Обсудить внедрение
Наши менеджеры обязательно свяжутся с вами
Импортозамещаем Програмное обеспечение. Переводим на ПО сертифицированное в РФ.
Используется в здравоохранении для предсказания времени ожидания для пациента в приёмном покое скорой помощи. Для предсказания используются такие факторы, как уровень укомплектованности персоналом, данные о пациенте, графики отделений скорой помощи и даже планы помещений.
Многие исследования показывают, что удовлетворенность пациентов значительно отрицательно коррелирует со временем ожидания. Хорошо продуманная система здравоохранения не должна заставлять пациентов слишком долго ждать приема и консультации.
Задача анализа времени ожидания становится еще более сложной, если входные данные имеют низкую полезность, что происходит, когда данные сильно деидентифицированы путем удаления как прямых, так и квазиидентификаторов.
Вторая цель заключалась в повышении производительности этих моделей прогнозирования за счет использования знаний системы, в то время как входные данные были с высокой степенью деидентификации. Третьей целью было определить факторы, обусловливающие длительное время ожидания, а четвертой целью было построение этих моделей таким образом, чтобы они были практичными и простыми в реализации (и, следовательно, привлекательными для поставщиков медицинских услуг).
Предложенные предикторы оценивались с использованием методов линейного и нелинейного обучения. Авторы использовали реальные данные из ED.
Новизна исследования основана на попытке вывести переменные на основе очереди, отражающие уровень загруженности мероприятий в ED с помощью методов интеллектуального анализа процессов. Такая информация часто недоступна или ее особенно трудно извлечь автоматически из-за особенностей процессов ED.
Многие исследования показывают, что удовлетворенность пациентов значительно отрицательно коррелирует со временем ожидания. Хорошо продуманная система здравоохранения не должна заставлять пациентов слишком долго ждать приема и консультации.
Задача анализа времени ожидания становится еще более сложной, если входные данные имеют низкую полезность, что происходит, когда данные сильно деидентифицированы путем удаления как прямых, так и квазиидентификаторов.
Цели прогнозирования времени ожидания
Первой целью этого исследования была разработка моделей машинного обучения для прогнозирования времени ожидания от направления до первого приема амбулаторных психиатрических пациентов с использованием данных в режиме реального времени.Вторая цель заключалась в повышении производительности этих моделей прогнозирования за счет использования знаний системы, в то время как входные данные были с высокой степенью деидентификации. Третьей целью было определить факторы, обусловливающие длительное время ожидания, а четвертой целью было построение этих моделей таким образом, чтобы они были практичными и простыми в реализации (и, следовательно, привлекательными для поставщиков медицинских услуг).
Методология и подход
Наряду с традиционными переменными, влияющими на время ожидания ED, авторы разработали новые предсказатели на основе очереди, использующие интеллектуальный анализ процессов. Методы анализа процессов позволили авторам обнаружить фактический поток пациентов и получить информацию об уровне загруженности мероприятий.Предложенные предикторы оценивались с использованием методов линейного и нелинейного обучения. Авторы использовали реальные данные из ED.
Результаты
Как и ожидалось, основные результаты показывают, что интеграция набора предикторов с переменными на основе очереди значительно повышает точность прогнозирования времени ожидания. В частности, значения среднеквадратичной ошибки были снижены примерно на 22 и 23% за счет применения методов линейного и нелинейного обучения соответственно.
Практические последствия
Точные оценки времени ожидания могут позволить системам ED предотвращать переполненность, например, улучшать маршрутизацию пациентов в EDs и более эффективно управлять ресурсами. Предоставление точной информации о времени ожидания также может привести к снижению неудовлетворенности пациентов и побегов.Новизна исследования основана на попытке вывести переменные на основе очереди, отражающие уровень загруженности мероприятий в ED с помощью методов интеллектуального анализа процессов. Такая информация часто недоступна или ее особенно трудно извлечь автоматически из-за особенностей процессов ED.
Как получить точную смету на IT решение?
Оставьте заявку на сайте и менеджер вам перезвонит.
Мы можем назначить видеоконференцию или приехать лично для обсуждения деталей.