Project Description
EEN VOLLEDIGE ZIEKENHUISBEZETTING VOORKOMEN
VOORSPELLEN VAN ZIEKENHUISBEDCAPACITEIT TIJDENS COVID-19 PANDEMIE
IN HET KORT
Tijdens de uitbraak van de COVID-19 pandemie stonden ziekenhuizen wereldwijd voor enorme uitdagingen. Ze moesten alle beschikbare middelen verzamelen om een ongekende pandemie onder controle te krijgen. Het aansturen en coördineren van ziekenhuisopnames van COVID-19 patiënten was dus van vitaal belang om hun overleving te garanderen.
Gezien de urgente en snel veranderende aard van de pandemie werden korte termijn voorspellingen nog crucialer. In deze moeilijke periode hebben we onze klant, een ziekenhuis in het zuiden van Nederland, ondersteund. Onze rol bestond uit het voorspellen van de instroom en bewegingen van patiënten. Deze voorspellingen speelden een cruciale rol bij het inschatten van de bedbezetting voor telkens de komende twee weken, inclusief zowel best-case als worst-case scenario’s.
Onze Data Scientist ontwikkelde een robuust voorspellingsmodel dat in staat was om:
- Het aantal instromende patiënten te voorspellen, wat cruciaal was voor het berekenen van de hoeveelheid en de duur van de bedbezetting, op zowel de reguliere als de intensive care units.
- Zowel op lokaal als op nationaal niveau voorspellingen te doen, waarbij rekening werd gehouden met de bezettingspercentages van andere ziekenhuizen in het hele land. Dit leverde waardevolle inzichten op in de ontwikkeling van de pandemie op nationaal niveau.
HET CONCEPT
Het doel was om een “code black”-situatie te voorkomen, waarbij het ziekenhuis zijn volledige capaciteit bereikt en geen nieuwe patiënten meer kan opnemen. Daarom was het cruciaal om inzicht te krijgen op zowel lokaal als nationaal niveau, zodat onze klant proactieve preventieve maatregelen kon nemen. Ze konden bijvoorbeeld een aantal bedden reserveren in afwachting van mogelijke overplaatsingsverzoeken van andere ziekenhuizen, of tijdig overplaatsingen van patiënten naar andere faciliteiten regelen wanneer de lokale bezetting naar verwachting de capaciteit zou bereiken.
DE UITDAGING
Door het gebrek aan beschikbare data over COVID-19-patiënten moesten we aan het begin van de pandemie vertrouwen op nationale datasets om de lokale situatie te beoordelen. Dit had een negatieve invloed op de nauwkeurigheid van onze voorspellingen. Echter, de nauwkeurigheid van onze voorspellingen verbeterde aanzienlijk toen we eenmaal toegang hadden tot interne data, waardoor we de voorspellingshorizon konden verlengen. Daarnaast hadden we te maken met trendverstoringen veroorzaakt door verschillende factoren, waaronder overheidsinterventies zoals versoepelingen en lockdowns. Dankzij de robuustheid van ons model kon het zich binnen een opmerkelijk korte tijd aanpassen aan trendverstoringen.
MEDIAAN IN ACTION
Tijdens dit project hebben we nauw samengewerkt met onze klant. De volgende technieken en technologieën werden gebruikt:
Python
Time-Series Forecasting
- Function Approximation
Machine Learning
- Microsoft SQL
Tableau
Docker
Apache Airflow
RESULTATEN
Bij de start van dit project had onze Data Scientist te maken met data beperking, dat tot uiting kwam in de tijdelijke proof-of-concept (PoC) kwaliteitsvoorspellingen. Toch leverden de voorspellingen al waardevolle informatie op tijdens de urgente pandemie. Naarmate we de kwaliteit van de data verbeterden, werden onze voorspellingen en onze tool betrouwbaarder. Hierdoor konden we steeds nauwkeurigere voorspellingen doen met betrekking tot de instroom en verplaatsing van patiënten in zowel reguliere als intensieve zorgafdelingen.
Uiteindelijk hebben we onze klant een uitgebreid overzicht kunnen geven van de situatie op zowel lokaal als nationaal niveau. Zo konden ze hun middelen effectief beheren, preventieve maatregelen nemen en optimale zorg voor alle patiënten garanderen.
Mocht je geïnteresseerd zijn in het voorspellen van de bedcapaciteit in ziekenhuizen in niet-spoedeisende situaties, dan kun je hier een vergelijkbare case bekijken.
WIL JE MEER WETEN?
