Розроблення AI-системи прогнозування навантаження стаціонару
Прогнозування потоку пацієнтів у лікарні — задача з прямим впливом на якість допомоги. Недостаток персоналу в пікові моменти веде до затримок лікування та помилок, надлишок — до неефективних витрат. Точна модель навантаження дозволяє планувати зміни, операційні зали та запасу витратних матеріалів.
Що потрібно прогнозувати
Вхідний потік:
- Звернення в швидку допомогу / приймальне відділення: по годинах, днях
- Планові госпіталізації: за спеціальностями (хірургія, терапія, кардіологія)
- Виписки: для звільнення ліжок
- Тривалість перебування (LOS): для розрахунку доступних ліжок
Ресурсні потреби:
- Потреба в медсестринському персоналі по відділеннях
- Навантаження операційних блоків
- Потреба в витратних матеріалах (ШВЛ, медикаменти)
- Потреба в лабораторних дослідженнях
Фактори, що впливають на навантаження
| Фактор | Приклади | Горизонт впливу |
|---|---|---|
| Сезонність | Грип взимку, травми влітку | Тижні/місяці |
| День тижня | Пн пік звернень, Нд мінімум | 1-7 днів |
| Свята | Новий рік — ріст травм | Конкретні дати |
| Погода | Мороз → серцево-судинні | 1-3 дні |
| Епідеміологія | ОРВИ-хвилі, спалахи | 1-4 тижні |
| Демографія | Постарення населення | Роки |
Дані про погоду (температура, вологість, атмосферний тиск) — статистично значущі предиктори для кардіо та пульмонологічних відділень.
Моделі прогнозування
Базові підходи:
- SARIMA: добре для регулярних паттернів (тижнева + річна сезонність)
- Prophet: простота та інтерпретуємість, святкові регресори
ML-підходи:
- LightGBM з лаговими фічами + погода + епідеміологічні індекси (Flu Index від Яндекс/Google)
- Gradient Boosting показує MAPE 6-10% для тижневого горизонту
Специфіка:
- Не можна допускати look-ahead bias при навчанні
- Затримка епідеміологічних даних: flu index публікується з затримкою 1-2 тижня, потрібні proxy-ознаки (пошукові запити)
- Пропуски даних: нульові значення ночами ≠ пропуски
Прогноз тривалості госпіталізації (LOS)
LOS prediction дозволяє розраховувати доступність ліжок:
Фічи для LOS моделі:
- Діагноз (МКБ-10 код)
- Вік, стать, коморбідності (CCI — Charlson Comorbidity Index)
- Тип поступлення (планове / екстрене)
- Відділення
- Дані первинного огляду (лабораторні показники при поступленні)
Алгоритм: Survival analysis (AFT — Accelerated Failure Time) або квантильна регресія. Метрика: MAE у днях (типово 1.5-2.5 дня при середній LOS 5-7 днів).
Планування ресурсів
Розрахунок укомплектованості:
Медсестер_потрібно(година) = ceil(Очікувані_пацієнти(година) / Медсестра_пацієнт_рацион)
Медсестра_пацієнт_рацион: залежить від відділення (ОАіР: 1:2, терапія: 1:8)
Операційні зали: Прогноз планових операцій за спеціальностями + терміновість екстрених (історія + сезонність). Оптимізація розкладу OR через CP-SAT з урахуванням команд, обладнання, тривалості операцій.
Запаси: Прогноз витратних матеріалів = f(очікуваний обсяг пацієнтів, mix процедур). Інтеграція з аптечною системою (АПТЕКА 2.0, 1С:Лікарняна аптека) для автоматичних заявок при досягненні ROP.
Dashboard та алерти
Операційний dashboard (для начмеда та старших медсестер):
- Поточне навантаження vs. прогноз по відділеннях у реальному часі
- Прогноз на наступні 24/48/72 години
- Алерт при очікуваній нестачі персоналу/ліжок
Стратегічний dashboard (для адміністрації):
- Метрики точності прогнозу
- Сезонні паттерни по роках
- Capacity planning: потрібна додаткова лікувальна потужність
Інтеграція з МІС: ЕМІАС (Москва), SAMSON, MedElement, 1С:Лікарня — API або HL7 FHIR для отримання даних про поступлення та виписки.
Строки: базова модель прогнозу поступлень + планування змін — 8-10 тижнів. Повноцінна система з LOS прогнозом, OR scheduling та dashboard — 4-5 місяців.