Lợi nhuận:
- Khả năng hiểu các khái niệm về chuỗi thời gian, tính thời vụ và xu hướng, đồng thời sử dụng trí tuệ nhân tạo với các câu hỏi và dữ liệu phù hợp để dự báo nhu cầu của bệnh nhân
- Khả năng giải thích sự không chắc chắn của dự báo (khoảng tin cậy, kịch bản) và lập kế hoạch cơ sở trên một phạm vi thay vì một con số duy nhất
- Có thể phân biệt rằng dự đoán của trí tuệ nhân tạo dựa trên dữ liệu lịch sử và phán đoán của chuyên gia sẽ được đưa ra trong các trường hợp bùng phát như dịch bệnh / thảm họa.
Câu hỏi khó nhất đối với người quản lý bệnh viện là về tương lai: "Tuần tới sẽ có bao nhiêu bệnh nhân đến phòng cấp cứu? Lượng bệnh nhân ngoại trú sẽ tăng bao nhiêu trong mùa cúm mùa đông? Bao nhiêu nhân viên sẽ đủ trong kỳ nghỉ?" Câu trả lời cho những câu hỏi này không rõ ràng, nhưng không hoàn toàn đen tối. Quá khứ mang theo manh mối cho tương lai. Dự báo nhu cầu là nghiên cứu dự đoán bệnh nhân/khối lượng công việc trong tương lai bằng cách xem dữ liệu lịch sử. Trong phần này, bạn sẽ học cách sử dụng trí tuệ nhân tạo trong dự báo nhu cầu và - quan trọng không kém - cách quản lý tính không chắc chắn của dự báo. Nguyên tắc chung: Dự đoán AI dựa trên các mẫu trong quá khứ; Đánh giá của chuyên gia được ưu tiên trong các tình huống như dịch bệnh, thảm họa và những thay đổi về luật pháp.
Ba thành phần của chuỗi thời gian
Dữ liệu nhu cầu lịch sử được gọi là chuỗi thời gian - một chuỗi số theo thứ tự được đo theo các khoảng thời gian cụ thể (hàng ngày, hàng tuần). Để hiểu một chuỗi thời gian, cần chia nó thành ba phần. Xu hướng, định hướng dài hạn: việc nhập viện khẩn cấp của bạn tăng hay giảm qua các năm? Tính thời vụ, biến động thường xuyên: bệnh hô hấp gia tăng vào mùa đông, chấn thương/tai nạn gia tăng vào mùa hè, phòng khám ngoại trú vắng khách vào cuối tuần. Tiếng ồn/biến động là những biến động ngẫu nhiên không giải thích được. Một dự báo tốt sẽ nắm bắt được xu hướng và tính thời vụ và không làm tăng mức độ nhiễu. AI giúp bạn thực hiện việc phân tách này; Nhưng công việc của bạn là đánh giá đâu là hình mẫu thực và đâu là tiếng ồn.
Khái niệm quan trọng nhất là sự không chắc chắn. Không có ước tính nào là một con số dứt khoát duy nhất. Một ước tính tốt đưa ra một phạm vi: "Chúng tôi dự đoán sẽ có khoảng 210 đến 260 bệnh nhân vào phòng cấp cứu vào thứ Bảy tới, với giá trị rất có thể là 235." Khoảng này được gọi là khoảng tin cậy. Nếu bạn lập kế hoạch dựa trên một phạm vi chứ không phải một con số duy nhất, bạn sẽ chuẩn bị cho cả tình huống thấp và cao. Tin vào số lẻ là sai lầm kinh điển của việc dự đoán quá tự tin.
Có một logic thực tế trong việc lập kế hoạch giãn cách: trong chăm sóc sức khỏe, không có hai khía cạnh sai sót nào gây tổn hại như nhau. Khi không đủ nhân lực và nhu cầu cao sẽ có nguy cơ phải chờ đợi, quá tải và mất an toàn cho người bệnh; Đây là một mức giá nặng nề. Khi dư thừa nhân lực và nhu cầu thấp sẽ xuất hiện chi phí nhàn rỗi; Đây cũng là điều không mong muốn nhưng dễ quản lý hơn. Do đó, việc lập kế hoạch ở các đơn vị quan trọng (cấp cứu, chăm sóc đặc biệt) thường được thực hiện ở gần mức cao nhất (kịch bản cao), nhưng với kế hoạch linh hoạt có thể chuyển công suất dư thừa sang đơn vị khác. Điều có giá trị nhất mà dự báo mang lại cho bạn không phải là con số chính xác mà là khả năng nhìn thấy rủi ro hai chiều này và chọn một vùng đệm sáng suốt.
Từng bước: Dự báo nhu cầu với AI
- Thu thập đủ dữ liệu lịch sử. Số lượng đơn đăng ký ẩn danh hàng ngày/hàng tuần trong ít nhất một năm, tốt nhất là 2-3 năm, để nắm bắt tính thời vụ.
- Thêm bối cảnh. Đánh dấu các tác động đã biết như ngày lễ, chiến dịch, thời tiết, thời kỳ dịch bệnh; Nếu không, AI sẽ nghĩ chúng là tiếng ồn.
- Phân hủy. Yêu cầu AI tóm tắt xu hướng, tính thời vụ và những bước nhảy vọt bất thường.
- Nhận dự báo khoảng thời gian. Yêu cầu dự đoán với các kịch bản thấp/có khả năng/cao chứ không phải các con số đơn lẻ.
- Chuyển đổi sang công suất. Chuyển đổi ước tính về nhân sự, giường ngủ và nhu cầu vật chất.
- Kiểm soát sự cố. Nếu có một yếu tố sắp xảy ra chưa từng tồn tại trong quá khứ, chẳng hạn như dịch bệnh, sự thay đổi về luật pháp hoặc việc mở một dịch vụ mới, hãy điều chỉnh dự báo theo cách thủ công với sự đánh giá của chuyên gia.
Thận trọng: Nếu bạn yêu cầu AI "dự đoán năm tới" và không cung cấp dữ liệu cho nó, nó sẽ cung cấp cho bạn một con số giả. Dự đoán chỉ có ý nghĩa dựa trên dữ liệu lịch sử bạn cung cấp.
ba trường hợp nhỏ
Trường hợp 1 - Chuẩn bị mùa cúm. Một bệnh viện đã cung cấp dữ liệu nhập viện cấp cứu hàng ngày ẩn danh trong 3 năm cho YZ. YZ cho thấy số đơn đăng ký đã tăng trung bình 35% từ giữa tháng 12 đến tháng 2 hàng năm, với mức cao nhất là vào tuần thứ 3 của tháng 1. Ban quản lý đã lên kế hoạch bổ sung ca bác sĩ và y tá trong thời gian này, đồng thời tăng lượng vắc xin cúm và xét nghiệm nhanh. Mùa đông năm đó, thời gian chờ đợi trong tuần cao điểm giảm rõ rệt so với năm trước; vì năng lực đã đáp ứng được tình trạng ùn tắc.
Trường hợp 2 - Kịch bản thay vì khoảng thời gian. Một giám đốc doanh nghiệp đã yêu cầu AI cung cấp một con số duy nhất cho “đơn đăng ký khẩn cấp vào Thứ Bảy tới” của anh ấy: 240. Sau đó, anh ấy hỏi lại với khoảng tin cậy: 205–275. Người quản lý lập quy hoạch theo 275 (kịch bản cao) nhưng cũng chuẩn bị phương án rút lui linh hoạt (chuyển nhân sự dư thừa sang đơn vị khác) theo 205. Thực tế áp dụng là 262; Nếu chỉ dựa vào một con số duy nhất, ông sẽ có 22 bệnh nhân bị thiếu kế hoạch. Làm việc ngắt quãng đã bảo vệ anh ấy.
Trường hợp 3 - Đột phá phá vỡ dự đoán. Có một trận lũ lụt bất ngờ xảy ra ở một vùng. Dự báo dựa trên dữ liệu lịch sử cho biết "bình thường" trong tuần đó; trong khi các ứng dụng khẩn cấp đã tăng gấp đôi. Dự đoán AI không thể nhìn thấy điểm dừng vì sự kiện như vậy không tồn tại trong quá khứ. Bộ phận xử lý khủng hoảng đã chuyển từ dự báo sang theo dõi ứng dụng theo thời gian thực và cập nhật hàng giờ. Bài học: trong sự đứt gãy về cấu trúc, quá khứ không còn là người dẫn đường; đánh giá của chuyên gia và giám sát trực tiếp được ưu tiên.
Bốn mẫu có thể sao chép
1) Phân rã chuỗi thời gian:
Vai trò của bạn: trợ lý phân tích nhu cầu của bệnh viện. Dưới đây là danh sách ẩn danh hàng tuần về số lượng nhập viện khẩn cấp trong 3 năm. Nhiệm vụ: (1) tóm tắt xu hướng chung (tăng/giảm), (2) mô tả mô hình theo mùa theo tháng, (3) nêu bật những bước nhảy vọt bất thường. Phân biệt giữa đâu là mô hình thực và đâu là biến động ngẫu nhiên. Thêm số trang điểm.
2) Dự báo theo khoảng thời gian:
Dựa trên dữ liệu trên, hãy lập dự báo ứng dụng khẩn cấp hàng tuần trong 4 tuần tới. KHÔNG phải một con số; Đưa ra phạm vi thấp/rất có thể/cao cho mỗi tuần. Giải thích ngắn gọn tại sao phạm vi lại rộng như vậy.
3) Quy đổi sang công suất dự kiến:
Kịch bản cao ước tính cho tuần cao điểm là 275 lượt/ngày. Bác sĩ cấp cứu trung bình khám ~35 bệnh nhân mỗi ca, một y tá khám ~25. Nhiệm vụ: tính số bác sĩ, y tá tối thiểu cần có trong kịch bản cao, trình bày công thức. Nói rõ rằng đây là đầu vào của kế hoạch và quyết định cuối cùng tùy thuộc vào người quản lý.
4) Danh sách kiểm tra cảnh báo sự cố:
Chuẩn bị một danh sách kiểm tra trong đó tôi sẽ hỏi xem có yếu tố nào KHÔNG có trong dữ liệu lịch sử trong giai đoạn tiếp theo hay không: dịch bệnh, thay đổi luật pháp, mở đơn vị mới, sự kiện khu vực, thời tiết/thảm họa. Thêm ghi chú cho từng mục, "Nếu vậy, tôi nên sửa dự báo theo cách thủ công như thế nào?"
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Có bao nhiêu bệnh nhân sẽ đến vào tháng tới?
Không có dữ liệu, không có đơn vị, không có định nghĩa thời kỳ; AI chỉ có thể tạo ra mọi thứ.
Lời nhắc mạnh mẽ:
Tôi có dữ liệu đăng ký phòng khám ngoại trú hàng tuần ẩn danh trong 3 năm (đính kèm). Tôi biết rằng tải trọng tăng lên trong những tháng mùa đông. Đưa ra dự báo ở mức thấp/có thể xảy ra/cao trong 6 tuần tới, mô tả mô hình theo mùa theo tháng và liệt kê bất kỳ yếu tố sai lệch nào có thể khiến dự báo không đầy đủ/gây hiểu lầm.
khái niệm
Ý bạn là gì?
Tác động tới quy hoạch
xu hướng
định hướng lâu dài
Đầu tư năng lực lâu dài
tính thời vụ
Sự lặp lại thường xuyên
Nhân sự/kho hàng bổ sung theo mùa
khoảng tin cậy
Dải không chắc chắn của dự báo
Kế hoạch kịch bản thấp và cao
gãy xương
sự kiện đã không xảy ra trong quá khứ
Đừng đoán nữa, chuyển sang xem trực tiếp
Những lỗi thường gặp
- Tin vào số lẻ. Ước tính là một phạm vi; Lập kế hoạch dựa trên một điểm duy nhất là rủi ro.
- Không đủ dữ liệu. Tính thời vụ không thể được nắm bắt với dữ liệu ít hơn một năm.
- Không đánh dấu bối cảnh. Nếu bạn không chỉ định ngày lễ và chương trình khuyến mãi, AI sẽ nhầm chúng là tiếng ồn.
- Bỏ qua sự tan vỡ. Trong thời kỳ dịch bệnh/thảm họa, dữ liệu trong quá khứ bị sai lệch.
- Quyết định mang tính dự đoán. Dự đoán là một đầu vào; Các quyết định về nhân sự và ngân sách thuộc về người quản lý.
Mẹo: So sánh dự báo của bạn với thực tế mỗi tháng và ghi lại "mức chênh lệch là bao nhiêu". Phản hồi này cải thiện cả dự đoán của bạn và dữ liệu bạn cung cấp cho AI theo thời gian, đồng thời dạy cho bạn mức độ tin cậy vào dự đoán.
Tóm lại
Dự báo nhu cầu xây dựng một cầu nối từ dữ liệu quá khứ đến tương lai, nhưng cây cầu này không chắc chắn. AI là một công cụ hỗ trợ mạnh mẽ trong việc phân tách chuỗi thời gian thành xu hướng, tính thời vụ và mức độ nhiễu cũng như đưa ra dự báo theo khoảng thời gian. Lập kế hoạch dựa trên khoảng tin cậy, không phải một con số; Cùng nhau chuẩn bị cho kịch bản thấp và cao. Quan trọng nhất: dữ liệu trong quá khứ không còn là kim chỉ nam trong những thời điểm bùng phát như dịch bệnh, thiên tai và những thay đổi về luật pháp; Đó là lúc mà sự đánh giá của chuyên gia và giám sát theo thời gian thực được đặt lên hàng đầu.
Nhiệm vụ ứng dụng
Nếu bạn có dữ liệu tham chiếu hàng tuần ẩn danh ít nhất một năm (nếu không, hãy tạo giả thuyết), hãy yêu cầu AI cung cấp mô hình theo mùa và dự báo khoảng thời gian 4 tuần bằng các mẫu "Phân tích chuỗi thời gian" và "Dự báo khoảng thời gian". Sau đó so sánh các giá trị có khả năng xảy ra nhất với giá trị trung bình thô của bạn. Viết vào 5 mục cách bạn xác định yếu tố đột phá sắp xảy ra (ví dụ: mở phòng khám ngoại trú mới) và điều chỉnh dự báo theo cách thủ công.
danh sách kiểm tra
- [ ] Tôi có sử dụng dữ liệu ẩn danh ít nhất một năm để nắm bắt tính thời vụ không?
- [ ] Tôi đã đánh dấu các bối cảnh như ngày lễ/chiến dịch chưa?
- [ ] Tôi có lập kế hoạch bằng khoảng tin cậy thay vì một con số không?
- [ ] Tôi đã kiểm tra các yếu tố đột phá ở đường chân trời chưa?
- [ ] Tôi có lấy ước tính làm đầu vào và để người quản lý quyết định không?