| Innokylä

Lähtötilanne ja strategiset liittymäkohdat

Osaprojekti edistää investoinnin 4 päätavoitetta kehittämällä digitaalisten palvelujen ennustemalleja, jolloin palvelujen saatavuus paranee.

Työpaketti kiinnittyy Päijät-Hämeen hyvinvointialueen strategiseen painopisteeseen

Kehitystyön lähtökohtana olevat tarpeet

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.

Kehittäjäjoukon kokoaminen ja yhteiskehittäminen

Ohjausryhmässä edustus kehitettävästä yksiköstä, toimialalta, tietojohtamisen tiimistä sekä hankkeesta

Tavoiteltu muutos

Tavoitteena on

Kyvykkyyksien rakentaminen palvelukanavien optimointiin ja analysoimiseen. Datan pohjalta voidaan tulevaisuudessa vähentää uusien palvelukanavien rasitusta henkilöstöön. Pitkällä aikavälillä voidaan lisätä vaikuttavuutta hoitoketjussa.
2. Edistyneen tietojohtamisen menetelmin toteutetulla potilasvirta-analyysillä on tunnistettu hoitoketjun pullonkauloja.
Valitulla toimialalla on käytössä ennustemalli, joka ennustaa potilasvirran palveluketjun eri vaiheissa.

Muutoksen mittaaminen

Potilasvirta-analyysien ja ennustemallien käyttömäärät/kk
Toimintojen palaute käytettävyydestä

Toteutussuunnitelma

Toimenpiteet ja aikataulutus

Potilasvirta-analyysin ja ennustemallin kohteiden määrittely, valinta ja kyvykkyyksien rakentaminen H1 2024
Datan koostaminen tietovarastoon potilasvirta-analyysien ja ennustemallien toteuttamisen tueksi H1 2024
Tietovarastokatalogin muodostaminen datalähteiden hyödyntämiseksi H1 2024
Tietomallinnusalgoritmien mallikehitys H1 2024-H2 2024
Ennustemallien pilotointi, arviointi ja jatkokehitys H2 2024-H1 2025
Ennustemallien käytön koulutus henkilöstölle H2 2024-H1 2025

Kuvittele ja kokeile

Muiden kehittämien ratkaisujen hyödyntäminen

Potilasennustemalli hankkeessa hyödynnetään olemassa olevia tutkimuksia ja toimintamalleja, jotka käsittelevät potilasmäärien ennustamista ja terveydenhuollon resurssien ennakointia [1, 2]. Erityisesti olemme perehtyneet kansainvälisiin tieteellisiin artikkeleihin, joissa on sovellettu tilastollisia ja koneoppimiseen perustuvia menetelmiä päivystysten potilasvirtojen ennustamiseen liittyen. Näistä olemme saaneet ideoita esimerkiksi mallinnusmenetelmien valintaan, sekä datan esikäsittelyyn.

El-Bouri, R., Taylor, T., Youssef, A., Zhu, T., & Clifton, D. A. (2021). Machine learning in patient flow: a review. Progress in Biomedical Engineering, 3(2), 022002.
Zhou, J., Brent, A. J., Clifton, D. A., Walker, A. S., & Eyre, D. W. (2023). Improving patient flow through hospitals with machine learning based discharge prediction. medRxiv, 2023-05.

Ideointi

Ideointivaiheessa ratkaisua kehitettiin yhdessä eri terveydenhuollon toimijoiden kanssa eri työpajoissa. Työpajoissa syntyi useita ideoita potilasvirtojen ennustamiseen eri toimialoilla ja palvelukanavissa. Yhteisen arvioinnin perusteella päätimme keskittyä päivystykseen saapuvan potilasvirran ennustamiseen, koska tästä aiheesta on olemassa laajasti tutkimustietoa ja se koettiin Päijät-Hämeen hyvinvointialueella toiminnallisesti merkittävimmäksi ja vaikuttavimmaksi kohteeksi.

Idean valinta

Potilasennustemalli hankkeessa lähdettiin edistämään seuraavia osatavoitteita.

Tavoite 1: Kyvykkyyksien rakentaminen palvelukanavien optimointiin ja analysoimiseen. Datan pohjalta voidaan tulevaisuudessa vähentää uusien palvelukanavien rasitusta henkilöstöön. Pitkällä aikavälillä voidaan lisätä vaikuttavuutta hoitoketjussa.

Tavoite 2: Edistyneen tietojohtamisen menetelmin toteutetulla potilasvirta-analyysillä on tunnistettu hoitoketjun pullonkauloja

Tavoite 3: Valitulla toimialalla on käytössä ennustemalli, joka ennustaa potilasvirran palveluketjun eri vaiheissa.

Idean konkretisointi ja visualisointi

Potilasennustemallihankkeessa rakennamme uudenlaista kyvykkyyttä ohjata palvelukanavia tiedolla ja vähentää henkilöstön kuormitusta. Edistyneiden tietojohtamisen menetelmien avulla analysoimme potilasvirtoja ja tunnistamme hoitoketjun pullonkaulat, jotta kokonaisuutta voidaan johtaa vaikuttavammin. Hankkeen tuloksena on se, että akuutin toimialalla otetaan käyttöön ennustemalli, joka ennakoi potilasvirtaa. Tämä antaa mahdollisuuden suunnitella resurssit, palvelut entistä sujuvammiksi.

Idean testaus asiakkaalla

Asiakkailta ja ammattilaisilta saatu palaute oli erittäin positiivista, ja ennustemallin käyttöönottoa odotetaan innolla Akuutti24-toimialalla. Palautteen perusteella mallia kehitettiin ennustamaan myös potilasvirtaa päivystyksestä eteenpäin. Tällöin kokonaiskuva hoitoketjun etenemisestä paranee ja resurssisuunnittelua voidaan laajentaa myös mahdollisesti jatkohoidon puolelle.

Ratkaisun testaaminen

Kokeiluvaiheen toteutussuunnitelma sisältää mallin kehittämisen, pilotoinnin ja raportoinnin vuosien 2024–2025 aikana. Pilotointi toteutetaan Akuutti24-toimialalla yhteistyössä tietojohtamisen asiantuntijoiden kanssa. Projekti etenee vaiheittain:

Raportin määrittely toimintojen kanssa (Q3–Q2/2024)
Datan valmistelu (Q1–Q2/2025)
Mallin kehitys ja testaus (Q2–Q3/2025)
Raportin valmistuminen, tulosten arviointi ja raportin jalkautus (Q4/2025)

Kokeilun tavoitteet

Kokeilun tavoitteena on tuottaa kattava Power BI -raportointi päivystyksen tilannekuvasta, joka sisältää potilasvirran ennusteen, läpimenoajat ja siirtymät päivystyksestä eteenpäin. Lisäksi tavoitteena on kehittää helposti kopioitava ennustemallin rakenne, jota voidaan hyödyntää myös muiden tulosalueiden potilasvirtojen ennustamisessa. Tämän avulla vahvistetaan koko organisaation tietojohtamisen kyvykkyyttä ja tuetaan ennakoivaa päätöksentekoa.

Kokeilussa opittua

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.

Testatut ennustemallit Akuutti24 toimialalla

Kuvaa ja jaa

Ratkaisun perusidea

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.

Toimivuuden ja käyttöönoton ehdot

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.

Vinkit toimintamallin soveltajille

Kokemustemme perusteella potilasennustemallin soveltaminen käytännössä vaatii ennen kaikkea riittävän datakyvykkyyden ja moniammatillisen yhteistyön. Ohessa on keskeisempiä edellytyksiä ja vinkkejä tämän toimintamallin soveltajille.

Panosta datan laatuun ja yhdenmukaisuuteen.
- Ennustemallien onnistuminen perustuu luotettavaan ja riittävän kattavaan terveysdataan. Ennen mallin rakentamista on tärkeää varmistaa datan eheys, ajantasaisuus ja yhtenäiset rakenteet eri järjestelmissä.
Varaa riittävästi aikaa ja resursseja esikäsittelyyn ja testaukseen.
- Datan valmistelu ja mallin validointi vievät usein enemmän aikaa kuin varsinaisen mallin rakentaminen. Mallia kannattaa testata eri menetelmillä (esim. ARIMA, Prophet, LSTM, yhdistelmämallit) ja vertailla tuloksia ennen lopullisen ratkaisun valintaa.
Hyödynnä visuaaliset työkalut.
- Ennustemallin tulokset kannattaa tuoda näkyviksi esimerkiksi Power BI -raporttien kautta. Selkeä visualisointi helpottaa ymmärrystä ja tekee mallista konkreettisen osan johtamista.
Vältä liiallista malliteknistä monimutkaisuutta.
- Yksinkertaisempi, selitettävä malli on usein käytännössä hyödyllisempi kuin monimutkainen, mutta vaikeasti tulkittava algoritmi. Tavoitteena on tukea päätöksentekoa, ei korvata sitä.

Arvioinnin tulokset tiivistettynä

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.

Potilasennustemalli, Päijät-Häme (RRP, P4, I4/3)

Potilasennustemalli, Päijät-Häme (RRP, P4, I4/3)