Edistynyttä analytiikkaan (koneoppiminen ja tekoäly) hyödyntävän potilasennustemallin avulla seurataan Päijät-Hämeen keskussairaalan yhteispäivystyskeskuksen potilasvirtaan tulevaisuuden näkökulmasta.
Osaprojekti edistää investoinnin 4 päätavoitetta kehittämällä digitaalisten palvelujen ennustemalleja, jolloin palvelujen saatavuus paranee.
Työpaketti kiinnittyy Päijät-Hämeen hyvinvointialueen strategiseen painopisteeseen
Perinteisen analytiikan keinoin tarkastellaan olemassa olevasta datasta syy-seuraussuhteita. Edistyneen analytiikan (koneoppiminen/tekoäly) keinoin luodaan potilasennustemalli vastaamaan kysymykseen, mitä "tulevaisuudessa" todennäköisesti tulee tapahtumaan.
Potilasennustemalli on koneoppimismalli, jonka avulla voidaan esimerkiksi seurata asiakkaiden tuottamaa kuormitusta "tulevaisuudessa". Näkyvyys "tulevaisuuteen" auttaa esimerkiksi henkilöstön resurssoinnissa.
Tavoitteena on kehittää Päijät-Hämeessä käytössä olevia tietojohtamisen menetelmiä väestön palvelutarpeiden ennakoimiseksi.
Tavoitteena on
Toimenpiteet ja aikataulutus
Potilasennustemallihankkeessa kehitetään tietojohtamiseen perustuva toimintamalli, joka hyödyntää data-analytiikkaa ja koneoppimista potilasvirtojen ennustamiseen. Mallin avulla voidaan ennakoida päivystykseen saapuvien potilaiden määrää sekä heidän siirtymistään hoitoketjun eri vaiheisiin. Ennustetiedon avulla esimerkiksi terveydenhuollon henkilöstöresurssit voidaan kohdentaa tehokkaammin, mikä vähentää kuormitusta ja parantaa palvelujen sujuvuutta.
Toimintamalli rakentaa organisaatiolle uudenlaisen kyvykkyyden hyödyntää dataa palvelukanavien ohjaamisessa ja päätöksenteossa, mikä mahdollistaa ennakoivan johtamisen ja hoitoprosessien jatkuvan kehittämisen.
Kokeiluvaiheen toteutussuunnitelma sisältää mallin kehittämisen, pilotoinnin ja raportoinnin vuosien 2024–2025 aikana. Pilotointi toteutetaan Akuutti24-toimialalla yhteistyössä tietojohtamisen asiantuntijoiden kanssa. Projekti etenee vaiheittain:
Kokeilussa opimme, kuinka terveysdataa voidaan hyödyntää ennustemallien rakentamisessa ja miten mallien tuloksia voidaan hyödyntää käytännön päätöksenteon tukena. Oivalsimme, että datan laatu ja huolellinen esikäsittely ovat keskeisiä tekijöitä mallien luotettavuuden kannalta. Lisäksi saimme arvokasta kokemusta eri ennustemallien toimivuudesta aikasarja-analyyseissä ja niiden soveltamisesta potilasvirtojen ennustamiseen.
Kuvassa "Testatut ennustemallit" (alla) on esitetty eri mallien tuottamat ennusteet suhteessa todellisiin käyntimääriin. Havaitsimme, että yksittäiset mallit, kuten ARIMA ja Prophet, tuottivat suhteellisen tasaisia, mutta hieman viiveellä reagoivia ennusteita. LSTM-malli puolestaan sovitti käyntimäärien vaihtelua hieman paremmin, mutta sen ennuste jäi tasoittuneeksi. Parhaimman ennustetarkkuuden saatiin lopulta yhdistelmämallilla (Ensemble), joka tasapainotti eri mallien vahvuuksia ja kuvasi potilasvirran vaihtelua realistisemmin. Opimme täten myös sen, että usean mallin yhdistäminen tuottaa käytännön sovelluksissa luotettavampia tuloksia kuin yksittäiset aikasarjan ennustemenetelmät.
Kehitetyn potilasennustemallin ja siihen liittyvän Power BI -raportoinnin käyttöönoton myötä päivystyksen tilannekuvan seuranta on muuttunut merkittävästi tiedolla johdetuksi ja ennakoivammaksi. Aiemmin päätöksenteko perustui pitkälti reaaliaikaisiin havaintoihin ja kokemukseen, mutta nyt ennustetieto tarjoaa mahdollisuuden varautua potilasvirtojen vaihteluihin etukäteen. Tämä on parantanut resurssien kohdentamista ja lisännyt johdon ja esihenkilöiden valmiuksia suunnitella toimintaa ennakoivasti.
Kehittämistyön seurauksena Päijät-Hämeen hyvinvointialueella on syntynyt uusi kyvykkyys hyödyntää ennustemalleja palvelujen johtamisessa. Ennustemalli ja visualisoitu tilannekuva ovat tuoneet konkreettista tukea operatiiviseen päätöksentekoon ja lisänneet luottamusta datalähtöiseen johtamiseen. Yllättävänä muutoksena oli ennustemallin herättämä kiinnostus myös muilla toimialoilla.
Ratkaisun juurruttaminen osaksi arkea vaatii raportin käyttämiseen liittyvää koulutusta ja esittämistä Akuutti24 toimialan työntekijöiden kanssa. Tämän avulla saamme ennustemallin toimimaan osana organisaation normaalia päätöksentekoa ja tiedolla johtamista. Se tukee resurssien kohdentamista ennakoivasti, parantaa palvelujen sujuvuutta ja vähentää henkilöstön kuormitusta. Lisäksi ratkaisu on suunniteltu niin, että se on helposti monistettavissa muille hyvinvointialueille tai toimialoille.