 - سناریو به جای فاصله. یک مدیر کسب و کار از هوش مصنوعی یک عدد برای "برنامه فوری شنبه آینده" خود خواست: 240. سپس دوباره با فاصله اطمینان: 205-275 پرسید. مدیر برنامه ریزی را بر اساس 275 (سناریوی بالا) انجام داد، اما همچنین طبق 205 یک برنامه خروج منعطف (انتقال پرسنل اضافی به واحد دیگر) را تهیه کرد. درخواست های واقعی 262 بود. اگر او به یک عدد تکیه می کرد، 22 بیمار کم برنامه ریزی می کرد. کار در فواصل زمانی از او محافظت می کرد.
مورد 3 - شکست پیش بینی را مختل می کند. سیل غیر منتظره ای در منطقه ای رخ داد. پیشبینی مبتنی بر دادههای تاریخی برای آن هفته «طبیعی» بود. در حالی که برنامه های اضطراری دو برابر شده است. پیشبینی هوش مصنوعی نتوانست شکست را ببیند زیرا چنین رویدادی در گذشته وجود نداشت. میز بحران از پیش بینی فاصله گرفته و به ردیابی برنامه ها در زمان واقعی و به روز رسانی ساعتی رفته است. درس: در گسیختگی سازه، گذشته راهنما نیست. قضاوت کارشناسانه و نظارت زنده اولویت دارند.
چهار قالب قابل کپی
1) تجزیه سری زمانی:
نقش شما: دستیار تحلیلگر تقاضای بیمارستان. در زیر لیستی ناشناس و هفتگی 3 ساله از شماره های پذیرش اضطراری آمده است. وظیفه: (1) روند کلی را خلاصه کنید (افزایش/کاهش)، (2) الگوی فصلی را بر اساس ماه توصیف کنید، (3) هر جهش غیرعادی را برجسته کنید. تمایز بین آنچه که یک الگوی واقعی است و آنچه ممکن است نوسانات تصادفی باشد. جمع کردن اعداد ساخته شده
2) پیش بینی فاصله زمانی:
بر اساس داده های بالا، یک پیش بینی هفتگی درخواست اضطراری برای 4 هفته آینده انجام دهید. نه یک عدد برای هر هفته یک محدوده کم / به احتمال زیاد / زیاد ارائه دهید. به طور خلاصه توضیح دهید که چرا دامنه اینقدر گسترده است.
3) تبدیل به ظرفیت تخمینی:
تخمین سناریوی بالا برای هفته اوج 275 پذیرش در روز است. پزشکان اورژانس به طور متوسط 35 بیمار را در هر شیفت و یک پرستار حدود 25 بیمار را می بیند. وظیفه: محاسبه حداقل تعداد پزشک و پرستار مورد نیاز در سناریوی بالا، نشان دادن فرمول. بیان کنید که این یک ورودی برنامه ریزی است و تصمیم نهایی به عهده مدیر است.
4) چک لیست هشدار شکست:
چک لیستی تهیه کنید که در آن بپرسم آیا عاملی وجود دارد که در داده های تاریخی در دوره بعدی وجود ندارد: همه گیری، تغییر در قوانین، افتتاح واحد جدید، رویداد منطقه ای، آب و هوا/فاجعه. یک یادداشت برای هر مورد اضافه کنید، "اگر چنین است، چگونه باید پیش بینی را به صورت دستی اصلاح کنم؟"
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
ماه آینده چند بیمار می آیند؟
بدون داده، بدون واحد، بدون تعریف دوره. هوش مصنوعی فقط می تواند چیزها را بسازد.
اعلان قدرتمند:
من 3 سال از داده های درخواست کلینیک سرپایی هفتگی ناشناس (پیوست) دارم. من می دانم که بار در طول ماه های زمستان افزایش می یابد. یک پیشبینی دامنه کم/محتمل/بالا برای 6 هفته آینده ارائه دهید، الگوی فصلی را بر اساس ماهها توصیف کنید، و هر گونه عامل سوگیری را که ممکن است پیشبینی را ناقص/گمراهکننده کند فهرست کنید.
مفهوم
منظورت چیه؟
تاثیر بر برنامه ریزی
روند
جهت بلند مدت
سرمایه گذاری ظرفیت دائمی
فصلی بودن
تکرار منظم
پرسنل / سهام اضافی فصلی
فاصله اطمینان
باند عدم قطعیت پیش بینی
طرح سناریوی کم و زیاد
شکستگی
اتفاقی که در گذشته رخ نداده است
حدس زدن را متوقف کنید، به تماشای زنده بروید
اشتباهات رایج
- اعتقاد به اعداد فرد برآورد یک محدوده است. برنامه ریزی بر اساس یک نقطه مخاطره آمیز است.
- داده های ناکافی فصلی بودن را نمی توان با داده های کمتر از یک سال دریافت کرد.
- علامت گذاری نکردن زمینه اگر تعطیلات و تبلیغات را مشخص نکنید، هوش مصنوعی آنها را با نویز اشتباه می گیرد.
- نادیده گرفتن شکستگی. در طول دوره های اپیدمی/فاجعه، داده های گذشته گمراه کننده است.
- تصمیم پیش بینی کننده پیش بینی یک ورودی است. تصمیمات پرسنلی و بودجه متعلق به مدیر است.
نکته: پیشبینیهای خود را با پیشبینی واقعی هر ماه مقایسه کنید و «چقدر کم است» را ثبت کنید. این بازخورد هم پیشبینی شما و هم دادههایی را که به هوش مصنوعی میدهید در طول زمان بهبود میبخشد و به شما میآموزد که چقدر به پیشبینی اعتماد کنید.
به طور خلاصه
پیشبینی تقاضا پلی از دادههای گذشته به آینده میسازد، اما این پل نامشخص است. هوش مصنوعی کمکی قدرتمند در تفکیک سریهای زمانی به روند، فصلی و نویز و تولید پیشبینی بازهای است. برنامه ریزی را بر اساس فاصله اطمینان، نه یک عدد واحد، قرار دهید. با هم برای سناریوی کم و زیاد آماده شوید. مهمتر از همه: داده های گذشته در مواقع گسستگی مانند بیماری های همه گیر، بلایا و تغییرات در قوانین، راهنما نیستند. اینجاست که قضاوت تخصصی و نظارت لحظه ای حرف اول را می زند.
وظیفه کاربردی
اگر حداقل یک سال داده مرجع هفتگی ناشناس دارید (اگر نه، فرضی ایجاد کنید)، از هوش مصنوعی الگوی فصلی و پیشبینی فاصله 4 هفتهای را با الگوهای «تجزیه سری زمانی» و «پیشبینی فاصله» بخواهید. سپس محتمل ترین مقادیر را با میانگین تقریبی خود مقایسه کنید. در 5 مورد بنویسید که چگونه یک عامل شکست را در افق تشخیص می دهید (به عنوان مثال، افتتاح کلینیک سرپایی جدید) و پیش بینی را به صورت دستی تصحیح کنید.
چک لیست
- [ ] آیا حداقل یک سال از داده های ناشناس برای گرفتن فصلی استفاده کردم؟
- [ ] آیا زمینه هایی مانند تعطیلات/کمپین ها را علامت گذاری کرده ام؟
- [ ] آیا من با فاصله اطمینان به جای یک عدد برنامه ریزی کردم؟
- [ ] آیا من عوامل شکست را در افق بررسی کرده ام؟
- [ ] آیا برآورد را به عنوان ورودی در نظر می گیرم و تصمیم گیری را به مدیر واگذار می کنم؟