Machine learning for predicting patient waiting times
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Bekleme sürelerini doğru bir şekilde tahmin edebilmek, hasta memnuniyetini artırabilir ve personel üyelerinin hasta akışını daha doğru bir şekilde değerlendirmesini ve yanıt vermesini sağlayabilir. Bu çalışmada, bir kan alma biriminde bekleme sürelerini tahmin etmek için makine öğrenimi modelini uygulanabilirliğini inceledik. Hastanelerin kan alma birimleri hasta yoğunluğunun en çok olduğu yerdir. Çünkü hastanenin farklı polikliniklerine giden hastalar, tetkik yaptırmak için kan alma birimlerine gelerek burada kan ya da farklı tetkikleri veriyorlar. Bu çalışmada, (philerobo yapay zekâ kan alma birimi yönetim sistemi ) hasta bir kiosk üzerinden kan alma birimine geldiğinde kaydını yapıyor. Daha sonrada bekleme salonunda bekliyorlar ve sistem zamanı geldiğinde o hastayı çağırıyor. Yaptığımız çalışmada, modelimiz hasta kiosktan girdiği anda içerde ne kadar bekleyeceğini bazı parametreleri (geliş saati, haftanın günü, hemşire sayısı, geldiği anda kendisi ile aynı önceliği olan hasta ne kadar beklemiş, kendine eşit ve yüksek önceliği olan bekleyen hasta sayısı, aynı öncelikte olan bekleyen hasta sayısı, gelen hasta sayısı, kan alma işlemi tamamlanan hasta sayısı, Cinsiyet ve hastanın önceliği) dikkate alarak yapay Sinir Ağları algoritması bekleme süresini tahmin ediyor. Bunun sonucunda yapay zekânın öğrendiği duruma göre yeni gelecek hastanın bekleme salonunda ne kadar bekleyeceğini tahmin edilmesini ve alıp hastaya bilgi verilmesini hedefledik. Accurately predicting waiting times can increase patient satisfaction and enable staff members to more accurately evaluate and respond to patient flow. In this study, we examined the applicability of the machine learning model to estimate waiting times in a blood collection unit. The blood collection units of hospitals are the places where the patient density is the highest. Because the patients who go to different outpatient clinics of the hospital come to the blood collection units to perform an examination and give blood or different tests. In this study, the patient records when he comes to the blood collection unit via a kiosk (philerobo artificial intelligence blood collection unit management system). Then they wait in the waiting room and the system calls the patient when the time comes. In our study, our model estimates the waiting time of artificial Neural Networks algorithm by considering some parameters (Arrival Time, Day of Week, Phlebotomists Count, Current Patient Duration, Waiting Patient Count with priority, Waiting Patient Count with the Same Priority, Incoming Patient Count, Outgoing Patient Count and patient priority) how long it will wait inside when the patient enters the kiosk. As a result of this, we aimed to predict how long the next patient will wait in the waiting room and to inform the patient.
Collections