நியமனம் மற்றும் திறன் மேலாண்மை: நோ-ஷோ மதிப்பீடு மற்றும் ஸ்மார்ட் திட்டமிடல்

ஆதாயங்கள்:

• நோ-ஷோ விகிதத்தை பாதிக்கும் காரணிகளைப் புரிந்து கொள்ளும் திறன் மற்றும் ஆபத்து வகைப்பாடு மற்றும் நினைவூட்டல் வரைவுகளை உருவாக்க செயற்கை நுண்ணறிவைப் பயன்படுத்துதல்
• செயற்கை நுண்ணறிவு ஆதரவுடன் வெளிநோயாளர் கிளினிக் திறன், ஸ்லாட் விநியோகம் மற்றும் ஓவர் புக்கிங் லாஜிக் ஆகியவற்றை ஒரு சூழ்நிலை அடிப்படையில் திட்டமிடும் திறன்
• செயற்கை நுண்ணறிவு வெளியீடு என்பது ஒரு புள்ளியியல் பரிந்துரை என்பதையும், நோயாளி அணுகல் உரிமைகள் மற்றும் நியாயத்தன்மையை கணக்கில் எடுத்துக்கொண்டு இறுதி விளக்கப்படம் மேலாளருடையது என்பதையும் பாதுகாக்க முடியும்.

வெளிநோயாளர் கிளினிக் நிர்வாகத்தின் மிகவும் ஏமாற்றமளிக்கும் இழப்புகளில் ஒன்று, சந்திப்பு நேரம் நிரம்பியதாகத் தோன்றும் ஆனால் காலியாக உள்ளது. நோயாளி ஒரு சந்திப்பைச் செய்கிறார், ஆனால் அவர் வரவில்லை; அந்த ஸ்லாட் (அப்பாயின்மென்ட் ஸ்லாட் - ஒரு குறிப்பிட்ட காலத்திற்குள் பரிசோதிக்க மருத்துவரின் உரிமை) வீணாகிறது. இது சுகாதார மேலாண்மையில் நோ-ஷோ என்று அழைக்கப்படுகிறது. ஒரு பொது மருத்துவமனையில், வெளிநோயாளர் நோ-ஷோ விகிதம் பெரும்பாலும் 20-30 சதவீத வரம்பில் உள்ளது; அதாவது நான்கு நியமனங்களில் ஒன்று வீணாகிறது. இது மருத்துவரின் நேரத்தை வீணடிப்பதோடு, வர விரும்பினாலும் இடம் கிடைக்காத மற்ற நோயாளிகளுக்கு அணுகல் இழப்பையும் ஏற்படுத்துகிறது. இந்த யூனிட்டில், இரண்டு வேலைகளுக்கு AI ஐப் பயன்படுத்துவோம்: நிகழ்ச்சிகள் இல்லாத அபாயத்தைக் கணித்தல் மற்றும் இந்தக் கணிப்பின் அடிப்படையில் திறன்களை அறிவார்ந்த முறையில் திட்டமிடுதல். ஆனால் ஆரம்பத்தில் இருந்தே வரம்பை அமைப்போம்: AI ஒரு நிகழ்தகவு மதிப்பீட்டை உருவாக்குகிறது; எந்த நோயாளிக்கு அப்பாயின்ட்மென்ட் வழங்கப்படும் என்பது மேலாளரின் முடிவாகும், நோயாளியின் அணுகல் உரிமை மற்றும் நேர்மை ஆகியவற்றை கணக்கில் எடுத்துக்கொள்கிறது.

நோ-ஷோவை எது தீர்மானிக்கிறது?

நோ-ஷோ நடத்தை சீரற்றது அல்ல; சில வடிவங்கள் உள்ளன. சர்வதேச மற்றும் உள்ளூர் ஆய்வுகள் அடிக்கடி பின்வரும் காரணிகளைக் காட்டுகின்றன: நியமனம் மற்றும் தேர்வுக்கு இடையே நீண்ட நேரம் காத்திருக்கும் போது, ​​நிகழ்ச்சிகள் இல்லாத நிகழ்வுகள் அதிகமாகும்; மிக அதிகாலை அல்லது மாலை தாமதமாக; நோ-ஷோ வரலாறு (வலுவான முன்கணிப்பு); வானிலை நிலைமைகள்; நோயாளியின் போக்குவரத்து தூரம்; கிளை (சில கிளைகளில், நாள்பட்ட பின்தொடர்தல் காரணமாக வருகை விகிதம் அதிகமாக உள்ளது). AI இந்தக் காரணிகளை ஒவ்வொன்றாக மனப்பாடம் செய்வதில்லை; நீங்கள் கொடுக்கும் வரலாற்றுத் தரவுகளிலிருந்து இது வடிவங்களைப் பிரித்தெடுக்கிறது. ஆனால் கவனமாக இருங்கள்: AI ஒரு உறவைக் கண்டறிகிறது (தொடர்புடையது), ஒரு காரணம் அல்ல (காரணம்). "செவ்வாய்க் கிழமைகளில் நோ-காட்சிகள் அதிகம்" என்று சொன்னால் செவ்வாய்க் கிழமை குற்றமாகாது; செவ்வாய்க் கிழமைகளில் மற்றொரு காரணியாக இருக்கலாம்.

திறன் பக்கத்தில், இரண்டு கருத்துக்கள் முக்கியமானவை. ஸ்லாட் ஸ்ப்ரெட் என்பது ஒரு நாளின் எந்த நேரத்தில் எத்தனை அப்பாயின்ட்மென்ட்களை வைக்கிறீர்கள். ஓவர் புக்கிங் என்பது எதிர்பார்த்த நோ-ஷோவை ஈடுசெய்யும் திறனை விட சற்று அதிகமாகவே முன்பதிவு செய்கிறது - எடுத்துக்காட்டாக, விமான நிறுவனங்கள் விமானங்களை அதிகமாக விற்பனை செய்யும் போது. ஓவர் புக்கிங் என்பது சூதாட்டம் அல்ல, கணக்கிடப்பட்ட இருப்பு: மிகக் குறைவாகச் செய்தால், காலி இடங்கள் இருக்கும், அதிகமாகச் செய்தால், எல்லாரும் வரும்போது வரிசையும் காத்திருப்பும் வெடிக்கும். இந்த சமநிலையை காட்சிகள் மூலம் நிரூபிக்க AI மிகவும் பயனுள்ளதாக இருக்கிறது.

படிப்படியாக: நோ-ஷோ மற்றும் AI உடன் விளக்கப்பட வேலை

1. அநாமதேயத் தரவைத் தயாரிக்கவும். நோயாளி பெயர், ஐடி, நெறிமுறை இல்லை; "நியமன நேரம், கிளை, காத்திருப்பு நாள், கடந்த எண்ணிக்கையில் இல்லாத நிகழ்ச்சிகள், வந்தது/காட்டவில்லை" போன்ற அநாமதேய புலங்கள் மட்டுமே.
2. வடிவத்தை கழிக்கவும். எந்தக் காரணிகள் நோ-ஷோவுடன் கைகோர்த்துச் செல்கின்றன என்பதைச் சுருக்கமாகக் கூற AIயிடம் கேளுங்கள்.
3. ரிஸ்க் பேண்டை வரையறுக்கவும். பேண்ட் நோயாளிகள் "உயர்/நடுத்தர/குறைந்த" நோ-ஷோ ஆபத்து - நிர்வகிக்கக்கூடிய குழுக்கள், தனிப்பட்ட மதிப்பெண்கள் அல்ல.
4. தலையீட்டைப் பொருத்து. அதிக ஆபத்துள்ள குழுவிற்கு மிகவும் தீவிரமான நினைவூட்டல் (SMS + அழைப்பு), நெகிழ்வான ஸ்லாட்; குறைந்த ஆபத்துக்கான நிலையான நினைவூட்டல்.
5. அதிக முன்பதிவு சூழ்நிலையை அமைக்கவும். எதிர்பார்க்கப்படும் நோ-ஷோ விகிதத்தின் அடிப்படையில் இன்னும் எத்தனை அப்பாயிண்ட்மெண்ட்கள் செய்யப்படும் என்பதை காட்சிகள் கணக்கிட வேண்டும்.
6. நிர்வாக வடிகட்டி. நேர்மை சோதனை: அணுகலில் இருந்து எந்த நோயாளி குழுவும் விலக்கப்படவில்லை; அதிகப்படியான முன்பதிவு நியாயமானது; மேலாளர் இறுதி அட்டவணையை அங்கீகரிக்கிறார்.

எச்சரிக்கை: "இந்த நோயாளிக்கு அப்பாயின்ட்மென்ட் செய்ய" ஆபத்து மதிப்பெண் ஒருபோதும் பயன்படுத்தப்படாது. ஸ்கோர் நினைவூட்டலை சுருக்கவும், அணுகலை எளிதாக்கவும் மற்றும் சமநிலை திறனை வழங்கவும் மட்டுமே. இல்லையெனில், அது நோயாளியின் உரிமைகளை மீறுவதாகும்.

மூன்று சிறிய வழக்குகள்

வழக்கு 1 - நினைவூட்டல் தீவிரம். ஒரு நுரையீரல் வெளிநோயாளர் கிளினிக்கில், நோ-ஷோ விகிதம் 28 சதவீதமாக இருந்தது. தரக் குழு YZ க்கு அநாமதேய 6-மாதத் தரவை வழங்கியது மற்றும் ஆபத்துக் குழுவைத் தீர்மானித்தது: 14 நாட்களுக்கு மேல் காத்திருந்த நோயாளிகள் மற்றும் அதற்கு முன் ஒரு முறையாவது வரவில்லை. தேர்வுக்கு 3 நாட்கள் மற்றும் 1 நாளுக்கு முன்பு இந்தக் குழுவிற்கு இரண்டு-நிலை SMS + அழைப்பு பயன்படுத்தப்பட்டது. மூன்று மாதங்களுக்குப் பிறகு, இந்தக் குழுவில் நிகழ்ச்சிகள் இல்லாதது 28 சதவீதத்திலிருந்து 17 சதவீதமாகக் குறைந்தது; பொது வெளிநோயாளர் கிளினிக் நோ-ஷோ விகிதம் 21 சதவீதமாகக் குறைந்துள்ளது. காலி இடங்கள் குறைந்து, காத்திருப்போர் பட்டியல் குறைக்கப்பட்டுள்ளது.

வழக்கு 2 - மிதமான ஓவர் புக்கிங். ஒரு டெர்மட்டாலஜி கிளினிக்கில் ஒரு நாளைக்கு 40 இடங்கள் இருந்தன, சராசரியாக 25 சதவிகிதம் (அதாவது ~10 காலியாக உள்ளது). மேலாளர் AIயிடம் அதிக முன்பதிவு செய்யும் காட்சியைக் கேட்டார். AI மூன்று காட்சிகளை வழங்கியது: +4 சந்திப்பு (குறைந்த ஆபத்து, சிறிய வரிசை நிகழ்தகவு), +8 (சமநிலை), +12 (அனைவரும் தோன்றினால் ஆக்கிரமிப்பு, தீவிரமான காத்திருப்பு). மேலாளர் +6 உடன் தொடங்கினார்; ஒரு மாதம் பார்த்தேன். இலவச ஸ்லாட்டுகள் 25 சதவீதத்திலிருந்து 9 சதவீதமாகக் குறைந்தது, சராசரி கூடுதல் காத்திருப்பு வெறும் 7 நிமிடங்கள் மட்டுமே அதிகரித்தது. முடிவு மனிதனுடையது; AI விருப்பங்களைத் தெரியும்படி செய்தது.

வழக்கு 3 - தவறான பயன்பாட்டிலிருந்து திரும்புதல். ஒரு யூனிட்டில், ஒரு ஊழியர் AI ரிஸ்க் ஸ்கோரை "அதிக ஆபத்துள்ள நபர்களுக்கு அப்பாயிண்ட்மெண்ட் கொடுக்கக்கூடாது" என்று விளக்க விரும்பினார். தர அதிகாரி இதை எதிர்த்தார்: இது பின்தங்கிய (அடைவது கடினம், குறைந்த வருமானம் உள்ள) நோயாளிகளை அமைப்பிலிருந்து விலக்கும் மற்றும் இது ஒரு நெறிமுறை மற்றும் சட்ட மீறலாகும். மதிப்பெண் விலக்கப்படுவதற்குப் பயன்படுத்தப்படவில்லை, ஆனால் நெகிழ்வான சந்திப்பு மற்றும் நோயாளியைச் சென்றடைவதை எளிதாக்கும் கூடுதல் நினைவூட்டல்களுக்குப் பயன்படுத்தப்பட்டது.

நகலெடுக்கக்கூடிய நான்கு வார்ப்புருக்கள்

1) நோ-ஷோ காரணி பகுப்பாய்வு:

உங்கள் பங்கு: வெளிநோயாளர் செயல்பாட்டு ஆய்வாளருக்கான இணை உதவியாளர். அநாமதேய சந்திப்புத் தரவு கீழே உள்ளது (பெயர்/அடையாளம் இல்லை): சந்திப்பு நேரம், கிளை, காத்திருக்கும் நாள், முந்தைய நிகழ்ச்சிகள் இல்லை, விளைவு (காட்டப்பட்டது/காட்டப்படவில்லை). பணி: (1) நோ-ஷோக்களுடன் மிகவும் வலுவாக இணைந்து நிகழும் 5 காரணிகளை பட்டியலிடவும், (2) ஒவ்வொன்றிற்கும் ஒரு வாக்கிய விளக்கத்தை எழுதவும், (3) இது தொடர்பு என்று கூறவும், காரணத்தை கோரவில்லை. நான் தரவு கொடுக்காத எந்த எண்களையும் உருவாக்க வேண்டாம்.

2) ரிஸ்க் பேண்ட் மற்றும் தலையீடு பொருத்தம்:

மேலே உள்ள வடிவங்களின் அடிப்படையில் நோயாளிகளை உயர்/நடுத்தர/குறைந்த தோல்வி அபாயம் கொண்ட 3 பேண்டுகளாகப் பிரிக்கும் எளிய, வெளிப்படையான விதிகளை (கருப்புப் பெட்டிகள் அல்ல, விளக்கக்கூடிய வரம்புகள்) பரிந்துரைக்கவும். ஒவ்வொரு இசைக்குழுவிற்கும், அணுகலைத் தடுக்கும் நினைவூட்டல்/வசதி தலையீட்டைப் பரிந்துரைக்கவும். எந்தவொரு பரிந்துரையும் நோயாளியை சந்திப்பிலிருந்து விலக்கக்கூடாது.

3) ஓவர் புக்கிங் சூழ்நிலை:

தினசரி ஸ்லாட்: 40. சராசரி நோ-ஷோ விகிதம்: 25.3% அதிக முன்பதிவு காட்சியை உருவாக்கவும் (பழமைவாத / சமநிலை / ஆக்கிரமிப்பு). ஒவ்வொரு சூழ்நிலையிலும்: செய்யப்பட வேண்டிய மொத்த அப்பாயிண்ட்மெண்ட்கள், எதிர்பார்க்கப்படும் உள்வரும் நோயாளிகள், அனைவரும் வந்தால் ஏற்படும் அதிக சுமை மற்றும் கூடுதல் காத்திருப்பு என மதிப்பிடப்பட்டுள்ளது. கணக்கீட்டு சூத்திரங்களைக் காட்டு, அதனால் நான் அவற்றை கைமுறையாக சரிபார்க்க முடியும்.

4) நினைவூட்டல் செய்தி வரைவு:

அதிக ஆபத்துள்ள குழுவிற்கு அனுப்பப்படும் ஒரு கண்ணியமான மற்றும் தெளிவான SMS நினைவூட்டலை (160 எழுத்துகளுக்கு கீழ்) எழுதவும். சந்திப்பை ரத்து செய்ய/ ஒத்திவைக்க எளிதான வழியை வழங்கவும். குற்றஞ்சாட்டும் மொழியைப் பயன்படுத்த வேண்டாம். துருக்கிய, சாதாரண ஆனால் சூடான.

பலவீனமான வரியில் / வலுவான வரியில்

பலவீனமான உடனடி:

நோ-ஷோவைக் குறைக்கவும்.

இந்த கோரிக்கை சூழல் இல்லாதது: எந்த கிளை, எந்த தரவு, எந்த கட்டுப்பாடு என்பது தெளிவாக இல்லை; AI பொதுவான, செயல்பட முடியாத ஆலோசனைகளை வழங்குகிறது.

சக்திவாய்ந்த தூண்டுதல்:

எங்கள் டெர்மட்டாலஜி வெளிநோயாளர் கிளினிக்கில் ஒரு நாளைக்கு 40 இடங்கள் உள்ளன, சராசரி நோ-ஷோ விகிதம் 25% ஆகும். என்னிடம் 6 மாத அநாமதேய அப்பாயிண்ட்மெண்ட் தரவு உள்ளது. அணுகல் உரிமையைப் பாதுகாக்கும் போது இலவச ஸ்லாட்டைக் குறைக்க விரும்புகிறேன். எனக்கு (1) 3-பேண்ட் ஆபத்து விதி, (2) ஒவ்வொரு இசைக்குழுவிற்கும் பொருத்தமான நினைவூட்டல் தீவிரம், (3) +6 ஓவர் புக்கிங் சூழ்நிலையின் எதிர்பார்க்கப்படும் தாக்கம்.

அணுகுமுறை

வெற்று ஸ்லாட்

நோயாளி அணுகல்

நெறிமுறை ஆபத்து

எதுவும் செய்யாதே

உயர்

நடுநிலை

இல்லை ஆனால் கழிவு உள்ளது

ஆபத்தான நபர்களுக்கான கூடுதல் நினைவூட்டல்

விழுகிறது

பாதுகாக்கப்பட்ட/அதிகரித்த

இல்லை

மிதமான ஓவர் புக்கிங்

குறிப்பிடத்தக்க அளவில் குறைகிறது

லேசான வால் ஆபத்து

குறைந்த, பார்க்க வேண்டும்

ஆபத்தான நபர்களுக்கு அப்பாயின்ட்மென்ட் வழங்கவில்லை

விழுகிறது

மீறப்படுகிறது

உயர் - சாத்தியமில்லை

பொதுவான தவறுகள்

• மதிப்பெண்களை விலக்குவதற்கான வழிமுறையாக தவறாகப் புரிந்துகொள்வது. ஆபத்து மதிப்பெண் நோயாளியை அகற்றுவது அல்ல, ஆனால் அவரை அடைய வேண்டும்.
• மிக அதிகமான முன்பதிவு. நோ-ஷோ விகிதத்தை மிகைப்படுத்தி, அதிகமான நியமனங்கள் வரிசையையும் புகார்களையும் அதிகரிக்கும்.
• காரணத்திற்கான தவறான தொடர்பு. "செவ்வாய் ஆபத்து" என்று சொல்வதால் செவ்வாய் கிழமையை தடை செய்வதில்லை; அதன் பின்னணியில் உள்ள உண்மையான காரணத்தைக் கண்டறியவும்.
• ஒற்றை அமர்வு தரவுகளுடன் முடிவு. ஒரு மாத தரவுகளின் அடிப்படையில் நிரந்தர விதிகளை உருவாக்குவது தவறானது; குறைந்தபட்சம் சில மாதங்கள் வடிவங்கள் தேவை.
• நீதி சோதனையை புறக்கணித்தல். தலையீடு பின்தங்கிய குழுக்களை விலக்கவில்லை என்பதை சரிபார்க்கவும்.

உதவிக்குறிப்பு: எப்பொழுதும் ஒரு சிறிய படியில் (எ.கா AI இன் காட்சி ஒரு கணிப்பு; புலத்தில் உங்கள் உண்மையான நோ-ஷோ வீதத்திற்கு நீங்கள் காட்சியைப் புதுப்பிக்க வேண்டும்.

சுருக்கமாக

நோ-ஷோ என்பது வெளிநோயாளர் திறனின் அமைதியான எதிரி. AI என்பது வரலாற்று அநாமதேய தரவுகளிலிருந்து நோ-ஷோ பேட்டர்ன்களைப் பிரித்தெடுப்பதற்கும், நோயாளிகளை ஆபத்துக் குழுக்களாகப் பிரிப்பதற்கும், அதிக முன்பதிவு காட்சிகளைக் காண வைப்பதற்கும் ஒரு சக்திவாய்ந்த உதவியாகும். ஆனால் உற்பத்தி செய்யப்படும் அனைத்தும் நிகழ்தகவு மதிப்பீடு ஆகும். இடர் மதிப்பெண் ஒருபோதும் விலக்குவதற்கான கருவி அல்ல; நினைவூட்டல் மற்றும் அணுகலைப் பாதுகாக்கும் வசதிக்காக. அதிக முன்பதிவு மலிவு மற்றும் அளவிடப்பட்டதாக இருக்க வேண்டும் மற்றும் சிறிய படிகளில் சோதிக்கப்பட வேண்டும். இறுதி விளக்கப்படம் நேர்மை மற்றும் நோயாளியின் உரிமைகளைக் கருத்தில் கொண்டு நிர்வாகிக்கு சொந்தமானது.

விண்ணப்ப பணி

ஒரு நாளைக்கு ஸ்லாட்டுகளின் எண்ணிக்கை மற்றும் உங்கள் யூனிட்டிலிருந்து (அல்லது அனுமானம்) சராசரி நோ-ஷோ வீதத்தைப் பெறுங்கள். மேலே உள்ள "Overbooking scenario" டெம்ப்ளேட்டுடன் மூன்று காட்சிகளை AIயிடம் கேளுங்கள். பின்னர் சூத்திரங்களை கைமுறையாக சரிபார்க்கவும் (எ.கா. 40 ஸ்லாட்டுகள், 25% நோ-ஷோக்கள் → எதிர்பார்க்கப்படும் 30 நிகழ்ச்சிகள் இல்லை; +6 46 சந்திப்புகளை வழங்கினால், ~34-35 நிகழ்ச்சிகள் இல்லை என்று எதிர்பார்க்கப்படுகிறது). நீங்கள் எந்த சூழ்நிலையைத் தேர்ந்தெடுத்தீர்கள், ஏன் 5 உருப்படிகளில் எழுதுங்கள்; நேர்மை சரிபார்ப்பையும் சேர்க்கவும்.

சரிபார்ப்பு பட்டியல்

• [ ] நான் தரவை அநாமதேயமாக்கிவிட்டேனா (பெயர்/ஐடி/நெறிமுறை இல்லை)?
• [ ] நான் ஆபத்து ஸ்கோரை அணுகல்-பாதுகாக்கும் தலையீட்டிற்குப் பயன்படுத்தியுள்ளேனா, விலக்கு அல்லவா?
• [ ] நான் சூத்திரத்துடன் ஓவர் புக்கிங் சூழ்நிலையை கைமுறையாக சரிபார்த்திருக்கிறேனா?
• [ ] நான் சிறிய படிகளில் அதிகமாக முன்பதிவு செய்ய ஆரம்பித்து, கண்காணிப்பு திட்டத்தை அமைத்துள்ளேனா?
• [ ] நான் ஒரு நியாயமான வடிகட்டி மூலம் இறுதி அட்டவணையை நிறைவேற்றி அதை மேலாளர் ஒப்புதலுக்கு உட்படுத்தியுள்ளேனா?