İçerik
S:
Makineyle öğrenmeyi ne tür iş sorunları çözebilir?
A:
LeanTaaS'ta odak noktamız sağlık sistemindeki kıt varlıkların kapasitesinin kilidini açmak için öngörücü analitik, optimizasyon algoritmaları, makine öğrenmesi ve simülasyon yöntemlerini kullanmaktır - sağlık hizmetlerinde doğal olan yüksek değişkenlik nedeniyle zorlu bir problem.
Çözüm, ön hattın her gün yüzlerce somut karar vermesi için yeterince spesifik öneriler üretebilmelidir. Personel, kaçınılmaz bir şekilde hasta hacmindeki, karışımındaki, tedavilerindeki, kapasitedeki, personeldeki, teçhizattaki, vb. Tüm değişikliklerden öğrenmenin yanı sıra, makinenin çok miktarda veri işlenmiş olan tavsiyelere ulaştığından emin olmalıdır. zamanla meydana gelir.
Belirli bir randevunun planlanması gereken doğru zaman dilimindeki programlayıcılara akıllı rehberlik sağlayan bir çözüm düşünün. Makine öğrenmesi algoritmaları, önerilen randevular yerine, rezervasyonu yapılmış olan randevu modellerini karşılaştırabilir. Farklılıklar “özlüyor” u benzersiz olaylar, zamanlayıcı hataları veya en iyi duruma getirilmiş şablonların hizalanmanın dışına doğru sürüklendiğinin bir göstergesi olarak sınıflandırmak için otomatik olarak ve ölçekte analiz edilebilir.
Başka bir örnek olarak, hastaların planlanan randevularına erken, zamanında veya geç gelmelerinin onlarca nedeni vardır. Geliş zamanlarının düzenini inceleyerek algoritmalar, günün saatine ve belirli bir hafta içi güne bağlı olarak, dakiklik derecesini (veya eksikliğinin) sürekli “öğrenebilir”. Bunlar, en uygun randevu şablonunda belirli tweaks işlemlerine dahil edilebilir, böylece kaçınılmaz şoklara ve hasta randevularını içeren herhangi bir gerçek dünyada meydana gelen gecikmelere karşı dayanıklı olurlar.