Prévision quotidienne du volume de patients pendant la phase covidSalut tout le monde
J'ai des données quotidiennes sur le volume de patients et je dois prédire les prévisions quotidiennes pour les 14 prochains jours afin qu'ils fassent la dotation appropriée (médecins, infirmière, etc.)
Donc ma question est, quelle est la meilleure méthode pour faire la série chronologique en phase de variation covid ? Avant covid, je faisais des prévisions avec le modèle saisonnier Arima.
J'ai des données quotidiennes depuis juillet 2019. Est-ce une bonne idée d'inclure des données depuis juillet 2019 ou puisque nous avons une réduction d'environ 35 % du volume quotidien, c'est une bonne idée de se concentrer uniquement sur les données de mars 2020 et de prévoir sur 14 jours ? ou juste passé 3 semaine à prévoir pour 14 jours...
S'il vous plaît donnez votre avis.
Re : Prévision quotidienne du volume de patients pendant la phase covidL'utilisation des moyennes de l'année dernière garantira que la moitié du temps vous dépasserez la « cible » et l'autre moitié du temps vous serez en dessous. Si vous souhaitez simplement utiliser des données historiques sans comprendre, mais que vous souhaitez tenir compte des fluctuations quotidiennes, vous pouvez exécuter votre modèle à l'aide de l'option BY et mettre le jour de la semaine dans BY. De cette façon, vous aurez un modèle pour chaque jour de la semaine. Si vous souhaitez pondérer davantage les données récentes que celles du passé, vous devrez réfléchir à quel type de pondération (par exemple, exponentielle). Encore une fois en raison de l'incohérence du processus/des données, je ne pense pas que la pondération soit une bonne idée et compliquerait ce que vous ne comprenez déjà pas.
D'un autre côté, vous pouvez ignorer tous mes points et utiliser les données de votre choix pour créer le modèle de votre choix.
"Tous les modèles sont faux, certains sont utiles". GEP Boîte
Re : Prévision quotidienne du volume de patients pendant la phase covidoui... son modèle de base et j'ai recherché quelques facteurs affectant mais nous n'avons pas de données comme les facteurs météorologiques.
Pendant ce covid, l'incertitude devient encore plus grande et difficile.
avant cela, nous utilisions la moyenne fixe de l'année dernière ... au moins, nous avons un modèle de base qui donne des variations quotidiennes comme le jour de la semaine et aussi la tendance.
En utilisant ce que nous avons au mieux, je voudrais simplement maintenir deux choses pour le moment 1. variation hebdomadaire (lundi élevé, etc.) afin qu'ils en emploient un peu plus le lundi par rapport aux autres jours et 2. donner plus de poids aux derniers jours
quel modèle sera le mieux à cet égard?
Re : Prévision quotidienne du volume de patients pendant la phase covidVous essayez de créer un modèle sans comprendre (ou prendre en compte) les variables susceptibles d'avoir un impact sur la variable de réponse des visites. La seule variable prédictive que vous mettez dans le modèle est le temps. À mon humble avis, pour disposer d'un modèle de prédiction utile, vous devez comprendre quels facteurs affectent la variable de réponse, Y = f (x). Une fois que vous avez compris les variables d'entrée (x) qui sont influentes, vous pouvez déterminer comment contrôler, gérer, mesurer ces x pour obtenir le résultat souhaité (notez que certains x affecteront la moyenne et d'autres affecteront la variabilité). Comme je l'ai déjà souligné, vos données suggèrent qu'il existe des x, qui restent à identifier, qui entraînent une instabilité du nombre de visites réelles. Aucune modélisation mathématique ne peut pallier cela. "Déchets à l'intérieur, déchets à la sortie." Je vous suggère:
1. cartographier le processus,
2. identifier les x qui peuvent être influents,
3. développer des hypothèses sur les raisons pour lesquelles ces x peuvent ou non avoir une influence
4. collecter des données pour donner un aperçu de vos hypothèses.
Oui, c'est un travail difficile et nécessite des ressources pour étudier le processus.
"Il n'y a pas de pudding instantané". Déming
Ensuite, vous pouvez commencer à penser à utiliser des modèles mathématiques pour prédire.
Re : Prévision quotidienne du volume de patients pendant la phase covidSalut
Je suis d'accord que nous avons une variation hebdomadaire claire. La question que vous vous posiez sur les nombreuses variations est acceptable ... alors je dirais rien de moins que 10. Les prévisions sont des visites quotidiennes au service des urgences et nous dotons en personnel en fonction du volume que nous prévoyons de voir pour les deux prochaines semaines.
j'ai utilisé mars à t - 1 jour à prévoir pour 3 semaines. comme vous l'avez observé, il était d'environ 160 secondes avant le 15 mars, puis a considérablement chuté pendant quelques semaines et a reculé récemment à 120 secondes.
J'ai suivi ces étapes (ci-joint)
C'est ce que je produisais, mais la réalité est toujours en 120s 130s, donc en utilisant cela, nous avons trop de personnel comme les prévisions le montrent ira dans 160s
Je me demande s'il y a quelque chose que je dois faire ici..
S'il vous plaît donnez votre avis…
Re : Prévision quotidienne du volume de patients pendant la phase covidMerci d'avoir joint un fichier JMP.
Je ne sais pas ce qu'une visite "coûte" en termes de risque/récompense ? Quelle doit être la précision de la prédiction ? Dans combien de visites ? Si ce nombre de visites est petit (≤ 10), alors il y a une énorme variation dans votre processus en ce moment.
Vous devez comprendre ces sauts particuliers dans les données. Il me semble qu'il y a un cycle de 7 jours. Je ne sais pas si le nombre réel de visites "comptées" est en quelque sorte influencé par le jour de la semaine ? L'heure ou le jour où les visites sont comptées est peut-être affecté par le changement d'équipe ou la manière dont les données sont enregistrées. Semble-t-il en corrélation avec dimanche/lundi ? Peut-être que toutes les visites du week-end sont comptées le dimanche ou le lundi ? Jusqu'à ce que vos mesures ou votre comptabilité soient cohérentes, il sera difficile d'avoir confiance dans les prévisions. En regardant les données supplémentaires, la moyenne a été déplacée vers le 19 mars. La moyenne avant le 19 mars était d'environ 157 (121-193). La moyenne du 19/03 au 05/03 était d'environ 102 (66-140). Il semble que vous ayez eu plus de visites au total avant Covid qu'après. En termes de planification, vous devrez décider du coût associé au fait d'en avoir suffisamment pour gérer la prédiction extrême ou du risque associé au fait de ne pas planifier suffisamment de visites.
Re : Prévision quotidienne du volume de patients pendant la phase covidMerci pour attirant mon attention sur ces dates à forte variation. J'ai commencé à enquêter sur cette information.
Comme vous l'avez demandé, j'ai joint les données que je prévois de prévoir du 24/05 au 06/06, car c'est ce que nous utilisons pour planifier le personnel pour cette période de paie.
Ci-dessous la carte de contrôle utilisant le fichier JMP joint. Avant covid, peu de variations étaient normales et maintenant, il fallait quelques ajustements pour s'adapter à cette incertitude.
Compte tenu de ces données, pourriez-vous me recommander quelle est la meilleure option pour les prévisions sur 3 semaines ?
Je vous serais reconnaissant de me guider ici.
Merci
Re : Prévision quotidienne du volume de patients pendant la phase covidPourquoi ne pas joindre le fichier JMP ?
J'ai créé des graphiques MR, individuels à partir de vos données réelles : le graphique MR répond à la question : la variation en jours consécutifs (variation à court terme) est-elle cohérente et stable ? Le graphique individuel répond à la question : quelles sources de variation sont les plus importantes, à court terme ou à long terme.
Comme vous pouvez le constater, vous disposez de données de "cause spéciale" identifiées par le tableau MR. Ces "événements" méritent d'être étudiés, bien qu'ils se soient produits du 26/04 au 27/04 et du 03/05 au 05/04, alors maintenant vous faites l'hypothèse de ce qui s'est passé entre ces dates ? Étant donné que le MR n'est pas cohérent, vous devez être prudent en interprétant les limites de contrôle sur le graphique individuel (puisque le MR est utilisé pour calculer les limites de contrôle et nous savons qu'il est incohérent). Il semble y avoir des sources de variation, à long terme, qui s'ajoutent aux sources trouvées au jour le jour.
Re : Prévision quotidienne du volume de patients pendant la phase covidSalut Statman
J'ai joint le fichier avec à la fois réel et prédit (à partir de l'anima saisonnier de la série chronologique de (110 012) 7
J'ai utilisé 7 parce que nous avons une variation hebdomadaire comme élevée le lundi
j'ai utilisé 20/03 au 09/05 en col réel à prévoir du 10/05 au 23/05 qui est également ajouté dans les cols c à g
Re : Prévision quotidienne du volume de patients pendant la phase covidVeuillez joindre votre fichier JMP et j'y jetterai un coup d'œil.
Re : Prévision quotidienne du volume de patients pendant la phase covidMerci Statman.
J'ai utilisé les données des 4 dernières semaines pour prédire les 3 prochaines semaines. La tendance prévue est à la hausse, mais en fait, la réalité n'est pas très élevée. Cela a causé un problème de dotation en personnel, car nous avons fourni du personnel pour 165 patients, mais en fait, nous n'en voyons que 120.
Idéalement, il devrait être en ligne rouge dans le graphique ci-dessous
est-il possible de donner plus de poids à la semaine dernière et de maintenir le modèle hebdomadaire (haut le lundi, bas le vendredi, etc.).
quelle méthode serait-ce .. ou y a-t-il une meilleure suggestion.
s'il vous plaît donnez votre avis
Merci
Re : Prévision quotidienne du volume de patients pendant la phase covidSi le volume quotidien de patients est constant et stable (comme vérifié à l'aide de cartes de contrôle), vous pourrez alors étendre les limites de la carte de contrôle en tant que prédiction de périodes futures. Si, toutefois, le volume du patient est incohérent, toute méthode de prédiction sera mauvaise. Depuis l'épidémie de COVID, je suppose que les données antérieures à l'événement ne sont pas représentatives de la situation actuelle. Vous pouvez essayer de modéliser les données "récentes" qui peuvent être représentatives des 14 prochains jours (je ne sais pas de quelles données spécifiques il s'agit). Mais, dans tous les cas, si le processus est instable, toute prédiction sera mauvaise. Il peut être utile de trouver des indicateurs avancés pour aider à comprendre le volume de patients.
