Zyski:
- Umiejętność zrozumienia koncepcji szeregów czasowych, sezonowości i trendu oraz wykorzystania sztucznej inteligencji z właściwymi pytaniami i danymi do prognozowania zapotrzebowania pacjentów
- Umiejętność interpretacji niepewności prognozy (przedział ufności, scenariusze) i planowania opartego na zakresie, a nie na pojedynczej liczbie
- Możliwość rozróżnienia, że przewidywania sztucznej inteligencji opierają się na danych historycznych i że w przypadku wybuchów epidemii, takich jak epidemie/katastrofy, na pierwszy plan wysuwa się ocena ekspercka.
Najtrudniejsze pytanie dla administratora szpitala dotyczy przyszłości: „Ilu pacjentów zgłosi się na izbę przyjęć w przyszłym tygodniu? O ile zwiększy się obciążenie przychodni w okresie zimowego sezonu grypowego? Ile personelu wystarczy podczas wakacji?” Odpowiedzi na te pytania są niejasne, ale nie całkowicie ciemne. Przeszłość niesie ze sobą wskazówki dotyczące przyszłości. Prognozowanie popytu to badanie polegające na przewidywaniu przyszłego obciążenia pacjenta/pracy na podstawie danych historycznych. W tym module dowiesz się, jak wykorzystać sztuczną inteligencję w prognozowaniu popytu i – co równie ważne – jak zarządzać niepewnością prognozy. Ogólna zasada: przewidywania AI opierają się na wzorcach z przeszłości; Ocena ekspertów ma pierwszeństwo w sytuacjach takich jak epidemie, klęski żywiołowe i zmiany w ustawodawstwie.
Trzy składniki szeregów czasowych
Historyczne dane dotyczące zapotrzebowania nazywane są szeregami czasowymi — uporządkowaną serią liczb mierzonych w określonych odstępach czasu (dziennie, co tydzień). Aby zrozumieć szereg czasowy, należy podzielić go na trzy części. Trend, kierunek długoterminowy: czy liczba przyjęć w nagłych przypadkach rośnie, czy maleje na przestrzeni lat? Sezonowość, regularne, powtarzające się wahania: wzrost liczby chorób układu oddechowego zimą, wzrost liczby urazów/wypadków latem, ambulatoria są puste w weekendy. Hałas/wahania to niewyjaśnione przypadkowe fluktuacje. Dobra prognoza uwzględnia trend i sezonowość oraz nie wyolbrzymia szumu. AI pomaga Ci dokonać tej separacji; Ale Twoim zadaniem jest ocenić, jaki jest prawdziwy wzór, a co jest szumem.
Najbardziej krytycznym pojęciem jest niepewność. Żadne szacunki nie są pojedynczą, ostateczną liczbą. Dobre szacunki podają zakres: „Spodziewamy się, że w przyszłą sobotę na izbie przyjęć będzie od 210 do 260 pacjentów, przy czym najbardziej prawdopodobna wartość to 235”. Przedział ten nazywany jest przedziałem ufności. Jeśli planujesz w oparciu o zakres, a nie pojedynczą liczbę, będziesz przygotowany zarówno na scenariusze niskie, jak i wysokie. Wiara w liczby nieparzyste jest klasycznym błędem nadmiernej pewności przewidywania.
Planowanie odstępów ma praktyczną logikę: w opiece zdrowotnej żadne dwa aspekty błędu nie są równie kosztowne. W przypadku niewystarczającej liczby personelu i dużego zapotrzebowania istnieje ryzyko oczekiwania, przepełnienia i bezpieczeństwa pacjentów; To wysoka cena. Kiedy występuje nadmiar personelu i niski popyt, pojawiają się koszty bezczynności; Jest to również niepożądane, ale łatwiejsze do opanowania. Dlatego też planowanie na kluczowych oddziałach (pogotowie ratunkowe, intensywna terapia) często odbywa się w pobliżu górnej granicy zakresu (scenariusz wysoki), ale z uwzględnieniem planu elastycznego, który umożliwia przeniesienie nadwyżki mocy produkcyjnych na inną jednostkę. Najcenniejszą rzeczą, jaką daje prognoza, nie jest dokładna liczba, ale umiejętność dostrzeżenia tego dwukierunkowego ryzyka i wybrania świadomego bufora.
Krok po kroku: prognozowanie popytu za pomocą sztucznej inteligencji
- Zbierz wystarczającą ilość danych historycznych. Liczba anonimowych wniosków składanych codziennie/co tydzień przez co najmniej jeden pełny rok, najlepiej 2–3 lata, w celu uwzględnienia sezonowości.
- Dodaj kontekst. Zaznacz znane skutki, takie jak święta, kampanie, pogoda, okresy epidemii; W przeciwnym razie sztuczna inteligencja uzna je za hałas.
- Rozkładać się. Poproś sztuczną inteligencję o podsumowanie trendu, sezonowości i nietypowych skoków.
- Uzyskaj prognozę interwałową. Zapytaj o prognozy zawierające niskie/prawdopodobne/wysokie scenariusze, a nie pojedyncze liczby.
- Konwertuj na pojemność. Konwertuj szacunkowe zapotrzebowanie na personel, łóżka i materiały.
- Kontrola pęknięć. Jeśli na horyzoncie pojawia się czynnik, który nie występował w przeszłości, taki jak epidemia, zmiana przepisów lub otwarcie nowej usługi, należy ręcznie skorygować prognozę, korzystając z fachowej oceny.
Uwaga: jeśli powiesz AI, aby „przewidywała przyszły rok” i nie podasz jej danych, otrzymasz zmyśloną liczbę. Prognozy mają sens wyłącznie na podstawie podanych przez Ciebie danych historycznych.
trzy mini etui
Przypadek 1 — Przygotowanie do sezonu grypowego. Szpital przekazał YZ anonimowe dane dotyczące codziennych przyjęć w nagłych przypadkach. YZ wykazało, że liczba wniosków wzrosła średnio o 35 procent między połową grudnia a lutym każdego roku, przy czym szczyt przypadał na 3. tydzień stycznia. Kierownictwo zaplanowało w tym okresie dodatkowe zmiany lekarzy i pielęgniarek oraz zwiększyło zapasy szczepionek przeciw grypie i szybkich testów. Tej zimy czas oczekiwania w tygodniu szczytu znacznie się skrócił w porównaniu z rokiem poprzednim; ponieważ przepustowość osiągnęła już poziom przeciążenia.
Przypadek 2 — Scenariusz zamiast interwału. Menedżer biznesowy poprosił AI o podanie jednego numeru w ramach „pilnego wniosku w przyszłą sobotę”: 240. Następnie zapytał ponownie, podając przedział ufności: 205–275. Menedżer wykonał planowanie według 275 (scenariusz wysoki), ale przygotował także elastyczny plan wyjścia (przeniesienie nadmiaru personelu do innej jednostki) według 205. Rzeczywista liczba wniosków wyniosła 262; Gdyby oparł się na jednej liczbie, zaplanowałby leczenie o 22 pacjentów. Chroniła go praca w przerwach.
Przypadek 3 — Przełamanie zakłóca przewidywanie. W pewnym regionie doszło do niespodziewanej powodzi. Prognoza oparta na danych historycznych mówiła, że na ten tydzień będzie „normalnie”; podczas gdy liczba zastosowań w sytuacjach nadzwyczajnych wzrosła dwukrotnie. Prognoza AI nie widziała przerwy, ponieważ takie zdarzenie nie istniało w przeszłości. Biuro kryzysowe odeszło od prognozowania i przeszło na śledzenie aplikacji w czasie rzeczywistym i aktualizacje co godzinę. Lekcja: w przypadku strukturalnego zerwania przeszłość przestaje być przewodnikiem; Ocena ekspercka i monitorowanie na żywo mają pierwszeństwo.
Cztery szablony do kopiowania
1) Dekompozycja szeregów czasowych:
Twoja rola: asystent analityka zapotrzebowania szpitalnego. Poniżej znajduje się anonimowa, 3-letnia cotygodniowa lista numerów przyjęć w nagłych wypadkach. Zadanie: (1) podsumuj ogólny trend (wzrost/spadek), (2) opisz wzór sezonowy według miesięcy, (3) podkreśl wszelkie nietypowe skoki. Rozróżnij pomiędzy tym, co jest rzeczywistym wzorcem, a tym, co może być przypadkową fluktuacją. Dodawanie liczb wymyślonych.
2) Prognoza interwałowa:
Na podstawie powyższych danych sporządź tygodniową prognozę aplikacji awaryjnej na najbliższe 4 tygodnie. NIE pojedyncza liczba; Podaj zakres najniższych/najbardziej prawdopodobnych/najwyższych wartości dla każdego tygodnia. Krótko wyjaśnij, dlaczego zakres jest tak szeroki.
3) Przeliczenie na szacunkową pojemność:
Wysoki szacunkowy scenariusz dla szczytowego tygodnia to 275 przyjęć dziennie. Przeciętny lekarz pogotowia przyjmuje około 35 pacjentów na zmianę, a pielęgniarka ~ 25. Zadanie: oblicz minimalną liczbę lekarzy i pielęgniarek wymaganych w scenariuszu wysokim, pokaż wzór. Zaznacz, że jest to wkład w planowanie, a ostateczna decyzja należy do menedżera.
4) Lista kontrolna ostrzeżeń o uszkodzeniu:
Przygotuj listę kontrolną, w której zapytam, czy w następnym okresie jest czynnik, którego NIE ma w danych historycznych: epidemia, zmiana legislacyjna, otwarcie nowej jednostki, wydarzenie regionalne, pogoda/katastrofa. Dodaj notatkę do każdej pozycji: „Jeśli tak, w jaki sposób powinienem ręcznie skorygować prognozę?”
Słaba zachęta/silna zachęta
Słaba zachęta:
Ilu pacjentów przyjdzie w przyszłym miesiącu?
Brak danych, brak jednostek, brak definicji okresu; Sztuczna inteligencja może tylko zmyślać.
Potężny monit:
Mam 3 lata anonimowych, cotygodniowych danych dotyczących wniosków o przyjęcie do przychodni (w załączeniu). Wiem, że obciążenie wzrasta w miesiącach zimowych. Podaj prognozę niskiego/prawdopodobnego/wysokiego zakresu na następne 6 tygodni, opisz wzór sezonowy według miesięcy i wymień wszelkie czynniki zakłócające, które mogą sprawić, że prognoza będzie niekompletna/wprowadzająca w błąd.
koncepcja
Co masz na myśli?
Wpływ na planowanie
tendencja
kierunek długoterminowy
Stała inwestycja w moce produkcyjne
sezonowość
Regularne powtarzanie
Sezonowy dodatkowy personel/zapasy
przedział ufności
Przedział niepewności prognozy
Plan scenariusza niskiego i wysokiego
złamanie
wydarzenie, które nie miało miejsca w przeszłości
Przestań zgadywać, przejdź na oglądanie na żywo
Typowe błędy
- Wiara w liczby nieparzyste. Oszacowanie jest zakresem; Planowanie w oparciu o jeden punkt jest ryzykowne.
- Niewystarczające dane. Sezonowości nie można ująć na podstawie danych krótszych niż jeden rok.
- Nie zaznaczając kontekstu. Jeśli nie określisz świąt i promocji, AI pomyli je z hałasem.
- Ignorując złamanie. W okresach epidemii/katastrof dane z przeszłości wprowadzają w błąd.
- Przewidywalna decyzja. Przewidywanie jest danymi wejściowymi; Decyzje personalne i budżetowe należą do menadżera.
Wskazówka: co miesiąc porównuj swoją prognozę z rzeczywistą i zapisuj, o ile jest ona błędna. Ta informacja zwrotna z biegiem czasu poprawia zarówno Twoje przewidywania, jak i dane, które przekazujesz sztucznej inteligencji, i uczy Cię, jak bardzo możesz ufać przewidywaniom.
Podsumowując
Prognozowanie popytu tworzy pomost łączący dane z przeszłości z przyszłością, ale most ten jest niepewny. Sztuczna inteligencja jest potężną pomocą w rozdzielaniu szeregów czasowych na trendy, sezonowość i szum oraz w tworzeniu prognoz interwałowych. Planowanie opieraj się na przedziale ufności, a nie na pojedynczej liczbie; Przygotujcie się wspólnie na scenariusz niskich i wysokich poziomów. Co najważniejsze: dane z przeszłości przestają być wskazówką w czasach załamań, takich jak epidemie, katastrofy i zmiany legislacyjne; W tym przypadku najważniejsza jest ocena ekspercka i monitorowanie w czasie rzeczywistym.
Zadanie aplikacji
Jeśli masz co najmniej rok anonimowych cotygodniowych danych referencyjnych (jeśli nie, wygeneruj hipotetyczne), poproś sztuczną inteligencję o wzór sezonowy i 4-tygodniową prognozę interwałową za pomocą szablonów „Dekompozycja szeregów czasowych” i „Prognoza interwałowa”. Następnie porównaj najbardziej prawdopodobne wartości z przybliżoną średnią. Napisz w 5 pozycjach, jak zidentyfikowałbyś przełomowy czynnik na horyzoncie (na przykład otwarcie nowej przychodni) i ręcznie skorygował prognozę.
lista kontrolna
- [ ] Czy korzystałem z anonimowych danych z co najmniej jednego roku, aby uchwycić sezonowość?
- [ ] Czy zaznaczyłem konteksty takie jak święta/kampanie?
- [ ] Czy planowałem z przedziałem ufności zamiast pojedynczej liczby?
- [ ] Czy sprawdziłem czynniki przełamujące na horyzoncie?
- [ ] Czy szacunki traktuję jako dane wejściowe i pozostawiam decyzję menedżerowi?