Indhold
Q:
Hvilke forretningsproblemer kan maskinlæring håndtere?
EN:
Hos LeanTaaS er vores fokus at bruge forudsigelig analyse, optimeringsalgoritmer, maskinlæring og simuleringsmetoder for at låse kapaciteten på knappe aktiver i et sundhedssystem - et udfordrende problem på grund af den høje variation, der er forbundet med sundhedsvæsenet.
Løsningen skal være i stand til at generere henstillinger, der er specifikke nok til, at frontlinjen kan tage hundreder af konkrete beslutninger hver dag. Personalet skal have tillid til, at maskinen kom til disse henstillinger, der har behandlet store mængder data ud over at have lært af alle ændringerne i patientens volumen, blanding, behandlinger, kapacitet, personale, udstyr osv., Som uundgåeligt vil forekommer over tid.
Overvej en løsning, der giver intelligent vejledning til planlæggere på det rigtige tidsrum, hvor en bestemt aftale skal planlægges. Maskinlæringsalgoritmer kan sammenligne mønstre for de aftaler, der faktisk blev booket, kontra det anbefalede mønster for aftaler. Uoverensstemmelser kan analyseres automatisk og på skala for at klassificere “missene” som enten unikke begivenheder, planlægningsfejl eller en indikator for, at de optimerede skabeloner løber ud af justeringen og derfor garanterer en opdatering.
Som et andet eksempel er der dusinvis af årsager til, at patienter kan ankomme tidligt, til tiden eller sent til deres planlagte aftaler. Ved at udvinde mønsteret for ankomsttider kan algoritmer kontinuerligt "lære" graden af punktlighed (eller mangel på) baseret på tidspunktet på dagen og den specifikke ugedag. Disse kan indarbejdes i at lave specifikke justeringer på den optimale aftaleskabelon, så de er modstandsdygtige over for de uundgåelige stød og forsinkelser, der opstår i ethvert reelt system, der involverer patientaftaler.