收益：
- 能够理解时间序列、季节性和趋势的概念，并使用人工智能和正确的问题和数据来预测患者需求
- 能够解释预测不确定性（置信区间、情景）并根据范围而不是单个数字进行规划
- 能够区分人工智能预测是基于历史数据，而在流行病/灾害等疫情爆发时，专家判断就显得尤为重要。
对于医院管理者来说，最棘手的问题是关于未来：“下周将有多少患者来到急诊室？冬季流感季节期间门诊负荷会增加多少？假期期间需要多少工作人员？”这些问题的答案尚不清楚，但也并非完全黑暗。过去承载着未来的线索。需求预测是通过查看历史数据来预测未来患者/工作量的研究。在本单元中，您将学习如何在需求预测中使用人工智能，以及同样重要的是如何管理预测的不确定性。经验法则：人工智能预测基于过去的模式；在流行病、灾害和立法变更等情况下，专家判断优先。
时间序列的三个组成部分
历史需求数据称为时间序列——按特定时间间隔（每日、每周）测量的有序数字序列。要理解时间序列，有必要将其分为三个部分。趋势、长期方向：您的急诊入院多年来是增加还是减少？季节性，有规律的反复波动：冬季呼吸系统疾病增加，夏季创伤/事故增加，周末门诊空无一人。噪声/波动是无法解释的随机波动。好的预测能够捕捉趋势和季节性，并且不会夸大噪音。人工智能可以帮助你完成这种分离；但判断什么是真实模式、什么是噪音是你的工作。
最关键的概念是不确定性。没有一个估计是单一的确定数字。一个好的估计给出了一个范围：“我们预计下周六急诊室里有 210 到 260 名患者，最有可能的值为 235 名。”这个区间称为置信区间。如果您根据一个范围而不是单个数字进行计划，那么您将为低和高情况做好准备。相信奇数是过度自信预测的典型错误。
间隔规划有一个实用的逻辑：在医疗保健领域，任何两个方面的错误都不会付出同样的代价。当人手不足且需求量大时，存在等待、过度拥挤和患者安全的风险；这是一个沉重的代价。当人员过剩而需求低迷时，就会产生闲置成本；这也是不可取的，但更容易管理。因此，重要病房（急诊、重症监护）的规划通常在范围的上限附近（高情景）进行，但有一个灵活的计划，可以将多余的能力转移到另一个病房。预测为您提供的最有价值的东西不是确切的数字，而是看到这种双向风险并选择明智的缓冲的能力。
一步一步：利用人工智能进行需求预测
- 收集足够的历史数据。至少一整年（最好是 2-3 年）的每日/每周匿名申请数量，以捕捉季节性。
- 添加上下文。标记已知的影响，例如假期、活动、天气、流行病时期；否则，人工智能会认为它们是噪音。
- 分解。要求 AI 总结趋势、季节性和异常跳跃。
- 获取区间预测。要求对低/可能/高场景进行预测，而不是单个数字。
- 换算成容量。转换估计的人员、床位和物资需求。
- 破损控制。如果即将出现过去不存在的因素，例如流行病、立法变化或新服务的开通，请根据专家判断手动纠正预测。
注意：如果你告诉人工智能“预测明年”并且不给它数据，它会给你一个虚构的数字。该预测仅对您提供的历史数据有意义。
三个迷你箱子
案例 1 — 流感季节准备。某医院向 YZ 提供了 3 年的每日匿名急诊入院数据。 YZ显示，每年12月中旬至2月期间，申请量平均增加35%，其中峰值出现在1月的第3周。管理层计划在此窗口期间增加医生和护士轮班，并增加流感疫苗和快速检测的库存。那年冬天，高峰周的等待时间与去年相比明显下降；因为容量已经达到了拥堵的程度。
情况 2 — 场景而不是间隔。一位业务经理向 AI 询问他的“下周六紧急申请”的单个数字：240。然后他再次询问，置信区间为：205-275。经理根据275（高情景）制定了规划，同时根据205制定了灵活的退出计划（将多余人员转移到其他单位）。实际申请数为262；如果他只依赖一个数字，他就会对 22 名患者的计划不足。间歇性工作保护了他。
案例 3 — 突破扰乱了预测。一个地区发生了意外的洪水。基于历史数据的预测表明该周“正常”；而紧急申请则增加了一倍。 AI预测看不到突破，因为过去不存在这样的事件。危机部门已经从预测转向实时应用程序跟踪和每小时更新。教训：在结构性断裂中，过去不再是指导；专家判断和现场监控优先。
四个可复制模板
1）时间序列分解：
您的角色：医院需求分析师助理。以下是一份每周匿名的 3 年紧急入院人数列表。任务：(1) 总结总体趋势（增加/减少），(2) 按月描述季节性模式，(3) 突出显示任何异常的跳跃。区分什么是真实模式，什么可能是随机波动。添加虚构的数字。
2）区间预测：
根据上述数据，对未来 4 周的每周紧急应用进行预测。不是一个数字；给出每周的低值/最有可能值/高值范围。简单解释一下为什么范围这么宽。
3) 换算为预计容量：
高峰周的最高情景估计为每天 275 人次入场。急诊医生平均每个班次会诊约 35 名患者，而护士每班会诊约 25 名患者。任务：计算高场景下所需的最少医生和护士数量，并显示公式。声明这是一个计划输入，最终决定权由经理决定。
4) 破损警告检查表：
准备一份清单，我会在其中询问是否存在下一个时期的历史数据中没有的因素：流行病、立法变化、新单位开业、区域事件、天气/灾难。为每个项目添加注释，“如果是这样，我应该如何手动更正预测？”
弱提示/强提示
弱提示：
下个月有多少病人会来？
没有数据、没有单位、没有时期定义；人工智能只能编造事情。
强力提示：
我有3年匿名每周门诊申请数据（附后）。我知道冬季负荷会增加。给出未来 6 周的低/可能/高范围预测，按月份描述季节性模式，并列出可能导致预测不完整/误导的任何偏差因素。
概念
你什么意思？
对规划的影响
趋势
长期方向
永久产能投资
季节性
定期重复
季节性额外人员/库存
置信区间
预测的不确定性范围
低情景和高情景计划
骨折
过去没有发生的事件
停止猜测，切换到实时观看
常见错误
- 相信奇数。估计值是一个范围；基于单点的规划是有风险的。
- 数据不足。少于一年的数据无法捕捉季节性。
- 不标记上下文。如果你不指定假期和促销活动，人工智能会将它们误认为是噪音。
- 忽略破损。在流行病/灾难期间，过去的数据具有误导性。
- 预测性决策。预测是一个输入；人事和预算决策属于经理。
提示：每月将您的预测与实际情况进行比较，并记录“偏离了多少”。随着时间的推移，这种反馈会改善你的预测和你提供给人工智能的数据，并告诉你对预测的信任程度。
总之
需求预测搭建了一座从过去的数据到未来的桥梁，但这座桥梁是不确定的。人工智能是将时间序列分为趋势、季节性和噪声并生成区间预测的强大辅助工具。规划基于置信区间，而不是单个数字；一起为低和高的情况做好准备。最重要的是：在流行病、灾难和立法变化等破裂时期，过去的数据不再是指导；这就是专家判断和实时监控的首要任务。
应用任务
如果您至少有一年的匿名每周参考数据（如果没有，则生成假设），请使用“时间序列分解”和“间隔预测”模板向 AI 询问季节模式和 4 周间隔预测。然后将最可能的值与您的粗略平均值进行比较。写下 5 项您将如何识别即将出现的突破性因素（例如，开设新的门诊诊所）并手动更正预测。
清单
- [ ] 我是否使用了至少一年的匿名数据来捕捉季节性？
- [ ] 我是否标记了假期/活动等背景？
- [ ] 我是否使用置信区间而不是单个数字进行规划？
- [ ] 我检查过即将出现的突破因素了吗？
- [ ] 我是否将估算作为输入并将决定留给经理？