Keuntungan:
- Keupayaan untuk memahami konsep siri masa, bermusim dan trend serta menggunakan kecerdasan buatan dengan soalan dan data yang betul untuk ramalan permintaan pesakit
- Keupayaan untuk mentafsir ramalan ketidakpastian (selang keyakinan, senario) dan merancang asas pada julat dan bukannya nombor tunggal
- Dapat membezakan ramalan kecerdasan buatan adalah berdasarkan data sejarah dan pertimbangan pakar muncul dalam kes wabak seperti wabak / bencana.
Soalan yang paling sukar untuk pentadbir hospital adalah mengenai masa depan: "Berapa ramai pesakit akan datang ke bilik kecemasan minggu depan? Berapa banyak beban klinik pesakit luar akan meningkat semasa musim selesema musim sejuk? Berapa ramai kakitangan yang akan mencukupi semasa cuti?" Jawapan kepada soalan-soalan ini tidak jelas, tetapi tidak sepenuhnya gelap. Masa lalu membawa petunjuk kepada masa depan. Ramalan permintaan ialah kajian meramalkan pesakit/beban kerja masa depan dengan melihat data sejarah. Dalam unit ini, anda akan belajar cara menggunakan kecerdasan buatan dalam peramalan permintaan dan – sama pentingnya – cara mengurus ketidakpastian ramalan. Peraturan praktikal: Ramalan AI adalah berdasarkan corak masa lalu; Pertimbangan pakar mengambil keutamaan dalam situasi seperti wabak, bencana, dan perubahan dalam perundangan.
Tiga komponen siri masa
Data permintaan sejarah dipanggil siri masa — siri nombor tersusun yang diukur pada selang waktu tertentu (harian, mingguan). Untuk memahami siri masa, perlu membahagikannya kepada tiga bahagian. Trend, hala tuju jangka panjang: adakah kemasukan kecemasan anda meningkat atau menurun selama bertahun-tahun? Bermusim, turun naik berulang yang kerap: penyakit pernafasan meningkat pada musim sejuk, trauma/kemalangan meningkat pada musim panas, klinik pesakit luar dikosongkan pada hujung minggu. Bunyi/turun naik ialah turun naik rawak yang tidak dapat dijelaskan. Ramalan yang baik menangkap arah aliran dan bermusim serta tidak membesar-besarkan bunyi. AI membantu anda melakukan pemisahan ini; Tetapi tugas anda untuk menilai apakah corak sebenar dan apakah bunyi bising.
Konsep yang paling kritikal ialah ketidakpastian. Tiada anggaran adalah nombor muktamad tunggal. Anggaran yang baik memberikan julat: "Kami menjangkakan antara 210 dan 260 pesakit di bilik kecemasan Sabtu depan, dengan nilai yang paling mungkin ialah 235." Selang ini dipanggil selang keyakinan. Jika anda merancang berdasarkan julat dan bukannya satu nombor, anda akan bersedia untuk kedua-dua senario rendah dan tinggi. Percaya pada nombor ganjil adalah kesilapan klasik ramalan terlalu yakin.
Terdapat logik praktikal untuk perancangan jarak: dalam penjagaan kesihatan, tidak ada dua aspek kesilapan yang sama mahalnya. Apabila kakitangan tidak mencukupi dan permintaan tinggi, terdapat risiko menunggu, kesesakan dan keselamatan pesakit; Ini adalah harga yang mahal. Apabila terdapat lebihan kakitangan dan permintaan rendah, kos terbiar berlaku; Ini juga tidak diingini tetapi lebih mudah diurus. Oleh itu, perancangan dalam unit penting (kecemasan, rawatan rapi) sering dilakukan berhampiran hujung atas julat (senario tinggi), tetapi dengan pelan fleksibiliti yang boleh mengalihkan kapasiti berlebihan kepada unit lain. Perkara paling berharga yang ramalan itu berikan kepada anda bukanlah nombor yang tepat, tetapi keupayaan untuk melihat risiko dua hala ini dan memilih penimbal termaklum.
Langkah demi langkah: Ramalan permintaan dengan AI
- Mengumpul data sejarah yang mencukupi. Bilangan permohonan harian/mingguan tanpa nama untuk sekurang-kurangnya satu tahun penuh, sebaik-baiknya 2-3 tahun, untuk menangkap bermusim.
- Tambah konteks. Tandai kesan yang diketahui seperti cuti, kempen, cuaca, tempoh wabak; Jika tidak, AI akan menganggap mereka bising.
- mereput. Minta AI untuk meringkaskan arah aliran, kemusim dan lompatan luar biasa.
- Dapatkan ramalan selang. Minta ramalan dengan senario rendah/kemungkinan/tinggi, bukan nombor tunggal.
- Tukar kepada kapasiti. Menukar anggaran keperluan kakitangan, katil dan bahan.
- Kawalan pecah. Jika terdapat faktor di ufuk yang tidak wujud pada masa lalu, seperti wabak, perubahan dalam perundangan atau pembukaan perkhidmatan baharu, betulkan ramalan secara manual dengan pertimbangan pakar.
Awas: Jika anda memberitahu AI untuk "meramalkan tahun depan" dan tidak memberikannya data, ia akan memberikan anda nombor yang dibuat. Ramalan hanya bermakna pada data sejarah yang anda berikan.
tiga kes mini
Kes 1 — Penyediaan musim selesema. Sebuah hospital memberikan 3 tahun data kemasukan kecemasan harian tanpa nama kepada YZ. YZ menunjukkan bahawa permohonan meningkat secara purata 35 peratus antara pertengahan Disember dan Februari setiap tahun, dengan kemuncaknya pada minggu ke-3 Januari. Pengurusan merancang perpindahan doktor dan jururawat tambahan semasa tempoh ini dan meningkatkan stok vaksin selesema dan ujian pantas. Musim sejuk itu, masa menunggu semasa minggu puncak jatuh dengan ketara berbanding tahun sebelumnya; kerana kapasiti sudah memenuhi kesesakan.
Kes 2 — Senario bukannya selang waktu. Seorang pengurus perniagaan meminta AI untuk nombor tunggal untuk "permohonan segera Sabtu depan": 240. Kemudian dia bertanya lagi dengan selang keyakinan: 205–275. Pengurus membuat perancangan mengikut 275 (senario tinggi), tetapi juga menyediakan pelan keluar yang fleksibel (menukar lebihan kakitangan ke unit lain) mengikut 205. Permohonan sebenar ialah 262; Jika dia bergantung pada satu nombor, dia akan kurang merancang oleh 22 pesakit. Bekerja pada selang masa melindunginya.
Kes 3 — Pecahan mengganggu ramalan. Terdapat banjir yang tidak dijangka di rantau ini. Ramalan berdasarkan data sejarah berkata "biasa" untuk minggu itu; sedangkan permohonan kecemasan telah meningkat dua kali ganda. Ramalan AI tidak dapat melihat rehat kerana peristiwa seperti itu tidak wujud pada masa lalu. Meja krisis telah beralih daripada peramalan dan beralih kepada penjejakan aplikasi masa nyata dan kemas kini setiap jam. Pengajaran: dalam pecah struktur, masa lalu tidak lagi menjadi panduan; pertimbangan pakar dan pemantauan secara langsung diutamakan.
Empat templat yang boleh disalin
1) Penguraian siri masa:
Peranan anda: pembantu penganalisis permintaan hospital. Di bawah ialah senarai nombor kemasukan kecemasan 3 tahun tanpa nama mingguan. Tugasan: (1) meringkaskan aliran umum (kenaikan/penurunan), (2) terangkan corak bermusim mengikut bulan, (3) serlahkan sebarang lompatan luar biasa. Bezakan antara corak sebenar dan apa yang mungkin turun naik rawak. Menambah nombor yang dibuat.
2) Ramalan selang:
Berdasarkan data di atas, buat ramalan permohonan kecemasan mingguan untuk 4 minggu akan datang. BUKAN satu nombor; Berikan julat rendah / kemungkinan besar / tinggi untuk setiap minggu. Terangkan secara ringkas mengapa julat itu begitu luas.
3) Penukaran kepada anggaran kapasiti:
Anggaran senario tinggi untuk minggu puncak ialah 275 kemasukan/hari. Purata doktor kecemasan melihat ~35 pesakit setiap syif, seorang jururawat melihat ~25. Tugas: kira bilangan minimum doktor dan jururawat yang diperlukan dalam senario tinggi, tunjukkan formula. Nyatakan bahawa ini adalah input perancangan dan keputusan muktamad terpulang kepada pengurus.
4) Senarai semak amaran kerosakan:
Sediakan senarai semak di mana saya akan bertanya jika terdapat faktor yang TIDAK ada dalam data sejarah dalam tempoh akan datang: wabak, perubahan dalam perundangan, pembukaan unit baharu, peristiwa serantau, cuaca/bencana. Tambahkan nota untuk setiap item, "Jika ya, bagaimanakah saya harus membetulkan ramalan secara manual?"
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Berapa ramai pesakit yang akan datang bulan depan?
Tiada data, tiada unit, tiada definisi tempoh; AI hanya boleh membuat sesuatu.
Gesaan kuat:
Saya mempunyai 3 tahun data permohonan klinik pesakit luar mingguan tanpa nama (dilampirkan). Saya tahu bahawa beban meningkat semasa musim sejuk. Berikan ramalan julat rendah/kemungkinan/tinggi untuk 6 minggu akan datang, huraikan corak bermusim mengikut bulan dan senaraikan sebarang faktor berat sebelah yang boleh menjadikan ramalan itu tidak lengkap/mengelirukan.
konsep
apa maksud awak?
Kesan kepada perancangan
trend
hala tuju jangka panjang
Pelaburan kapasiti tetap
bermusim
Pengulangan tetap
Kakitangan/stok tambahan bermusim
selang keyakinan
Jalur ketidakpastian ramalan
Pelan senario rendah dan tinggi
patah tulang
peristiwa yang tidak berlaku pada masa lalu
Berhenti meneka, tukar kepada tontonan langsung
Kesilapan biasa
- Percaya pada nombor ganjil. Anggaran adalah julat; Perancangan berdasarkan satu perkara adalah berisiko.
- Data tidak mencukupi. Kemusim tidak boleh ditangkap dengan kurang daripada satu tahun data.
- Tidak menandakan konteks. Jika anda tidak menyatakan cuti dan promosi, AI akan menganggapnya sebagai bunyi bising.
- Tidak menghiraukan kehancuran. Semasa tempoh wabak/bencana, data lepas mengelirukan.
- Keputusan ramalan. Ramalan adalah input; Keputusan kakitangan dan belanjawan adalah milik pengurus.
Petua: Bandingkan ramalan anda dengan yang sebenar setiap bulan dan simpan rekod "berapa banyak ia dimatikan." Maklum balas ini menambah baik ramalan anda dan data yang anda berikan kepada AI dari semasa ke semasa dan mengajar anda betapa mempercayai ramalan itu.
Secara ringkasnya
Ramalan permintaan membina jambatan daripada data lepas ke masa hadapan, tetapi jambatan ini tidak pasti. AI ialah bantuan yang berkuasa dalam mengasingkan siri masa kepada arah aliran, bermusim dan hingar serta menghasilkan ramalan selang waktu. Perancangan asas pada selang keyakinan, bukan satu nombor; Bersedia untuk senario rendah dan tinggi bersama-sama. Paling penting: data lepas tidak lagi menjadi panduan semasa berlakunya keruntuhan seperti wabak, bencana dan perubahan dalam perundangan; Di situlah pertimbangan pakar dan pemantauan masa nyata diutamakan.
Tugasan permohonan
Jika anda mempunyai sekurang-kurangnya setahun data rujukan mingguan tanpa nama (jika tidak, jana hipotesis), minta AI untuk corak bermusim dan ramalan selang 4 minggu dengan templat "Penguraian siri masa" dan "Ramalan selang". Kemudian bandingkan nilai yang paling mungkin dengan purata kasar anda. Tulis dalam 5 item bagaimana anda akan mengenal pasti faktor pemecahan di kaki langit (contohnya, pembukaan klinik pesakit luar baharu) dan membetulkan ramalan secara manual.
senarai semak
- [ ] Adakah saya menggunakan sekurang-kurangnya satu tahun data tanpa nama untuk menangkap bermusim?
- [ ] Adakah saya telah menandai konteks seperti cuti/kempen?
- [ ] Adakah saya merancang dengan selang keyakinan dan bukannya nombor tunggal?
- [ ] Adakah saya telah menyemak faktor pemecahan di kaki langit?
- [ ] Adakah saya mengambil anggaran sebagai input dan menyerahkan keputusan kepada pengurus?