Q:
Com que tipos de problemas de negócios o aprendizado de máquina pode lidar?
UMA:No LeanTaaS, nosso foco é usar análises preditivas, algoritmos de otimização, aprendizado de máquina e métodos de simulação para liberar a capacidade de ativos escassos em um sistema de saúde - um problema desafiador devido à alta variabilidade inerente aos cuidados de saúde.
A solução deve ser capaz de gerar recomendações suficientemente específicas para que a linha de frente tome centenas de decisões tangíveis a cada dia. A equipe deve ter a confiança de que a máquina chegou a essas recomendações, processando grandes quantidades de dados, além de ter aprendido com todas as alterações no volume do paciente, mix, tratamentos, capacidade, pessoal, equipamentos etc., que inevitavelmente ocorrem ao longo do tempo.
Considere uma solução que forneça orientação inteligente aos agendadores no horário certo no qual um compromisso específico deve ser agendado. Os algoritmos de aprendizado de máquina podem comparar os padrões dos compromissos que foram realmente reservados com o padrão recomendado de compromissos. As discrepâncias podem ser analisadas automaticamente e em escala para classificar as "falhas" como eventos únicos, erros do planejador ou um indicador de que os modelos otimizados estão perdendo o alinhamento e, portanto, justificam uma atualização.
Como outro exemplo, existem dezenas de razões pelas quais os pacientes podem chegar cedo, na hora ou atrasados às consultas agendadas. Ao minerar o padrão dos horários de chegada, os algoritmos podem "aprender" continuamente o grau de pontualidade (ou falta de) com base na hora do dia e no dia da semana específico. Eles podem ser incorporados ao fazer ajustes específicos no modelo ideal de nomeação, para que sejam resilientes aos inevitáveis choques e atrasos que ocorrem em qualquer sistema do mundo real que envolva a nomeação de pacientes.
