Tartalom
K:
Milyen üzleti problémákat tud kezelni a gépi tanulás?
A:
A LeanTaaS-nél arra koncentrálunk, hogy prediktív elemzéseket, optimalizálási algoritmusokat, gépi tanulást és szimulációs módszereket használjunk az egészségügyi rendszer szűkös eszközeinek kapacitásának felszabadítására - ez egy kihívást jelentő probléma az egészségügyi ellátásban rejlő nagy variabilitás miatt.
A megoldásnak képesnek kell lennie olyan specifikus ajánlások generálására, amelyek ahhoz szükségesek, hogy a frontvonal naponta több száz kézzelfogható döntést hozhasson. A személyzetnek abban a bizalomban kell lennie, hogy a gép hatalmas mennyiségű adatot dolgozott fel az ajánlások meghozatala mellett, és megtanulta a betegek mennyiségének, összetételének, kezelésének, kapacitásának, személyzetének, felszerelésének stb. idővel előfordulhatnak.
Fontolja meg azt a megoldást, amely intelligens útmutatást nyújt az ütemezők számára a megfelelő időrésben, amelyben egy konkrét találkozót ütemezni kell. A gépi tanulási algoritmusok összehasonlíthatják a ténylegesen lefoglalott találkozók mintáit az ajánlott találkozók mintázatához képest. Az eltérések automatikusan és méretarányosan elemezhetők, hogy a „hiányosságokat” egyedi eseményeknek, ütemezői hibáknak vagy olyan mutatónak minősítsék, amelyek szerint az optimalizált sablonok eltolódnak az igazításból, és ezért indokolják a frissítést.
Másik példa: tucatnyi ok van arra, hogy a betegek mikor érkezhetnek korábban, időben vagy késésben az ütemezett időpontba. Az érkezési idők mintájának bányászásával az algoritmusok folyamatosan „megtanulják” a pontosság (vagy annak hiánya) mértékét a napszak és az adott hét napja alapján. Ezek beépíthetők az optimális kinevezési sablon konkrét csúcsainak elkészítésébe, hogy ellenálljanak az elkerülhetetlen sokkoknak és késéseknek, amelyek bármilyen, a betegek kinevezését érintő valós rendszerben előfordulhatnak.