Y tếAI/MLDự báo4 tháng

Dự báo lưu lượng bệnh nhân cho hệ thống 4 bệnh viện

Lượng bệnh nhân dồn vào một số khung giờ nhưng lịch nhân sự vẫn xếp cố định. Mô hình dự báo giúp xếp ca theo nhu cầu thực tế.

−58%

thời gian chờ giờ cao điểm

4

bệnh viện trong hệ thống

89%

độ chính xác dự báo theo giờ

4

tháng triển khai

Bối cảnh

Hệ thống bốn bệnh viện tư nhân với 18 chuyên khoa. Lịch trực và lịch khám được xếp cố định theo tuần, không thay đổi theo biến động thực tế của lưu lượng bệnh nhân.

Thách thức

Một số khung giờ quá tải nghiêm trọng trong khi khung giờ khác gần như trống. Thời gian chờ trung bình giờ cao điểm lên tới 78 phút.

Giải pháp triển khai

Mô hình dự báo lưu lượng theo từng chuyên khoa và từng khung giờ, sử dụng dữ liệu lịch sử ba năm cùng các yếu tố như ngày trong tuần, ngày lễ, mùa dịch bệnh và thời tiết.

Kết quả dự báo được đưa vào công cụ hỗ trợ xếp lịch. Điều dưỡng trưởng vẫn là người quyết định cuối cùng và có thể điều chỉnh, mô hình chỉ đưa ra đề xuất.

Kết quả

Thời gian chờ trung bình giờ cao điểm giảm từ 78 phút xuống 33 phút. Tỷ lệ khung giờ quá tải giảm từ 31% xuống 9%.

Kết quả

Vuốt ngang để xem đầy đủ bảng

Kết quả
Chỉ sốTrướcSau
Thời gian chờ trung bình giờ cao điểm78 phút33 phút
Tỷ lệ khung giờ quá tải31%9%
Thời gian lập lịch nhân sự1,5 ngày/tuầnTự động, có điều chỉnh tay

Công nghệ sử dụng

PythonLightGBMProphetPostgreSQLApache SupersetDocker

Nội dung liên quan

Bắt đầu với buổi khảo sát dữ liệu miễn phí 60 phút

Một kỹ sư giải pháp của BigAI sẽ cùng bạn rà soát hiện trạng dữ liệu, xác định bài toán đáng làm nhất và phác thảo lộ trình khả thi. Không ràng buộc.

  • Đánh giá độ trưởng thành dữ liệu
  • Đề xuất 2–3 use case có ROI rõ
  • Ước tính ngân sách và thời gian

Bằng việc gửi thông tin, bạn đồng ý với Chính sách bảo mật của BigAI.

Hotline Tư vấn miễn phí