Розробка AI-системи прогнозування завантаження стаціонару

У відділенні швидкої допомоги 200-ліжкової лікарні кожен понеділок о 9 ранку — хаос. Потік екстрених звернень перевищує плановий у 1,5 раза, медсестри працюють на межі, а операційні блоки перевантажені. Ми бачили цю картину десятки разів. Рішення — AI-система, яка передбачає навантаження з точністю до години і дозволяє заздалегідь перерозподілити ресурси. Результат: зниження часу очікування на 30% та економія бюджету до 15% за рахунок оптимізації персоналу. Ручне планування дає точність близько 30% MAPE, AI-система — менше 10% — у 3 рази точніше. Без точного прогнозу неможливо ні ефективно розподілити ліжка, ні спланувати виписки, ні уникнути простоїв дороговартісного обладнання. Прогнозування завантаження стаціонару — не розкіш, а умова рентабельності.

Дані для прогнозування завантаження стаціонару

Моделі спираються на історичні ряди звернень, погоду, епідеміологічну обстановку та календарні фактори. Ось ключові групи:

• Вхідний потік: звернення до приймального відділення (по годинах), планові госпіталізації за профілями, виписки, тривалість перебування (LOS)
• Ресурси: потреба в медперсоналі за відділеннями, завантаження операційних, витратні матеріали (ШВЛ, медикаменти), лабораторні дослідження

Дані погоди (температура, вологість, тиск) — значущі фактори для кардіо та пульмонології. Епідеміологічні індекси (Flu Index) публікуються із затримкою 1-2 тижні, тому використовуємо проксі — пошукові запити.

Чому для прогнозу завантаження стаціонару потрібен ансамбль моделей?

Для регулярних патернів з річною та тижневою сезонністю застосовуємо SARIMA. ML-моделі — LightGBM з лаговими ознаками, погодою та епідеміологічними предикторами — дають точніше на 20-30%:

Важливо уникати look-ahead bias: при навчанні з часовим зсувом враховуємо, що епіддані надходять із затримкою. Ансамбль моделей дає приріст точності до 5% відносно одиночної моделі – це підтверджено на 15 проектах.

Як підвищити точність прогнозування тривалості госпіталізації?

Модель LOS (Length of Stay) — survival analysis з коваріатами: діагноз за МКХ-10, вік, стать, Charlson Comorbidity Index, тип надходження, результати первинної лабораторії. Використовуємо Accelerated Failure Time (AFT). Точність: MAE 1.5–2.5 дня при середній LOS 5–7 днів. Це дозволяє точніше планувати оборот ліжок: передбачення LOS на 1 день точніше дає +3% ефективності використання ліжкового фонду.

Планування ресурсів на основі прогнозу

1. Персонал: Nurses_needed = ceil(Expected_Patients / Nurse_Patient_Ratio). Коефіцієнт залежить від відділення (ОАіР 1:2, терапія 1:8).
2. Операційні: прогноз планових та екстрених операцій + CP-SAT оптимізація розкладу з урахуванням бригад, обладнання та тривалості.
3. Запаси: прогноз витратних матеріалів через регресію на очікуваний обсяг пацієнтів та типи процедур. Інтегруємо з аптечною системою (1С:Лікарняна аптека) для автоматичних заявок при досягненні точки замовлення (ROP).

Дашборд для управління стаціонаром

Операційний екран для завідувача: поточне завантаження vs прогноз по відділеннях, алерт при ризику нестачі ліжок/персоналу на 24/48/72 години. Стратегічний — для адміністрації: метрики точності, сезонні патерни, розрахунок необхідності розширення потужностей. Інтеграція з МІС через HL7 FHIR (ЕМІАС, SAMSON, MedElement).

Що входить у результат

• Модуль прогнозування госпіталізацій (MAPE <10% після стабілізації)
• Модель тривалості перебування (MAE 1.5–2.5 дня)
• Оптимізатор розкладу операційних та розстановки персоналу
• Дашборди для завідувача та адміністрації
• Інтеграція з МІС через HL7 FHIR / REST API
• Технічна документація та навчання персоналу (2 дні onsite)
• Підтримка 6 місяців після запуску

Процес впровадження

1. Аудит даних, очищення та підготовка — 2-3 тижні.
2. Розробка та навчання базової моделі (від 12 місяців історії) — 6-8 тижнів.
3. Побудова повної системи: LOS prediction, оптимізація операційних, дашборди — 4-5 місяців.
4. Тестування та калібрування під конкретне відділення — 2 тижні.
5. Передача в експлуатацію, навчання персоналу, документація — 1 місяць.

Гарантуємо точність прогнозу MAPE <10% після стабілізації (зазвичай 3 місяці). Середня економія бюджету — до 15%. Замовте впровадження AI-системи для вашого стаціонару. Отримайте консультацію — просто напишіть нам, обговоримо ваш кейс.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.