Denne utfordringen er nå transformert ved Lovisenberg Diakonale Sykehus (LDS). Ved å ta i bruk Deepinsight Hero, en moderne løsning som integrerer avansert optimering og kunstig intelligens (KI), har LDS funnet en ny, datadrevet vei for å håndtere planleggingskompleksiteten.

I denne artikkelen ser vi på hvordan Deepinsight Hero bidrar til å maksimere utnyttelsen av operasjonskapasiteten, effektivisere ressursbruken og dermed sikre en markant økning i operasjonsaktiviteten ved LDS.

Operasjonsplanlegging

Første steg i planleggingen består av å allokere tid til forskjellige operasjonstyper og bemanne disse fram i tid, noe som resulterer i en aktivitetsplan. Deretter skal man fylle denne aktivitetsplanen med spesifikke operasjoner på best mulig måte. Resultatet av dette er en taktisk plan. Til sist kan man booke inn pasienter til de spesifiserte operasjonene, som utgjør operasjonell planlegging. 

Gjennom hele denne planleggingsprosessen skal det gjøres avveininger med tanke på ventelister og prioriterte pasientgrupper, helsepersonellets velferd, og en lang rekke andre restriksjoner og forhold som har innvirkning på hva og hvor mye som kan gjennomføres. 

Deepinsight Hero bygger på flere sentrale modeller. To av disse bidrar til et bedre datagrunnlag: modell for strukturert data og modell for prediksjon av ventelister. Tre modeller har sterke paralleller til planleggingsprosessen: modell for automatiske forslag til aktivitetsplaner for kirurger, modell for automatiske forslag til taktiske planer, og modell som gir forslag til hvilke pasienter som er best egnet i henhold til taktiske planer.

Strukturert data

Deepinsight Hero har en innebygd modell som henter ut vesentlig informasjon fra fritekst-felter som har betydning for planlegging. Denne modellen er en LLM (Large Language Model) som har som oppgave å strukturere informasjon i ventelisten om pasientens status og spesielle restriksjoner og forhold. Eksempler på dette er om pasienten er klarert eller prioritert, kan komme på kort varsel, er tilgjengelig/utilgjengelig i visse perioder, må avvente, eller om operasjonen pasienten venter på ikke kan utføres med visse ressurser. Med denne modellen forbedres ikke bare planleggernes hverdag, som slipper å huske eller lete etter denne informasjonen selv, men denne strukturerte dataen er vesentlig informasjon som benyttes  videre i planleggingsflyten.

Figur 1:  Skjermbilde fra intern applikasjon for modell-evaluering. Viser treffsikkerhet og ventetids-mål over pasient-statuser som er predikert av en LLM på syntetisk datasett som emulerer produksjonsdata. 

Ventelister

For å planlegge på mellomlang sikt (4-12 måneder) er det avgjørende å forstå hvordan ventelistene vil utvikle seg. For å forutse hvordan ventelistene ser ut ved starten av planleggingsperioden, som gjerne er frem i tid, har Deepinsight Hero en modell som predikerer antall innkommende pasienter og som trekker fra pasienter som vil bli behandlet før planleggingsperioden starter. Ved å bruke historiske aktivitetsdata og en avansert maskinlæringsmodell, predikerer Deepinsight Hero fremtidig pasienttilstrømning som hensyntar sesongvariasjoner. Dette sikrer at man planlegger mest mulig ut fra det reelle fremtidige behovet, og ikke kun dagens venteliste.

Figur 2: Planleggingsperioden og prognose av ventelistene.

Aktivitetsplaner for kirurger

Utarbeidelse av etterspørselsdrevne aktivitetsplaner for kirurger er en ressurskrevende oppgave. Deepinsight har utviklet en optimeringsalgoritme som finner en optimal aktivitetsplan basert på en rekke restriksjoner og faktorer. 

Modellen søker gjennom et mangfold av kombinasjoner ved hjelp av KI, og scorer dem med en objektivfunksjon, en funksjon som håndterer målsetningene. Ventelister, historiske data og statistikk er sentrale for å styre algoritmens aktivitetsforslag. Deepinsight Hero benytter en CP-SAT modell (Constraint Programming-solver med Satisfiability-metoder), som er godt egnet for problemer med mange restriksjoner, og den inkluderer søkestrategier som parallellisering, optimalgap og maksimal kjøretid for å levere gode resultater effektivt. Objektivfunksjonen balanserer ventelister på tvers av pasientgrupper, maksimerer bruk av allokerte ressurser, oppfyller ønsker med ulike prioritetsnivåer, og hensyntar kirurgenes trivsel ved å spre ut poliklinikkdager. 

Modellen kan også håndtere forhåndsbestemte aktiviteter. Modellen utforsker en svært stor mengde kombinasjoner og restriksjoner som er umulig å håndtere manuelt, og leverer optimaliserte aktivitetsplaner for kirurger på en brøkdel av tiden. Unike brukere av denne funksjonaliteten har økt jevnlig siden Deepinsight Hero ble introdusert på LDS, se Figur 3. Vår observasjon er at introduksjonen av dette har resultert i en direkte økning i utnyttelsen av operasjonskapasiteten.

Figur 3: Unike brukere av siden for bemanning og aktivitetsplan.

Taktisk plan

Denne modellen utarbeider forslag til daglige operasjonsprogrammer for hver operasjonsstue over hele planleggingsperioden, etter at aktivitetsplanen for kirurger er satt. Modellen er tilpasset det enkelte sykehuset og deres data, og tar hensyn til "gode operasjonsprogrammer" definert fra historiske operasjonsdata og domenekunnskap, kapasitetsbegrensninger, prioriterte pasientgrupper, gjennomsnittlig operasjonstid og estimert fremtidig venteliste. 

Den underliggende optimeringsalgoritmen er også her en CP-SAT modell, som maksimerer en definert objektivfunksjon. Objektivfunksjonen balanserer programmenes tildelte score med reduksjon av ventelister, og belønner brukerstyrt pasientfordeling for å både henstynta prioriterte pasientgrupper og sikre jevn fordeling for å ivareta rettferdig og jevn ventetid og tilstrekkelig pasientgrunnlag. Modellen bidrar dermed til å utforske et mye større mulighetsrom enn man kan utføre manuelt, noe som garanterer mer robuste og optimale daglige programmer. Også siden for taktisk planlegging blir tatt i bruk mer og mer av LDS, se Figur 4. 

Figur 4: Unike brukere av siden for taktisk plan.

Pasientforslag

Å finne egnede pasienter for ledige operasjonstider er en kompleks og tidkrevende jobb. Deepinsight har utviklet et anbefalingssystem som integrerer strengt definerte sorteringsregler med en transparent og konfigurerbar rangering ved hjelp av en vektet poengscore (Weighted Sum Model - WSM). Prosessen består av to steg:

1. Sortering: Pasienter sorteres først etter hvor kritiske operasjonene er (prioriterte før ikke-prioriterte), deretter basert på deres WSM-score. WSM-scoren tar hensyn til faktorer som kirurgmatch, pasientens mulighet til å komme på kort varsel, klarertstatus, ventetid og estimert stuetid.

   
   

2. Gruppering i sterke og svake forslag: Den sorterte listen deles inn i "Sterke matcher" (pasienter som oppfyller alle kriterier for en ledig tid) og "Svake matcher" (pasienter som ikke oppfyller alle kriterier). Dette reduserer manuelt arbeid betydelig og gir planleggerne kontroll. Presise maskinlæringsmodeller sikrer nøyaktig estimering av stuetid, som bidrar til maksimal utnyttelse av tiden på stuen. I tillegg gir en ikke-lineær bonusscore for "kort varsel"-pasienter enestående evne til å raskt og effektivt fylle uventede ledige tidsluker.

Modellen hensyntar mange parametre det ville vært veldig krevende å gjøre manuelt over en lang venteliste. Modellen er transparent, og baserer seg på sykehusets preferanser for prioritering. Pasientforslagene og hvordan de brukes monitoreres og forbedres, og denne funksjonaliteten utgjør dermed en kontinuerlig læringssløyfe. I Figur 5 vises konverteringsratene for de topp 4 sorterte pasientforslagene over 30 dager, der 0 er høyest sorterte pasient. Som kan sees er konverteringsraten høy, og antagelig høyere da ikke alle klikk på pasientforslag skjer i kontekst av faktisk booking. 

Figur 5: Konverteringsraten for de topp 4 foreslåtte pasientene over 30 dager. At et pasientforslag er klikket på kan i mange tilfeller være av årsaker som ikke er knyttet til booking, og den faktiske konverteringsraten fra pasientforslag til booking kan dermed være høyere.

Gjennom avanserte KI- og optimeringsmodeller har Deepinsight Hero ført til 13% økning i operasjonsaktivitet og 30% nedgang i overtid, og blitt en uvurderlig støtte for Lovisenbergs planleggere. Løsningen transformerer en kompleks og ressurskrevende arbeidsprosess til en strømlinjeformet og datadrevet drift. 

Bygd på sykehusets data og raffinert og fintunet i tett samarbeid med planleggerne sikrer dette ikke bare en bedre arbeidshverdag for planleggerne, med mindre frustrasjon, friksjon og tungt administrativt arbeid, men også økt aktivitet, mer effektiv ressursutnyttelse og til syvende og sist bedre pasientbehandling.

Les mer om Deepinsight Hero