Een volledige ziekenhuisbezetting voorkomen

Gezien de urgente en snel veranderende aard van de pandemie werden korte termijn voorspellingen nog crucialer. In deze moeilijke periode hebben we onze klant, een ziekenhuis in het zuiden van Nederland, ondersteund. Onze rol bestond uit het voorspellen van de instroom en bewegingen van patiënten. Deze voorspellingen speelden een cruciale rol bij het inschatten van de bedbezetting voor telkens de komende twee weken, inclusief zowel best-case als worst-case scenario’s.

Onze Data Scientist ontwikkelde een robuust voorspellingsmodel dat in staat was om:

• Het aantal instromende patiënten te voorspellen, wat cruciaal was voor het berekenen van de hoeveelheid en de duur van de bedbezetting, op zowel de reguliere als de intensive care units.
  
  
• Zowel op lokaal als op nationaal niveau voorspellingen te doen, waarbij rekening werd gehouden met de bezettingspercentages van andere ziekenhuizen in het hele land. Dit leverde waardevolle inzichten op in de ontwikkeling van de pandemie op nationaal niveau.

De uitdaging

Door het gebrek aan beschikbare data over COVID-19-patiënten moesten we aan het begin van de pandemie vertrouwen op nationale datasets om de lokale situatie te beoordelen. Dit had een negatieve invloed op de nauwkeurigheid van onze voorspellingen. Echter, de nauwkeurigheid van onze voorspellingen verbeterde aanzienlijk toen we eenmaal toegang hadden tot interne data, waardoor we de voorspellingshorizon konden verlengen. Daarnaast hadden we te maken met trendverstoringen veroorzaakt door verschillende factoren, waaronder overheidsinterventies zoals versoepelingen en lockdowns. Dankzij de robuustheid van ons model kon het zich binnen een opmerkelijk korte tijd aanpassen aan trendverstoringen.

Resultaten

Bij de start van dit project had onze Data Scientist te maken met data beperking, dat tot uiting kwam in de tijdelijke proof-of-concept (PoC) kwaliteitsvoorspellingen. Toch leverden de voorspellingen al waardevolle informatie op tijdens de urgente pandemie. Naarmate we de kwaliteit van de data verbeterden, werden onze voorspellingen en onze tool betrouwbaarder. Hierdoor konden we steeds nauwkeurigere voorspellingen doen met betrekking tot de instroom en verplaatsing van patiënten in zowel reguliere als intensieve zorgafdelingen.

Uiteindelijk hebben we onze klant een uitgebreid overzicht kunnen geven van de situatie op zowel lokaal als nationaal niveau. Zo konden ze hun middelen effectief beheren, preventieve maatregelen nemen en optimale zorg voor alle patiënten garanderen.