Senin, 28 November 2016

Data real-Time untuk bahan bakar keputusan kesehatan hari ini





Data mesin harus mampu tampilan sekarang informasi atas data historis Jadi, misalnya, Anda dapat membandingkan tahun selama tahun metrik dan menggunakannya untuk memprediksi apa yang terjadi di masa depan.

Laporan sehingga pergeseran dari reaktif - dari terus-menerus memadamkan api, dari terengah-engah bermain catch-up, dari merasa seperti Anda tidak pernah bisa ke depan - untuk memandang ke depan, menggunakan paling saat ini dan real-time data. Yang bisa membuka jalan baru analisa, strategi dan pengambilan keputusan, seperti berikut:

-Menghasilkan jadwal yang direkomendasikan.

Penjadwalan dapat memerlukan pertimbangan puluhan atau bahkan ratusan faktor, persyaratan, kebijakan, preferensi, pembatasan, hukum, dan peraturan, bukan untuk menyebutkan permintaan sederhana personil dan konflik. Solusi optimasi tenaga kerja yang baik harus menangani semua ini secara otomatis dengan sedikit input manusia atau intervensi harga hp oppo, bahkan menghasilkan jadwal yang memenuhi akurat diperkirakan kebutuhan minggu atau bulan keluar. Pada dasarnya, apa AI (kecerdasan buatan) dijalankan melalui simulasi setelah simulasi sampai semua metrik terpenuhi.

Berikut adalah contoh sederhana: Anda tidak ingin membayar lembur, dan Anda ingin menunggu waktu kurang dari 30 menit. Sistem akan menjalankan simulasi jadwal sampai itu menunjukkan jumlah perawat dan personil yang diperlukan untuk mencapai waktu tunggu di bawah 30 menit, menugaskan pergeseran untuk personil di bawah dimanfaatkan untuk menghindari membayar OT. Jadwal otomatis yang bisa diterapkan adalah hanya dasar output dari sistem kesehatan modern tenaga kerja mesin analytics - tapi itu dunia di luar apa yang dapat lakukan solusi terbaru.

-Memprediksi pola pasien.

Anda harus mampu memprediksi aliran pasien dengan jam hari, hari dalam seminggu, minggu bulan, dan bulan dalam tahun dengan akurasi yang wajar. Musim dan cuaca bahkan juga mempengaruhi aliran pasien, yang harus dipertimbangkan.

Yang, pada gilirannya, akan membantu Anda memahami apa kebutuhan penjadwalan: tempat tidur berapa banyak yang dapat Anda harapkan untuk ditempati pada setiap waktu tertentu, berapa banyak staf Anda butuh untuk sehat staf pasien rasio, dll.

Terus terang, Anda bahkan harus mampu memprediksi tingkat ketajaman, menunggu untuk tingkat perlakuan yang berbeda, dan banyak lagi. Dilakukan secara manual, tingkat kekhususan sulit jadi sangat mahal untuk menjadi mustahil. Dengan AI dan masukan baik data, hampir seketika. Sekali lagi, Semua ini harus terjadi secara otomatis tanpa pengguna harus secara manual men-tweak pengaturan pada jadwal rutin.

Tidak ada komentar:

Posting Komentar