Q:
С какви бизнес проблеми може да се справи машинното обучение?
A:В LeanTaaS фокусът ни е да използваме прогнозна анализа, алгоритми за оптимизация, машинно обучение и методи за симулация, за да отключим капацитета на оскъдните активи в здравната система - предизвикателен проблем поради високата променливост, присъща на здравеопазването.
Решението трябва да може да генерира препоръки, които са достатъчно конкретни, за да може фронтовата линия да взема стотици осезаеми решения всеки ден. Персоналът трябва да има увереността, че машината е стигнала до тези препоръки, като е обработвала огромно количество данни, освен че е научила от всички промени в обема на пациента, смес, лечения, капацитет, персонал, оборудване и др., Които неизбежно възникват във времето.
Помислете за решение, което предоставя интелигентни насоки на планиращите в подходящия интервал от време, в който трябва да бъде определена конкретна среща. Алгоритмите за машинно обучение могат да сравняват моделите за срещи, които действително са били резервирани, спрямо препоръчителния модел на срещи. Несъответствията могат да бъдат анализирани автоматично и в мащаб, за да се класифицират „пропуските“ като уникални събития, грешки в планировката или като индикатор, че оптимизираните шаблони изтичат от подравняването и следователно гарантират обновяване.
Като друг пример, има десетки причини, поради които пациентите могат да пристигнат рано, навреме или късно при планираните си срещи. Чрез извличане на модела на часовете на пристигане алгоритмите могат непрекъснато да „научават” степента на точност (или липса на) въз основа на времето на деня и конкретния делничен ден. Те могат да бъдат включени в извършването на конкретни промени в оптималния шаблон за назначаване, така че да са устойчиви на неизбежните шокове и закъснения, които се случват във всяка реална система, включваща назначения на пациентите.
