Chez LeanTaaS, notre objectif est d'utiliser l'analyse prédictive, les algorithmes d'optimisation, l'apprentissage automatique et les méthodes de simulation pour libérer la capacité des actifs rares d'un système de santé – un problème difficile en raison de la grande variabilité inhérente aux soins de santé.
La solution doit être capable de générer des recommandations suffisamment précises pour que les intervenants de première ligne puissent prendre des centaines de décisions tangibles chaque jour. Le personnel doit avoir l'assurance que la machine est parvenue à ces recommandations après avoir traité de grandes quantités de données en plus d'avoir appris de tous les changements dans le volume de patients, la composition, les traitements, la capacité, le personnel, l'équipement, etc., qui inévitablement se produisent au fil du temps.
Envisagez une solution qui fournit des conseils intelligents aux planificateurs sur le bon créneau horaire dans lequel un rendez-vous spécifique doit être programmé. Les algorithmes d'apprentissage automatique peuvent comparer les modèles de rendez-vous réellement réservés par rapport au modèle de rendez-vous recommandé. Les écarts peuvent être analysés automatiquement et à grande échelle pour classer les « échecs » comme des événements uniques, des erreurs de planification ou un indicateur que les modèles optimisés ne sont plus alignés et justifient donc une actualisation.
Comme autre exemple, il existe des dizaines de raisons pour lesquelles les patients peuvent arriver tôt, à l'heure ou en retard à leur rendez-vous prévu. En exploitant le modèle des heures d'arrivée, les algorithmes peuvent « apprendre » en permanence le degré de ponctualité (ou le manque de ponctualité) en fonction de l'heure de la journée et du jour de la semaine spécifique. Ceux-ci peuvent être intégrés en apportant des modifications spécifiques au modèle de rendez-vous optimal afin qu'il soit résilient aux chocs et aux retards inévitables qui se produisent dans tout système du monde réel impliquant des rendez-vous avec des patients.