НАВИГАЦИЯ
КОНТАКТЫ
  • LinkedIn - White Circle
  • Facebook - White Circle
  • Twitter - White Circle

info@DDM.center

Телефон: +380 67 341 7101

© 2017 DDM.center

Придёт или не придёт пациент в медицинский центр.

 В прошлой публикации мы обсуждали проблему с неявкой соискателей на собеседование и показывали как можно оценивать риск неявки и влияющие факторы. Такая же проблема существует и в медицинских центрах, когда пациенту назначают консультацию или процедуры, бронируют время, но пациент не приходит. Наверное, можно по-разному относиться к этому, но это влияет на прибыль медицинского центра. Это и время высооплачиваемого доктора, и время административного персонала, дополнительные звонки, уведомления и т.п.

 

Рассмотрим как с помощью нейронной сети можно выявлять наиболее значимые факторы и прогнозировать вероятность пропуска визита пациентом. Решение этой задачи позволит внести корректировки в процесс назначения и сопровождения визита пациента, а также определять риск неявки и предпринимать необходимые действия для его уменьшения. Что в конечном итоге позволит избежать дополнительных потерь.

 

Для исследования был взят набор данных из открытых источников. В наборе присутствует информация о поле и возрасте пациента, дате когда проводилось назначение визита и предполагаемой дате визита, финансируется ли визит из целевой государственной программы, отправлялись ли СМС для уведомления пациента и т.п. 

 

Подготовим данные для дальнейшего анализа. Уберем пропуски и ошибочные данные. Разобьем информацию о возрасте на несколько сегментов с шагом 15 лет. Добавим несколько допонительные параметров:

  • промежуток времени между датой назначения и датой на которую назначили визит;

  • день недели, на который назначили визит;

  • количество визитов пациента за исследуемый период;

  • доля визитов, на которые пациент не пришёл.

Вся необходимая для этого информация есть в наборе данных.

 

 

Для решения задачи будем использовать библиотеки для работы с нейронными сетями: Keras с TensorFlow и Lime для визуализации некоторых результатов.

 

Разделим наш набор данных в пропорции 80:20 на выборку для обучения нейронной сети и для ее дальнейшего тестирования. Получим следующие количества записей:

> train_test_split
<88421/22105/110526>

 

Построим нейронную сеть из трех слоев и проведем ее тренировку.

 

Т.е. с точностью 86% мы можем предсказать, то пациент придёт на прием, и с точностью 71%, что гарантированно не придёт.

 

Воспользуемся библиотекой Lime, чтобы посмотреть по конкретным случаям влияние тех или иных параметров на предсказание результата.

Учитывая, что наша цель предсказать отсутствие пациента на приеме, то на рисунке зеленым обозначены факторы, которые повышают вероятность отсутствия, а красным обозначены факторы, которые способствуют визиту пациента. Например, в случае №3 на снижение вероятности до 0.64 повлияли связь с возрастными параметрами и днем недели. 

Визуализируем эту же информацию в виде тепловой карты

 

 

И завершим наше исследование построением таблицы корреляции

 

Короткие выводы и предложения:

  • Наилучше на посещение влияет отправка СМС. Соответственно необходимо проверить и откорректировать процесс отправки СМС для напоминания клиентам о визите.

  • Чем больше клиент пропускает назначенных приемов, тем больше вероятность, что он пропустит и следующий прием.

  • Если назначение было сделано более, чем за 35 дней, то вероятность прихода пациента снижается. Поэтому нет смысла назначать прием далее, чем через месяц или необходимо дополнительно контактировать с пациентом менее, чем за месяц.

  • Возрастные группы 15-30 и 31-45 лет, посещают гораздо лучше других возрастных групп.

  • Приход пациента в пятницу более вероятен, чем в среду.

  • Сущственной разницы в посещениях между мужчинами и женщинами нет.

  • Финансирование со стороны государственных фондов повышает вероятность визита.

Короткие итоги.

Использование нейронных сетей позволяет решать задачу оптимизации загрузки медицинского центра. Проведение такого исследования позволяет выявить как отдельные факторы, способствующие визиту в назначенное время, так и вероятность визита каждого пациента. Другими словами, медицинский центр может совершенствовать как общие процессы, так и делать обслуживание каждого клиента индивидуальным, меняя частоту и характер коммуникации. Например, нет смысла звонить щенщине 42-х лет, визит которой назначен через 3 недели в пятницу. Достаточно будет автоматические отпарвить СМС. А вот мужчине 70-ти лет, повторный визит которому назначили через 3 месяца необходимо позвонить несколько раз.

 

P.S. все гипотезы и выводы в этой статье касаются исключительно конкретного набора данных и не могут обобщаться и  распространяться на другие медицинские центры.

 

 

Необходимо для улучшения процесса подбора персонала? Напишите нам или назначьте встречу, чтобы обсудить возможности аналитики и применения описанного метода.

 

 

Также для Ваших сотрудников, готовящих презентации будет полезна памятка о правильном применении 24-х различных диаграмм. Ее они могут загрузить по ссылке здесь 

 

Подписывайтесь на обновления нашего блога, задавайте вопросы или назначайте встречу для консультации по вашим проектам.

 

 

 

Share on Facebook
Share on Twitter
Please reload

Избранные посты

Уйдет или не уйдет?

March 23, 2018

1/4
Please reload

Недавние посты