Vorhersage des täglichen Patientenvolumens während der Covid-PhaseHallo alle
Ich habe Daten zum täglichen Patientenvolumen und soll die tägliche Prognose für die nächsten 14 Tage vorhersagen, damit sie die entsprechende Personalausstattung vornehmen (Ärzte, Krankenschwester usw.).
Meine Frage ist also, was ist die beste Methode, um die Zeitreihen in der Covid-Variationsphase durchzuführen? Vor Covid habe ich mit dem saisonalen Arima-Modell prognostiziert.
Ich habe seit Juli 2019 tägliche Daten. Ist es eine gute Idee, Daten seit Juli 2019 einzubeziehen, oder da wir einen Rückgang des täglichen Volumens um etwa 35 % haben, ist es eine gute Idee, sich nur auf die Daten vom März 2020 zu konzentrieren und für 14 Tage vorherzusagen? oder kurz nach 3 Wochen, um für 14 Tage vorherzusagen ...
Bitte beraten.
Betreff: Vorhersage des täglichen Patientenvolumens während der Covid-PhaseDie Verwendung der Durchschnittswerte des letzten Jahres garantiert, dass Sie das „Ziel“ die Hälfte der Zeit übertreffen und die Hälfte der Zeit darunter liegen werden. Wenn Sie einfach historische Daten ohne Verständnis verwenden möchten, aber tägliche Schwankungen berücksichtigen möchten, können Sie Ihr Modell mit der Option BY ausführen und den Wochentag in BY eingeben. Auf diese Weise haben Sie für jeden Wochentag ein Modell. Wenn Sie die aktuellen Daten stärker gewichten möchten als die der Vergangenheit, müssen Sie sich überlegen, welche Art der Gewichtung (z. B. exponentiell) verwendet wird. Aufgrund der Inkonsistenz des Prozesses / der Daten halte ich die Gewichtung erneut für keine gute Idee und würde das verkomplizieren, was Sie bereits nicht verstehen.
Auf der anderen Seite können Sie alle meine Punkte ignorieren und beliebige Daten verwenden, um ein beliebiges Modell zu erstellen.
"Alle Modelle sind falsch, einige sind nützlich". GEP Kasten
Betreff: Vorhersage des täglichen Patientenvolumens während der Covid-PhaseJa, sein Grundmodell und ich habe einige Faktoren untersucht, die sich darauf auswirken, aber wir haben keine Daten wie Wetterfaktoren.
Während dieser Covid wird die Unsicherheit noch größer und herausfordernder.
Davor haben wir den flachen Durchschnitt aus dem letzten Jahr verwendet ... zumindest haben wir ein Grundmodell, das einige tägliche Variationen wie den Wochentag und auch den Trend liefert.
Mit dem, was wir am besten haben, möchte ich im Moment nur zwei Dinge beibehalten: 1. wöchentliche Variation (Montagshoch usw.), damit sie am Montag im Vergleich zu anderen Tagen etwas mehr Personal haben, und 2. den vergangenen Tagen mehr Gewicht geben
Welches Modell wird in dieser Hinsicht am besten sein?
Betreff: Vorhersage des täglichen Patientenvolumens während der Covid-PhaseSie versuchen, ein Modell ohne Verständnis (oder Berücksichtigung) von Variablen zu erstellen, die sich auf die Antwortvariable von Besuchen auswirken könnten. Die einzige Prädiktorvariable, die Sie in das Modell einfügen, ist die Zeit. IMHO, um ein nützliches Vorhersagemodell zu haben, müssen Sie verstehen, welche Faktoren die Antwortvariable Y = f (x) beeinflussen. Sobald Sie die einflussreichen Eingabevariablen (X) verstanden haben, können Sie überlegen, wie Sie diese X steuern, verwalten und messen können, um das gewünschte Ergebnis zu erzielen (beachten Sie, dass einige X den Mittelwert und andere die Variabilität beeinflussen). Wie ich bereits erwähnt habe, deuten Ihre Daten darauf hin, dass es x gibt, die noch identifiziert werden müssen, die eine Instabilität bei der Anzahl der tatsächlichen Besuche verursachen. Keine mathematische Modellierung kann dies lindern. "Müll rein, Müll raus." Ich schlage dich vor:
1. den Prozess abbilden,
2. Xs identifizieren, die einflussreich sein könnten,
3. Hypothesen darüber entwickeln, warum diese x einflussreich sein können oder nicht
4. Sammeln Sie Daten, um einen Einblick in Ihre Hypothesen zu erhalten.
Ja, dies ist eine herausfordernde Arbeit und erfordert Ressourcen, um den Prozess zu studieren.
"Es gibt keinen Instant-Pudding". Deming
Dann können Sie darüber nachdenken, mathematische Modelle zur Vorhersage zu verwenden.
Betreff: Vorhersage des täglichen Patientenvolumens während der Covid-PhaseHi
Ich stimme zu, dass wir eine klare wöchentliche Variation haben. Die Frage, die Sie zu vielen Variationen hatten, ist akzeptabel ... dann würde ich alles unter 10 sagen. Die Prognose sind tägliche Besuche in der Notaufnahme, und wir stellen das Personal auf der Grundlage des Volumens ein, das wir für die nächsten zwei Wochen erwarten.
ich benutzte marsch bis t - 1 Tag für die Vorhersage 3 Wochen. Wie Sie beobachtet haben, lag sie vor dem 15. März bei etwa 160 Sekunden und fiel dann einige Wochen lang erheblich und stieg kürzlich auf 120 Sekunden an.
Ich habe diese Schritte befolgt (angehängt)
Dies ist, was ich produziert habe, aber tatsächlich ist es immer noch in 120er 130er, also verwenden wir das, was wir haben überbesetzt wie die Prognose zeigt, wird es in 160s gehen
Ich frage mich, ob ich hier etwas tun muss..
Bitte beraten…
Betreff: Vorhersage des täglichen Patientenvolumens während der Covid-PhaseVielen Dank für das Anhängen einer JMP-Datei.
Ich weiß nicht, was ein Besuch in Bezug auf Risiko/Ertrag „kostet“? Wie genau muss die Vorhersage sein? Innerhalb von wie vielen Besuchen? Wenn diese Anzahl der Besuche gering ist (≤ 10), gibt es derzeit große Unterschiede in Ihrem Prozess.
Sie müssen diese speziellen Sprünge in den Daten verstehen. Für mich sieht es so aus, als ob es einen 7-Tage-Zyklus gibt. Ich bin mir nicht sicher, ob die tatsächliche Anzahl der "gezählten" Besuche in irgendeiner Weise vom Wochentag beeinflusst wird. Möglicherweise wird die Uhrzeit oder der Tag, an dem die Besuche gezählt werden, durch Schichtwechsel oder die Art und Weise, wie die Daten erfasst werden, beeinflusst. Scheint es mit Sonntag/Montag zu korrelieren? Vielleicht werden alle Wochenendbesuche am Sonntag oder Montag gezählt? Bis Ihre Messungen oder Abrechnungen konsistent sind, wird es schwierig sein, sich auf Vorhersagen zu verlassen. Betrachtet man die zusätzlichen Daten, so hat sich der Durchschnitt um den 19. März herum verschoben. Der Durchschnitt vor dem 19. März lag bei etwa 157 (121-193). Der Durchschnitt vom 19.03.-03.05. betrug etwa 102 (66-140). Es scheint, dass Sie vor Covid insgesamt mehr Besuche hatten als danach. In Bezug auf die Planung müssen Sie entscheiden, wie viel Kosten damit verbunden sind, dass Sie genug haben, um mit der extremen Vorhersage fertig zu werden, oder welches Risiko damit verbunden ist, nicht genügend Besuche einzuplanen.
Betreff: Vorhersage des täglichen Patientenvolumens während der Covid-PhaseDanke für meine Aufmerksamkeit auf diese hohen Schwankungsdaten lenken. Ich habe begonnen, diese Informationen zu untersuchen.
Wie Sie es angefordert haben, habe ich die Daten beigefügt, die ich für den 24.05.
Unten ist das Kontrolldiagramm mit der angehängte JMP-Datei. Vor Covid waren nur wenige Abweichungen normal, und jetzt waren einige Anpassungen erforderlich, um sich an diese Unsicherheit anzupassen.
Würden Sie mir angesichts dieser Daten bitte empfehlen, was die beste Option für eine 3-Wochen-Prognose ist?
Ich wäre Ihnen dankbar, wenn Sie mich hierher führen.
Vielen Dank
Betreff: Vorhersage des täglichen Patientenvolumens während der Covid-PhaseWarum hängen Sie die JMP-Datei nicht an?
Ich habe MR-, Individual-Charts aus Ihren Ist-Daten erstellt: Das MR-Chart beantwortet die Frage: Ist die Schwankung in aufeinanderfolgenden Tagen (kurzfristige Schwankung) konsistent und stabil? Das individuelle Diagramm beantwortet die Frage: Welche Schwankungsquellen sind größer, kurzfristig oder langfristig.
Wie Sie sehen können, haben Sie Daten aus „besonderen Gründen“, die durch das MR-Diagramm identifiziert werden. Diese "Ereignisse" sind es wert, untersucht zu werden, obwohl sie vom 26.04. bis 27.04. und 03.05. bis 04.05. Da der MR nicht konsistent ist, müssen Sie bei der Interpretation der Eingriffsgrenzen in den einzelnen Diagrammen vorsichtig sein (da der MR zur Berechnung der Eingriffsgrenzen verwendet wird und wir wissen, dass er inkonsistent ist). Es scheint langfristige Schwankungsquellen zu geben, die über die täglich gefundenen Quellen hinausgehen.
Betreff: Vorhersage des täglichen Patientenvolumens während der Covid-PhaseHallo Statmann
Ich habe die Datei mit sowohl tatsächlichen als auch vorhergesagten (aus Zeitreihen saisonaler Anima von (110.012)7 angehängt
Ich habe 7 verwendet, weil wir wöchentliche Schwankungen wie montags haben
ich benutzte 20.03. bis 09.05. in aktueller Kol zu Vorhersage für 10.05. bis 23.05 die auch in den Spalten c bis g hinzugefügt wird
Betreff: Vorhersage des täglichen Patientenvolumens während der Covid-PhaseBitte hängen Sie Ihre JMP-Datei an und ich werde einen Blick darauf werfen.
Betreff: Vorhersage des täglichen Patientenvolumens während der Covid-PhaseDanke Statmann.
Ich habe die Daten der letzten 4 Wochen verwendet, um die nächsten 3 Wochen vorherzusagen. Der prognostizierte Trend geht stark nach oben, aber tatsächlich ist der tatsächliche nicht hoch. Dies verursachte Probleme bei der Personalbesetzung, weil wir für 165 Patienten Personal hatten, aber tatsächlich sehen wir nur 120.
Idealerweise sollte es in der folgenden Grafik in der roten Linie angezeigt werden
Gibt es eine Möglichkeit, der letzten Woche einfach mehr Gewichte zu geben und das wöchentliche Muster beizubehalten (Hoch am Montag, Tief am Freitag usw.)?
welche Methode wäre das.. oder gibt es einen besseren Vorschlag.
Bitte beraten
Vielen Dank
Betreff: Vorhersage des täglichen Patientenvolumens während der Covid-PhaseWenn das tägliche Patientenvolumen konsistent und stabil ist (wie anhand von Regelkarten verifiziert), können Sie die Grenzen der Regelkarte als Vorhersage zukünftiger Zeiträume erweitern. Wenn jedoch das Patientenvolumen inkonsistent ist, wird jedes Vorhersageverfahren schlecht sein. Seit dem COVID-Ausbruch sind die Daten von vor dem Ereignis meiner Meinung nach nicht repräsentativ für die aktuelle Situation. Sie könnten versuchen, die "aktuellen" Daten zu modellieren, die möglicherweise repräsentativ für die nächsten 14 Tage sind (ich weiß nicht, welche spezifischen Daten das sind). Aber in jedem Fall ist jede Vorhersage schlecht, wenn der Prozess instabil ist. Es kann hilfreich sein, Frühindikatoren zu finden, um das Patientenvolumen zu verstehen.
