Content
P:
Quins tipus de problemes empresarials pot tenir en compte l’aprenentatge automàtic?
R:
A LeanTaaS, el nostre objectiu és utilitzar analítiques de predicció, algoritmes d’optimització, mètodes d’aprenentatge automàtic i simulació per desbloquejar la capacitat d’actius escassos en un sistema sanitari, un problema difícil a causa de l’elevada variabilitat inherent a l’atenció sanitària.
La solució ha de ser capaç de generar recomanacions prou específiques perquè la primera línia pugui prendre centenars de decisions tangibles cada dia. El personal ha de tenir la confiança que la màquina ha arribat a les recomanacions que hagin processat quantitats de dades immenses, a més d’haver après de tots els canvis en el volum del pacient, barreja, tractaments, capacitat, personal, equipament, etc., que inevitablement es produeixen amb el pas del temps.
Penseu en una solució que proporciona orientació intel·ligent als planificadors en la franja horària adequada en què haureu de programar una cita específica. Els algorismes d’aprenentatge automàtic poden comparar els patrons de les cites que es van reservar en realitat amb el patró recomanat de cites. Les discrepàncies es poden analitzar automàticament i a escala per classificar les “faltes” com a esdeveniments únics, errors de planificació o un indicador que les plantilles optimitzades es desprenen de l’alineació i per tant justifiquen una actualització.
Com a exemple més, hi ha desenes de raons per les quals els pacients poden arribar precoçment, puntualment o tardant a les seves cites programades. Mitjançant el patró d’horaris d’arribada, els algoritmes poden “aprendre” contínuament el grau de puntualitat (o falta) en funció de l’hora del dia i del dia específic de la setmana. Es poden incorporar a l’hora de realitzar ajustaments específics sobre la plantilla de cita òptima de manera que siguin resistents als xocs i retards inevitables que es produeixen en qualsevol sistema del món real que inclogui cites de pacients.