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
| Фактор | Приклади | Горизонт впливу |
|---|---|---|
| Сезонність | Грип взимку, травми влітку | Тижні/місяці |
| День тижня | Пн пік звернень, Нд мінімум | 1-7 днів |
| Свята | Новий рік — зростання травм | Конкретні дати |
| Погода | Мороз → серцево-судинні | 1-3 дні |
| Епідеміологія | ГРВІ-хвилі, спалахи | 1-4 тижні |
| Демографія | Постаріння населення | Роки |
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.
Докладніше про склад та очищення даних
Потрібно не менше 12 місяців історії з погодинною деталізацією. Пропуски (нічні нулі) не видаляються, а позначаються маскою. Викиди (масові надходження при НС) обробляються окремо.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%:
| Модель | Горизонт | MAPE (тиждень) | Інтерпретованість |
|---|---|---|---|
| SARIMA | будь-який | 12-18% | висока |
| LightGBM | ≤1 місяць | 6-10% | середня (SHAP) |
| Prophet | будь-який | 10-15% | висока |
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
- Персонал: Nurses_needed = ceil(Expected_Patients / Nurse_Patient_Ratio). Коефіцієнт залежить від відділення (ОАіР 1:2, терапія 1:8).
- Операційні: прогноз планових та екстрених операцій + CP-SAT оптимізація розкладу з урахуванням бригад, обладнання та тривалості.
- 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
- Аудит даних, очищення та підготовка — 2-3 тижні.
- Розробка та навчання базової моделі (від 12 місяців історії) — 6-8 тижнів.
- Побудова повної системи: LOS prediction, оптимізація операційних, дашборди — 4-5 місяців.
- Тестування та калібрування під конкретне відділення — 2 тижні.
- 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.