Klik hieronder voor voorbeelden van diverse praktijktoepassingen:
Case: no-show in de zorg
Situatieschets
No shows, ofwel het probleem van patiënten die zonder afbericht niet op hun afspraak verschijnen, is een geldverslindend probleem in de zorg. Hieraan liggen diverse oorzaken ten grondslag en in de praktijk wordt op verschillende manieren met dit probleem geworsteld. Het ideaalplaatje is het voorkomen van no-shows, een andere insteek is het minimaliseren van de gevolgen van no-shows.
Voorkomen van no-shows
Er wordt veel ingezet op het verminderen van de no-shows, bijvoorbeeld door een dag tevoren reminders per SMS of per e-mail te versturen. In de praktijk echter blijken maatregelen om het aantal no-shows significant en structureel omlaag te brengen maar deels succesvol. Misschien moeten we accepteren dat er altijd veel no-shows zullen zijn.
Voorspellen van no-shows
Als je op heel precieze wijze zou kunnen voorspellen hoeveel no-shows er op een dag zullen zijn, dan zouden de spreekuren naar rato ‘overboekt’ kunnen worden, waarmee een kostenbesparing gerealiseerd kan worden.
Hoe kan een zelflerend systeem daarbij helpen?
Wij hebben veel informatie nodig (geanonimiseerde patiëntgegevens) van een groot aantal patiënten dat in het verleden een afspraak maakte en waarvan bekend is of ze wel of niet op de afspraak zijn verschenen. Denk aan geslacht, leeftijd, postcode, DBC en datum en tijd van de afspraak; we bepalen in overleg met u welke gegevens we wel en welke we niet zullen gebruiken. In beginsel onderzoeken we graag van alle beschikbare gegevens of ze van nut kunnen zijn, ook als ze op het eerste gezicht irrelevant lijken.
Wij voegen daar extra informatie aan toe zoals: het weer, files of zelfs (voetbal)wedstrijden in de buurt. Met al die informatie samen ‘voeden’ we het zelflerende systeem. Onze programmeurs gaan met deze data aan de slag en uiteindelijk leveren wij een systeem op, dat op basis van al die historische informatie precieze voorspellingen kan doen die u als volgt kunt gebruiken:
De praktijk
U wilt bijvoorbeeld weten hoeveel van de 15 patiënten die staan ingepland voor uw spreekuur voor volgende week dinsdag daadwerkelijk zullen verschijnen. U voert daartoe de gegevens van deze patiënten in het neurale netwerk in (al dan niet geautomatiseerd met één druk op de knop) en het systeem zal u voorspellen hoeveel van de 15 geplande patiënten er daadwerkelijk zullen verschijnen op het spreekuur. Die voorspelling is zo adequaat, dat u met een gerust hart kunt ‘overboeken’.
Komen die voorspellingen echt altijd uit?
Niet altijd. Wel meestal en altijd minstens bijna. En zo verrassend precies, dat het u lang zal blijven verbazen.
Dat met onze zelflerende systemen significante besparingen mogelijk zijn is evident.
