Keuntungan:
- Kemampuan untuk memahami konsep deret waktu, musiman, dan tren serta menggunakan kecerdasan buatan dengan pertanyaan dan data yang tepat untuk memperkirakan permintaan pasien
- Kemampuan untuk menafsirkan ketidakpastian perkiraan (interval kepercayaan, skenario) dan mendasarkan perencanaan pada suatu rentang, bukan pada satu angka
- Mampu membedakan bahwa prediksi kecerdasan buatan didasarkan pada data historis dan penilaian ahli diutamakan dalam kasus wabah seperti epidemi/bencana.
Pertanyaan tersulit bagi administrator rumah sakit adalah tentang masa depan: "Berapa banyak pasien yang akan datang ke ruang gawat darurat minggu depan? Berapa peningkatan beban klinik rawat jalan selama musim flu musim dingin? Berapa banyak staf yang akan cukup selama liburan?" Jawaban atas pertanyaan-pertanyaan ini tidak jelas, namun tidak sepenuhnya gelap. Masa lalu membawa petunjuk ke masa depan. Peramalan permintaan adalah studi tentang memprediksi pasien/beban kerja di masa depan dengan melihat data historis. Dalam unit ini, Anda akan mempelajari cara menggunakan kecerdasan buatan dalam peramalan permintaan dan – yang sama pentingnya – cara mengelola ketidakpastian perkiraan. Aturan praktisnya: Prediksi AI didasarkan pada pola masa lalu; Penilaian ahli diutamakan dalam situasi seperti epidemi, bencana, dan perubahan undang-undang.
Tiga komponen deret waktu
Data permintaan historis disebut deret waktu — serangkaian angka terurut yang diukur pada interval tertentu (harian, mingguan). Untuk memahami deret waktu, perlu dibagi menjadi tiga bagian. Tren, arah jangka panjang: apakah rawat inap darurat Anda meningkat atau menurun selama bertahun-tahun? Musiman, fluktuasi berulang yang teratur: penyakit pernapasan meningkat di musim dingin, trauma/kecelakaan meningkat di musim panas, klinik rawat jalan dikosongkan pada akhir pekan. Kebisingan/fluktuasi adalah fluktuasi acak yang tidak dapat dijelaskan. Ramalan cuaca yang baik mampu menangkap tren dan musim serta tidak membesar-besarkan kebisingan. AI membantu Anda melakukan pemisahan ini; Namun tugas Anda adalah menilai mana pola sebenarnya dan mana yang kebisingan.
Konsep yang paling penting adalah ketidakpastian. Tidak ada perkiraan yang merupakan angka pasti. Perkiraan yang baik memberikan kisaran: "Kami memperkirakan antara 210 dan 260 pasien di ruang gawat darurat Sabtu depan, dengan nilai yang paling mungkin adalah 235." Interval ini disebut interval kepercayaan. Jika Anda membuat rencana berdasarkan suatu rentang dan bukan berdasarkan angka tunggal, Anda akan siap menghadapi skenario rendah dan tinggi. Percaya pada angka ganjil adalah kesalahan klasik dalam prediksi yang terlalu percaya diri.
Ada logika praktis dalam perencanaan jarak: dalam layanan kesehatan, tidak ada dua aspek kesalahan yang sama-sama merugikan. Ketika jumlah staf tidak mencukupi dan permintaan tinggi, terdapat risiko menunggu, kepadatan berlebih, dan keselamatan pasien; Ini adalah harga yang mahal. Ketika ada kelebihan staf dan permintaan rendah, terjadi biaya menganggur; Hal ini juga tidak diinginkan tetapi lebih bisa dikelola. Oleh karena itu, perencanaan di unit-unit vital (darurat, perawatan intensif) sering kali dilakukan mendekati kisaran batas atas (skenario tinggi), namun dengan rencana yang fleksibel yang dapat mengalihkan kelebihan kapasitas ke unit lain. Hal paling berharga yang diberikan ramalan tersebut kepada Anda bukanlah angka pastinya, namun kemampuan untuk melihat risiko dua arah ini dan memilih penyangga yang tepat.
Langkah demi langkah: Perkiraan permintaan dengan AI
- Kumpulkan data historis yang memadai. Jumlah lamaran harian/mingguan anonim selama setidaknya satu tahun penuh, sebaiknya 2-3 tahun, untuk mengetahui tren musiman.
- Tambahkan konteks. Tandai dampak yang diketahui seperti hari libur, kampanye, cuaca, periode epidemi; Jika tidak, AI akan menganggapnya sebagai kebisingan.
- Membusuk. Minta AI untuk merangkum tren, musim, dan lompatan yang tidak biasa.
- Dapatkan perkiraan interval. Mintalah prediksi dengan skenario rendah/mungkin/tinggi, bukan angka tunggal.
- Konversikan ke kapasitas. Konversikan perkiraan kebutuhan personel, tempat tidur, dan material.
- Kontrol kerusakan. Jika terdapat faktor yang belum pernah terjadi sebelumnya, seperti epidemi, perubahan undang-undang, atau pembukaan layanan baru, perbaiki perkiraan secara manual dengan penilaian ahli.
Perhatian: Jika Anda memberi tahu AI untuk "memprediksi tahun depan" dan tidak memberikan datanya, AI akan memberi Anda angka palsu. Prediksi tersebut hanya bermakna berdasarkan data historis yang Anda berikan.
tiga kasus mini
Kasus 1 — Persiapan musim flu. Sebuah rumah sakit memberikan data penerimaan darurat harian anonim selama 3 tahun kepada YZ. YZ menunjukkan bahwa permohonan meningkat rata-rata 35 persen antara pertengahan Desember dan Februari setiap tahun, dengan puncaknya pada minggu ke-3 bulan Januari. Manajemen merencanakan pergantian dokter dan perawat tambahan selama periode ini dan meningkatkan stok vaksin flu dan tes cepat. Pada musim dingin itu, waktu tunggu selama minggu puncak turun drastis dibandingkan tahun sebelumnya; karena kapasitasnya sudah mencukupi kemacetan.
Kasus 2 — Skenario, bukan interval. Seorang manajer bisnis meminta satu nomor kepada AI untuk “permohonan mendesak Sabtu depan”: 240. Kemudian dia bertanya lagi dengan interval kepercayaan: 205–275. Manajer membuat perencanaan berdasarkan 275 (skenario tinggi), namun juga menyiapkan rencana keluar yang fleksibel (memindahkan kelebihan personel ke unit lain) sesuai dengan 205. Penerapan aktual sebanyak 262; Jika dia mengandalkan satu nomor saja, dia akan melakukan perencanaan yang kurang dari 22 pasien. Bekerja secara berkala melindunginya.
Kasus 3 — Breakout mengganggu prediksi. Terjadi banjir tak terduga di suatu wilayah. Perkiraan berdasarkan data historis mengatakan "normal" untuk minggu itu; sedangkan permohonan darurat meningkat dua kali lipat. Prediksi AI tidak dapat melihat jeda karena peristiwa seperti itu tidak ada di masa lalu. Meja krisis telah beralih dari perkiraan dan beralih ke pelacakan aplikasi real-time dan pembaruan setiap jam. Pelajaran: dalam perpecahan struktural, masa lalu tidak lagi menjadi panduan; penilaian ahli dan pemantauan langsung diutamakan.
Empat templat yang dapat disalin
1) Dekomposisi deret waktu:
Peran Anda: asisten analis permintaan rumah sakit. Di bawah ini adalah daftar nomor masuk darurat mingguan anonim selama 3 tahun. Tugas: (1) merangkum tren umum (kenaikan/penurunan), (2) mendeskripsikan pola musiman berdasarkan bulan, (3) menyoroti lonjakan yang tidak biasa. Bedakan antara pola nyata dan fluktuasi acak. Menambahkan nomor buatan.
2) Perkiraan interval:
Berdasarkan data di atas, buatlah ramalan aplikasi darurat mingguan untuk 4 minggu ke depan. BUKAN satu nomor pun; Berikan rentang terendah/kemungkinan besar/tertinggi untuk setiap minggunya. Jelaskan secara singkat mengapa jangkauannya begitu luas.
3) Konversi ke perkiraan kapasitas:
Perkiraan skenario tinggi untuk minggu puncak adalah 275 penerimaan/hari. Rata-rata dokter gawat darurat menangani ~35 pasien per shift, seorang perawat menangani ~25 pasien. Tugas: menghitung jumlah minimal dokter dan perawat yang dibutuhkan pada skenario tinggi, tunjukkan rumusnya. Nyatakan bahwa ini adalah masukan perencanaan dan keputusan akhir ada di tangan manajer.
4) Daftar periksa peringatan kerusakan:
Siapkan checklist yang akan saya tanyakan apakah ada faktor yang TIDAK ada dalam data historis pada periode berikutnya: epidemi, perubahan peraturan perundang-undangan, pembukaan unit baru, kejadian regional, cuaca/bencana. Tambahkan catatan untuk setiap item, "Jika ya, bagaimana cara mengoreksi perkiraan secara manual?"
Perintah lemah / Perintah kuat
Perintah yang lemah:
Berapa banyak pasien yang akan datang bulan depan?
Tidak ada data, tidak ada satuan, tidak ada definisi periode; AI hanya bisa mengada-ada.
Perintah yang kuat:
Saya memiliki data aplikasi klinik rawat jalan mingguan anonim selama 3 tahun (terlampir). Saya tahu bahwa beban meningkat selama musim dingin. Berikan perkiraan kisaran rendah/mungkin/tinggi untuk 6 minggu ke depan, jelaskan pola musiman berdasarkan bulan, dan buat daftar faktor bias yang mungkin membuat perkiraan tidak lengkap/menyesatkan.
konsep
Apa maksudmu?
Dampak pada perencanaan
tren
arah jangka panjang
Investasi kapasitas permanen
musiman
Pengulangan teratur
Personil/stok tambahan musiman
interval kepercayaan
Kelompok perkiraan yang tidak pasti
Rencana skenario rendah dan tinggi
patah tulang
peristiwa yang tidak terjadi di masa lalu
Berhenti menebak-nebak, beralihlah ke tayangan langsung
Kesalahan umum
- Percaya pada angka ganjil. Perkiraannya adalah suatu kisaran; Perencanaan berdasarkan satu titik saja berisiko.
- Data tidak mencukupi. Musiman tidak dapat ditangkap dengan data kurang dari satu tahun.
- Tidak menandai konteksnya. Jika Anda tidak menentukan hari libur dan promosi, AI akan salah mengiranya sebagai kebisingan.
- Mengabaikan kehancuran. Selama periode epidemi/bencana, data masa lalu menyesatkan.
- Keputusan prediktif. Prediksi adalah sebuah masukan; Keputusan personalia dan anggaran adalah milik manajer.
Tip: Bandingkan perkiraan Anda dengan perkiraan aktual setiap bulannya dan catat "berapa besar perkiraan penurunannya". Umpan balik ini meningkatkan prediksi Anda dan data yang Anda berikan kepada AI dari waktu ke waktu dan mengajari Anda seberapa besar kepercayaan terhadap prediksi tersebut.
Singkatnya
Peramalan permintaan membangun jembatan dari data masa lalu ke masa depan, namun jembatan ini tidak pasti. AI adalah bantuan yang ampuh dalam memisahkan rangkaian waktu menjadi tren, musiman, dan kebisingan serta menghasilkan perkiraan interval. Dasarkan perencanaan pada interval kepercayaan, bukan pada angka tunggal; Bersiaplah untuk skenario rendah dan tinggi bersama-sama. Yang paling penting: data masa lalu tidak lagi menjadi panduan pada saat terjadi perpecahan seperti epidemi, bencana, dan perubahan undang-undang; Di sinilah penilaian ahli dan pemantauan real-time menjadi prioritas utama.
Tugas aplikasi
Jika Anda memiliki setidaknya satu tahun data referensi mingguan anonim (jika tidak, buatlah data hipotetis), tanyakan kepada AI tentang pola musiman dan perkiraan interval 4 minggu dengan templat "Dekomposisi rangkaian waktu" dan "Perkiraan interval". Kemudian bandingkan nilai yang paling mungkin dengan rata-rata kasar Anda. Tuliskan dalam 5 item bagaimana Anda akan mengidentifikasi faktor penghambat yang akan terjadi (misalnya, pembukaan klinik rawat jalan baru) dan perbaiki perkiraan secara manual.
daftar periksa
- [ ] Apakah saya menggunakan data anonim setidaknya selama satu tahun untuk menangkap tren musiman?
- [ ] Sudahkah saya menandai konteks seperti hari libur/kampanye?
- [ ] Apakah saya membuat rencana dengan interval kepercayaan dan bukan angka tunggal?
- [ ] Sudahkah saya memeriksa faktor-faktor penghambat yang akan terjadi?
- [ ] Apakah saya mengambil perkiraan tersebut sebagai masukan dan menyerahkan keputusan kepada manajer?