Q:
¿Qué tipo de problemas comerciales puede manejar el aprendizaje automático?
UN:En LeanTaaS, nuestro enfoque es utilizar análisis predictivos, algoritmos de optimización, aprendizaje automático y métodos de simulación para desbloquear la capacidad de los activos escasos en un sistema de salud, un problema desafiante debido a la alta variabilidad inherente a la atención médica.
La solución debe ser capaz de generar recomendaciones que sean lo suficientemente específicas para que la línea del frente tome cientos de decisiones tangibles cada día. El personal debe tener la confianza de que la máquina llegó a esas recomendaciones al haber procesado grandes cantidades de datos además de haber aprendido de todos los cambios en el volumen del paciente, la mezcla, los tratamientos, la capacidad, el personal, el equipo, etc., que inevitablemente ocurrir con el tiempo
Considere una solución que brinde orientación inteligente a los programadores en el intervalo de tiempo correcto en el que se debe programar una cita específica. Los algoritmos de aprendizaje automático pueden comparar los patrones de las citas que se reservaron en realidad con el patrón de citas recomendado. Las discrepancias se pueden analizar automáticamente y a escala para clasificar los "errores" como eventos únicos, errores del planificador o un indicador de que las plantillas optimizadas se están desalineando y, por lo tanto, garantizan una actualización.
Como otro ejemplo, hay docenas de razones por las cuales los pacientes pueden llegar temprano, a tiempo o tarde a sus citas programadas. Al extraer el patrón de los tiempos de llegada, los algoritmos pueden continuamente "aprender" el grado de puntualidad (o falta de) en función de la hora del día y el día de la semana específico. Estos pueden incorporarse para hacer ajustes específicos en la plantilla de cita óptima para que sean resistentes a los shocks y demoras inevitables que ocurren en cualquier sistema del mundo real que involucre citas con pacientes.
