Prévision de la demande : planification des charges d'urgence, ambulatoires et saisonnières

Gains :

• Capacité à comprendre les concepts de séries chronologiques, de saisonnalité et de tendance et à utiliser l'intelligence artificielle avec les bonnes questions et données pour prévoir la demande des patients.
• Capacité à interpréter l’incertitude des prévisions (intervalle de confiance, scénarios) et à baser la planification sur une fourchette plutôt que sur un chiffre unique
• Être capable de distinguer que la prédiction de l'intelligence artificielle est basée sur des données historiques et que le jugement d'experts prime en cas d'épidémies telles que des épidémies/catastrophes.

La question la plus difficile pour un administrateur d'hôpital concerne l'avenir : « Combien de patients se présenteront aux urgences la semaine prochaine ? De combien la charge de travail en clinique externe va-t-elle augmenter pendant la saison grippale hivernale ? Les réponses à ces questions ne sont pas claires, mais elles ne sont pas complètement obscures. Le passé est porteur d’indices pour l’avenir. La prévision de la demande consiste à prédire la charge de travail et les patients futurs en examinant les données historiques. Dans cette unité, vous apprendrez à utiliser l'intelligence artificielle dans la prévision de la demande et, tout aussi important, à gérer l'incertitude des prévisions. Règle générale : la prédiction de l'IA est basée sur des modèles passés ; Le jugement des experts a préséance dans des situations telles que les épidémies, les catastrophes et les changements de législation.

Trois composantes des séries chronologiques

Les données historiques sur la demande sont appelées séries chronologiques : une série ordonnée de nombres mesurés à des intervalles spécifiques (quotidiens, hebdomadaires). Pour comprendre une série temporelle, il est nécessaire de la diviser en trois parties. Tendance, orientation à long terme : vos admissions aux urgences augmentent-elles ou diminuent-elles au fil des années ? Saisonnalité, fluctuation régulière et récurrente : les maladies respiratoires augmentent en hiver, les traumatismes/accidents augmentent en été, les cliniques ambulatoires se vident le week-end. Le bruit/fluctuation est une fluctuation aléatoire inexpliquée. Une bonne prévision capture la tendance et la saisonnalité et n’exagère pas le bruit. L'IA vous aide à faire cette séparation ; Mais c'est à vous de juger quelle est la véritable tendance et ce qu'est le bruit.

Le concept le plus critique est celui de l'incertitude. Aucune estimation ne constitue un chiffre définitif unique. Une bonne estimation donne une fourchette : "Nous attendons entre 210 et 260 patients aux urgences samedi prochain, la valeur la plus probable étant de 235." Cet intervalle est appelé intervalle de confiance. Si vous planifiez sur la base d’une fourchette plutôt que d’un chiffre unique, vous serez prêt à faire face à des scénarios bas et élevés. Croire aux nombres impairs est l’erreur classique des prédictions trop confiantes.

Il existe une logique pratique à la planification de l’espacement : dans le domaine des soins de santé, il n’y a pas deux aspects d’erreur qui soient également coûteux. Lorsqu’il n’y a pas assez de personnel et une forte demande, il existe un risque d’attente, de surpeuplement et de sécurité des patients ; C'est un prix élevé. Lorsqu’il y a un excédent de personnel et une faible demande, des coûts inutiles surviennent ; Ceci est également indésirable mais plus gérable. Par conséquent, la planification dans les unités vitales (urgences, soins intensifs) se fait souvent près de l’extrémité supérieure de la fourchette (scénario élevé), mais avec un plan de flexibilité qui peut transférer la capacité excédentaire vers une autre unité. La chose la plus précieuse que vous donnent les prévisions n’est pas le nombre exact, mais la capacité de voir ce risque bidirectionnel et de choisir un tampon éclairé.

Étape par étape : prévoir la demande avec l’IA

1. Collectez suffisamment de données historiques. Nombre de demandes anonymes quotidiennes/hebdomadaires pendant au moins une année complète, de préférence 2 à 3 ans, pour capturer la saisonnalité.
2. Ajoutez du contexte. Marquer les impacts connus tels que les vacances, les campagnes, la météo, les périodes épidémiques ; Sinon, l’IA pensera qu’il s’agit de bruit.
3. Décomposer. Demandez à l'IA de résumer la tendance, la saisonnalité et les sauts inhabituels.
4. Obtenez des prévisions par intervalles. Demandez des prédictions avec des scénarios faibles/probables/élevés, et non des chiffres uniques.
5. Convertir en capacité. Convertir les besoins estimés en personnel, en lits et en matériel.
6. Contrôle de la casse. S'il y a un facteur à l'horizon qui n'existait pas dans le passé, comme une épidémie, un changement de législation ou l'ouverture d'un nouveau service, corrigez manuellement les prévisions avec le jugement d'un expert.

Attention : si vous dites à l'IA de « prédire l'année prochaine » et ne lui donnez pas de données, elle vous donnera un chiffre inventé. La prédiction n'a de sens que sur la base des données historiques que vous fournissez.

trois mini-cases

Cas 1 — Préparation de la saison grippale. Un hôpital a fourni à YZ 3 ans de données anonymes quotidiennes sur les admissions aux urgences. YZ a montré que les candidatures augmentaient en moyenne de 35 pour cent entre la mi-décembre et février chaque année, avec un pic au cours de la 3ème semaine de janvier. La direction a prévu des relèves supplémentaires de médecins et d’infirmières pendant cette période et a augmenté le stock de vaccins contre la grippe et de tests rapides. Cet hiver-là, les temps d'attente pendant la semaine de pointe ont diminué considérablement par rapport à l'année précédente ; parce que la capacité a déjà fait face à la congestion.

Cas 2 — Scénario au lieu d’intervalle. Un chef d’entreprise a demandé à AI un numéro unique pour sa « demande urgente samedi prochain » : 240. Puis il a demandé à nouveau avec l’intervalle de confiance : 205-275. Le gestionnaire a fait la planification selon 275 (scénario élevé), mais a également préparé un plan de sortie flexible (déplacement du personnel excédentaire vers une autre unité) selon 205. Les demandes réelles étaient de 262 ; S'il s'était appuyé sur un seul chiffre, il aurait sous-planifié de 22 patients. Travailler à intervalles réguliers le protégeait.

Cas 3 – La cassure perturbe la prédiction. Il y a eu une inondation inattendue dans une région. Les prévisions basées sur les données historiques indiquaient « normal » pour cette semaine ; alors que les demandes d’urgence ont doublé. La prédiction de l’IA n’a pas pu voir la cassure car un tel événement n’existait pas dans le passé. Le service de crise s'est éloigné de la prévision pour se tourner vers le suivi des candidatures en temps réel et les mises à jour horaires. Leçon : dans la rupture structurelle, le passé cesse d’être un guide ; le jugement d’expert et la surveillance en direct ont la priorité.

Quatre modèles copiables

1) Décomposition des séries chronologiques :

Votre rôle : assistant de l'analyste de la demande hospitalière. Vous trouverez ci-dessous une liste hebdomadaire anonyme sur 3 ans des numéros d’admission d’urgence. Tâche : (1) résumer la tendance générale (augmentation/diminution), (2) décrire le modèle saisonnier par mois, (3) mettre en évidence les sauts inhabituels. Faites la distinction entre ce qui est un modèle réel et ce qui peut être une fluctuation aléatoire. Ajout de nombres inventés.

2) Prévision d'intervalle :

Sur la base des données ci-dessus, faites une prévision hebdomadaire d’application d’urgence pour les 4 prochaines semaines. PAS un seul numéro ; Donnez une fourchette de faible/très probable/élevé pour chaque semaine. Expliquez brièvement pourquoi la gamme est si large.

3) Conversion en capacité estimée :

L’estimation du scénario haut pour la semaine de pointe est de 275 entrées/jour. Le médecin urgentiste moyen voit environ 35 patients par quart de travail, une infirmière en voit environ 25. Tâche : calculer le nombre minimum de médecins et d'infirmières requis dans le scénario élevé, montrer la formule. Indiquez qu'il s'agit d'un élément de planification et que la décision finale appartient au gestionnaire.

4) Liste de contrôle d'avertissement de casse :

Préparez une liste de contrôle dans laquelle je demanderai s'il y a un facteur qui ne figure PAS dans les données historiques de la période suivante : épidémie, changement de législation, ouverture d'une nouvelle unité, événement régional, météo/catastrophe. Ajoutez une note pour chaque élément : « Si oui, comment dois-je corriger manuellement les prévisions ? »

Invite faible/Invite forte

Invite faible :

Combien de patients viendront le mois prochain ?

Aucune donnée, aucune unité, aucune définition de période ; L’IA ne peut qu’inventer des choses.

Invite puissante :

J'ai 3 ans de données hebdomadaires anonymes sur les candidatures à une clinique ambulatoire (ci-jointes). Je sais que la charge augmente pendant les mois d'hiver. Donnez une prévision basse/probable/haute pour les 6 prochaines semaines, décrivez la tendance saisonnière par mois et énumérez tous les facteurs de biais qui pourraient rendre la prévision incomplète/trompeuse.

notion

Que veux-tu dire ?

Impact sur la planification

tendance

orientation à long terme

Investissement permanent en capacité

saisonnalité

Répétition régulière

Personnel/stock supplémentaire saisonnier

intervalle de confiance

Bande d'incertitude de la prévision

Plan de scénario bas et haut

fracture

événement qui ne s'est pas produit dans le passé

Arrêtez de deviner, passez à la visualisation en direct

Erreurs courantes

• Croire aux nombres impairs. L'estimation est une fourchette ; Planifier à partir d’un seul point est risqué.
• Données insuffisantes. La saisonnalité ne peut pas être saisie avec moins d’un an de données.
• Ne pas marquer le contexte. Si vous ne précisez pas les jours fériés et les promotions, l'IA les prendra pour du bruit.
• Ignorer le bris. En période d’épidémie/catastrophe, les données passées sont trompeuses.
• Décision prédictive. La prédiction est une entrée ; Les décisions en matière de personnel et de budget appartiennent au manager.

Astuce : comparez vos prévisions aux prévisions réelles chaque mois et notez « à quel point elles sont erronées ». Ce retour améliore à la fois votre prédiction et les données que vous fournissez à l'IA au fil du temps et vous apprend à quel point vous pouvez faire confiance à la prédiction.

En résumé

La prévision de la demande établit un pont entre les données passées et le futur, mais ce pont est incertain. L’IA est une aide puissante pour séparer les séries chronologiques en tendances, saisonnalités et bruits et pour produire des prévisions par intervalles. Basez la planification sur l’intervalle de confiance, et non sur un seul chiffre ; Préparez-vous ensemble au scénario bas et haut. Plus important encore : les données passées cessent d’être un guide en période de ruptures telles que les épidémies, les catastrophes et les changements de législation ; C'est là que le jugement d'expert et la surveillance en temps réel viennent en premier.

Tâche de candidature

Si vous disposez d'au moins un an de données de référence hebdomadaires anonymes (sinon, générez des hypothèses), demandez à l'IA un modèle saisonnier et une prévision à intervalle de 4 semaines avec les modèles « Décomposition des séries chronologiques » et « Prévision par intervalle ». Comparez ensuite les valeurs les plus probables à votre moyenne approximative. Écrivez en 5 éléments comment vous identifieriez un facteur de rupture à l'horizon (par exemple, l'ouverture d'une nouvelle clinique externe) et corrigez manuellement la prévision.

liste de contrôle

• [ ] Ai-je utilisé au moins un an de données anonymes pour capturer la saisonnalité ?
• [ ] Ai-je marqué des contextes tels que des vacances/campagnes ?
• [ ] Ai-je planifié avec un intervalle de confiance au lieu d'un nombre unique ?
• [ ] Ai-je vérifié les facteurs de rupture qui se profilent à l'horizon ?
• [ ] Dois-je prendre l'estimation comme entrée et laisser la décision au gestionnaire ?