Innehåll
F:
Vilka typer av affärsproblem kan maskininlärning hantera?
A:
På LeanTaaS är vårt fokus att använda prediktiv analys, optimeringsalgoritmer, maskininlärning och simuleringsmetoder för att låsa upp kapaciteten för knappa tillgångar i ett hälso-system - ett utmanande problem på grund av den stora variationen i hälsovården.
Lösningen måste kunna generera rekommendationer som är tillräckligt specifika för att frontlinjen ska kunna fatta hundratals konkreta beslut varje dag. Personalen måste ha förtroende för att maskinen kom till de rekommendationer som har behandlat enorma mängder data förutom att ha lärt sig från alla förändringar i patientens volym, blandning, behandlingar, kapacitet, bemanning, utrustning etc., vilket oundvikligen kommer inträffar över tiden.
Överväg en lösning som ger intelligent vägledning till schemaläggare på rätt tidslucka där en specifik möte ska schemaläggas. Maskininlärningsalgoritmer kan jämföra mönstren för de möten som faktiskt bokades mot det rekommenderade mönstret för möten. Avvikelser kan analyseras automatiskt och i skala för att klassificera "missarna" som antingen unika händelser, schemaläggningsfel eller en indikator på att de optimerade mallarna driver ut ur justering och därför garanterar en uppdatering.
Som ett annat exempel finns det dussintals orsaker till att patienter kan komma tidigt, i tid eller sent till deras schemalagda möten. Genom att bryta mönstret för ankomsttider kan algoritmer kontinuerligt "lära" graden av punktlighet (eller brist på) baserat på tid på dagen och den specifika veckodagen. Dessa kan integreras i att göra specifika justeringar på den optimala möten för möten så att de är motståndskraftiga mot de oundvikliga chocker och förseningar som uppstår i alla verkliga system som involverar patientutnämningar.