Dobički:
- Sposobnost razumevanja dejavnikov, ki vplivajo na stopnjo neprihoda, in uporabe umetne inteligence za ustvarjanje razvrstitve tveganja in osnutkov opomnikov
- Sposobnost načrtovanja zmogljivosti ambulante, distribucije slotov in logike prezasedenosti na podlagi scenarija s podporo umetne inteligence
- Biti sposoben zaščititi, da je rezultat umetne inteligence statistični predlog in da končni grafikon pripada upravitelju, ob upoštevanju pravic dostopa pacientov in pravičnosti.
Ena najbolj frustrirajočih izgub vodstva ambulante je čas naročanja, ki se zdi poln, a ostane prazen. Pacient se naroči, a se ne pojavi; ta termin (mesto za naročanje - pravica zdravnika do pregleda v določenem časovnem obdobju) je zapravljen. Temu se v upravljanju zdravstvenega varstva reče neprihod. V javni bolnišnici je odstotek neprihoda v ambulanto pogosto v razponu od 20 do 30 odstotkov; To pomeni, da je eden od štirih sestankov izgubljen. To je hkrati izguba zdravnikovega časa in izguba dostopa za druge paciente, ki želijo priti, a ne najdejo mesta. V tej enoti bomo umetno inteligenco uporabljali za dve opravili: napovedovanje tveganja neprihoda in inteligentno razporejanje zmogljivosti na podlagi te napovedi. Toda postavimo mejo od začetka: AI izdela oceno verjetnosti; Kateremu pacientu bo dodeljen termin, je odločitev vodje ob upoštevanju pacientove pravice do dostopa in pravičnosti.
Kaj določa neprihod?
Neprihajanje ni naključno; Obstajajo določeni vzorci. Mednarodne in lokalne študije pogosto kažejo naslednje dejavnike: daljša kot je čakalna doba med terminom in pregledom, večja je pojavnost neprihoda; zelo zgodaj zjutraj ali pozno zvečer; zgodovina odsotnosti (najmočnejši napovedovalec); vremenske razmere; razdalja prevoza pacienta; podružnica (v nekaterih poslovalnicah je stopnja obiska visoka zaradi kroničnega spremljanja). AI si teh dejavnikov ne zapomni enega za drugim; Iz zgodovinskih podatkov, ki mu jih posredujete, izvleče vzorce. Vendar bodite previdni: umetna inteligenca najde razmerje (korelacijo), ne vzroka (vzročnost). Rek "neprihodov ob torkih je veliko" ne pomeni, da je torek kriv; Morda je ob torkih v igri še en dejavnik.
Na strani zmogljivosti sta kritična dva koncepta. Slot spread je, koliko sestankov določite ob kateri uri dneva. Prevelika rezervacija je rezervacija, ki je nekoliko večja od zmogljivosti za nadomestilo za pričakovano neprihod – na primer, ko letalske družbe preprodajajo letala. Overbooking ni igra na srečo, je izračunano ravnotežje: če naredite premalo, bodo prazna mesta, če naredite preveč, bo vrsta in čakanje eksplodiralo, ko bodo vsi prišli. Umetna inteligenca je zelo uporabna pri prikazovanju tega ravnovesja s pomočjo scenarijev.
Korak za korakom: delo z umetno inteligenco zaradi nedostopnosti in grafikonov
- Pripravite anonimne podatke. Brez imena bolnika, ID-ja, protokola; samo anonimna polja, kot so "čas dogovora, poslovalnica, dan čakanja, preteklo število neprihodov, prišel/ni prišel".
- Odštejte vzorec. Prosite AI, da povzame, kateri dejavniki so povezani z neprihodom.
- Določite pas tveganja. Razvrsti paciente kot »visoko/srednje/nizko« tveganje neprihoda – obvladljive skupine, ne posamezni rezultati.
- Ujemite intervencijo. Intenzivnejši opomin (SMS + klic) v rizično skupino, prilagodljivo mesto; Standardni opomnik za nizko tveganje.
- Nastavite scenarij prevelike rezervacije. Naj scenariji izračunajo, koliko dodatnih terminov bo opravljenih glede na pričakovano stopnjo neprihoda.
- Administrativni filter. Preverjanje poštenosti: nobena skupina bolnikov ni izključena iz dostopa; preveliko število rezervacij je razumno; Končni urnik potrdi vodja.
Pozor: Ocena tveganja se nikoli ne uporablja za "naročanje na sestanek za tega bolnika". Rezultat je samo zgostitev opomnika, olajšanje dostopa in uravnoteženje zmogljivosti. V nasprotnem primeru gre za kršitev pacientovih pravic.
trije mini kovčki
1. primer – intenzivnost opominjanja. V pulmološki ambulanti je bila odsotnost 28 odstotkov. Ekipa za kakovost je YZ posredovala anonimne 6-mesečne podatke in določila rizično skupino: Pacienti, ki so čakali dlje kot 14 dni in prej niso prišli vsaj enkrat. Za to skupino je bil uporabljen dvostopenjski SMS + klic, 3 dni in 1 dan pred pregledom. Po treh mesecih se je število neprihodov v tej skupini zmanjšalo z 28 odstotkov na 17 odstotkov; Stopnja neprihoda v splošne ambulante se je zmanjšala na 21 odstotkov. Prosta mesta so se zmanjšala, čakalne vrste pa skrajšale.
2. primer – zmerno preveliko število rezervacij. Ena dermatološka klinika je imela 40 mest na dan, s povprečno stopnjo neprihoda 25 odstotkov (tj. ~10 prostih). Upravitelj je prosil AI za scenarij prevelike rezervacije. Umetna inteligenca je podala tri scenarije: +4 sestanek (nizko tveganje, majhna verjetnost čakalne vrste), +8 (uravnoteženo), +12 (agresivno, resno čakanje, če se vsi pojavijo). Trener je začel s +6; gledal en mesec. Prosti igralni avtomati so padli s 25 odstotkov na 9 odstotkov, medtem ko se je povprečno dodatno čakanje povečalo le za 7 minut. Odločitev je bila človekova; AI je pravkar naredil možnosti vidne.
Primer 3 – Vrnitev po napačni uporabi. V eni enoti je uslužbenec želel oceno tveganja umetne inteligence interpretirati kot "osebe z visokim tveganjem ne smejo dobiti sestanka". Pooblaščenec za kakovost je temu nasprotoval: to bi prikrajšane (težko dosegljive, z nizkimi dohodki) paciente izključilo iz sistema in je tako etična kot pravna kršitev. Rezultat ni bil uporabljen za izključitev, ampak za prilagodljiv termin in dodatne opomnike, ki so olajšali doseganje tega bolnika.
Štiri predloge za kopiranje
1) Faktorska analiza neprihoda:
Vaša vloga: pomočnik analitika ambulantnih operacij. Spodaj so podatki o anonimnem terminu (brez imena/identitete): čas termina, poslovalnica, čakalni dan, prejšnja neprihod, izid (prišel/ni prišel). Naloga: (1) naštejte 5 dejavnikov, ki se najmočneje pojavljajo pri neprihodu, (2) za vsakega napišite razlago v enem stavku, (3) navedite, da gre za korelacijo, ne za trditev o vzročnosti. Ne izmišljujte si številk, za katere nisem navedel podatkov.
2) Ujemanje skupine tveganja in intervencije:
Predlagajte preprosta, pregledna pravila (ne črnih skrinjic, razložljivih pragov), ki bodo paciente razdelila v 3 skupine z visokim/srednjim/nizkim tveganjem za neuspeh na podlagi zgornjih vzorcev. Za vsak pas predlagajte opomnik/pospešitev, ki PREPREČUJE dostop. Noben predlog ne sme bolnika izključiti iz sestanka.
3) Scenarij prevelikih rezervacij:
Dnevni termin: 40. Povprečna stopnja neprihoda: 25,3 % Ustvarite scenarij prezasedenosti (konzervativen/uravnotežen/agresiven). Za vsak scenarij: skupno število terminov, ki jih je treba opraviti, pričakovani prihajajoči pacienti, preobremenitev, ki bo nastala, če pridejo vsi, in ocenjeno dodatno čakanje. Pokaži formule za izračun, da jih lahko ročno preverim.
4) Osnutek opomnika:
Napišite vljuden in jasen SMS opomnik (manj kot 160 znakov), ki ga želite poslati skupini z visokim tveganjem. Zagotovite preprost način za odpoved/preložitev sestanka. Ne uporabljajte obtožujočega jezika. Turško, formalno, a toplo.
Šibek poziv/močan poziv
Šibek poziv:
Zmanjšajte neprihod.
Ta zahteva je brez konteksta: ni jasno, katera veja, kateri podatki, katera omejitev; AI zagotavlja splošne, neizvedljive nasvete.
Močan poziv:
V naši dermatološki ambulanti je dnevno 40 terminov, povprečna stopnja neprihoda pa je 25 %. Imam podatke o anonimnih terminih za 6 mesecev. Želim zmanjšati prosto režo, hkrati pa ohraniti pravico dostopa. Podajte mi (1) 3-pasovno pravilo tveganja, (2) ustrezno intenzivnost opomnika za vsak pas, (3) pričakovan učinek scenarija prezaposlenosti +6.
Pristop
prazna reža
dostop pacienta
Etično tveganje
storiti ničesar
visoka
nevtralen
Ne, vendar so odpadki
Dodaten opomnik za rizične ljudi
pade
Zaščiteno/povečano
Noben
Zmerno preveliko število rezervacij
opazno pade
Rahlo tveganje za rep
Nizka, treba je gledati
Ne naročanje za tvegane ljudi
pade
je kršena
Visoko — ni mogoče
Pogoste napake
- Napačna ocena kot sredstvo za izključitev. Ocena tveganja ni odpraviti pacienta, ampak ga doseči.
- Ekstremno prenapolnjenost. Pretiravanje s številom neprihodov in naročanje preveč sestankov bo povečalo čakalno vrsto in pritožbe.
- Napačna korelacija za vzročno zvezo. Rek "torek je tvegan" ne pomeni prepovedi torka; Ugotovite pravi razlog za to.
- Odločitev s podatki o eni seji. Oblikovanje trajnih pravil na podlagi podatkov za en mesec je zavajajoče; Potrebujemo vsaj nekaj mesecev vzorcev.
- Mimo pravosodnega pregleda. Prepričajte se, da intervencija ne izključuje prikrajšanih skupin.
Namig: vedno začnite s prevelikim številom rezervacij z majhnim korakom (npr. +2/+3) in temu sledite en teden, nato povečajte. Scenarij AI je napoved; Vaša dejanska stopnja neprihoda na terenu zahteva, da posodobite scenarij.
Če povzamem
Neprihod je tihi sovražnik ambulantnih zmogljivosti. Umetna inteligenca je močan pripomoček pri pridobivanju vzorcev neprihoda iz preteklih anonimiziranih podatkov in razvrščanju pacientov v skupine tveganja ter omogočanju vidnih scenarijev prenaročenosti. Toda vse proizvedeno je ocena verjetnosti. Ocena tveganja ni nikoli orodje za izključevanje; za opomnik in olajšanje, ki ščiti dostop. Preveliko število rezervacij mora biti cenovno dostopno in merjeno ter preizkušeno v majhnih korakih. Končna tabela pripada administratorju, upoštevajoč pravičnost in pravice pacientov.
Aplikacijska naloga
Pridobite število slotov na dan in povprečno stopnjo neprihoda iz vaše enote (ali hipotetično). Vprašajte AI za tri scenarije z zgornjo predlogo »Scenarij prevelike rezervacije«. Nato ročno preverite formule (npr. 40 slotov, 25 % neprihodov → pričakovanih 30 neprihodov; če +6 pomeni 46 terminov, pričakovanih ~34–35 neprihodov). V 5 točkah napišite, kateri scenarij ste izbrali in zakaj; Dodajte tudi preverjanje poštenosti.
kontrolni seznam
- [ ] Ali sem podatke anonimiziral (brez imena/ID-ja/protokola)?
- [ ] Ali sem uporabil oceno tveganja za intervencijo za ohranitev dostopa, ne za izključitev?
- [ ] Ali sem s formulo ročno preveril scenarij prevelike rezervacije?
- [ ] Ali sem začel s prevelikimi rezervacijami v majhnih korakih in vzpostavil načrt spremljanja?
- [ ] Ali sem dal končni razpored skozi filter pravičnosti in ga odobril upravitelj?