Predicting treatment durations for improving health care schedules
Loading...
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Author
Date
2019-12-16
Department
Major/Subject
Computer science
Mcode
SCI3042
Degree programme
Master’s Programme in Computer, Communication and Information Sciences
Language
en
Pages
65+7
Series
Abstract
Utilization of healthcare resources is an important issue that has been extensively studied. Healthcare is expensive and as it is often funded by the government the allocation of resources is a contentious issue. This is pushing for maximizing the efficiency of the available resources. But, in addition, the patient experience is also important, and too long waiting times and queues can have a detrimental effect on patients and is generally not an enjoyable experience, especially when sick. In addition, waiting rooms for holding waiting patients is also an added cost. Much of the research has been aimed at the scheduling problem of how to match patients with professionals. However, in order to be able to efficiently making a working schedule, information on the actual treatment durations is valuable. Using machine learning to predict treatment durations is a research area that is not greatly covered in literature. And thus, this work focuses on analyzing factors impacting the treatment durations, as well as predicting the durations based on basic demographic and historic information about the patients. However, with the limited amount of relevant data available in this work, this is a great challenge and appears not to be easily achievable. In addition, an application for analyzing and exporting event data from a patient flow management system is created. The purpose of this application is to aid in debugging the main software, and make it easier to export different data set and conduct additional studies in the future.Nyttjande av hälsovårdsresurser är ett viktigt problem som har blivit utförligt undersökt. Hälsovård är dyrt, och eftersom den ofta bekostas av staten så är allokering av resurser ett omtvistat ämne. Det här motiverar till att maximera användningen av de tillgängliga resurserna. Dessutom så är patientens upplevelse också viktig, och för långa väntetider och köer kan ha en negativ inverkan på patienten, och är generellt sätt inte en trevlig upplevelse, speciellt inte när man är sjuk. Dessutom är även väntrum för köande patienter ytterligare en kostnad. Mycket forskning har fokuserat på olika schemaläggningsproblem, och hur man matchar patienter med vårdpersonalen. Men för att kunna producera effektiva och fungerande scheman så är information om hur länge vårdtillfällena verkligen tar, värdefull. Användning av maskininlärning för att förutspå längden på vårdtillfällena är ett forskningsområde som inte är grundligt undersökt i litteraturen. Och därför så fokuserar det här arbetet på att analysera faktorer som påverkar längden på vårdtillfällen, och även förutspående av längden på vårdtillfällena baserat på demografisk och historisk information om patienten. På grund av bristen på relevant data tillgänglig för detta arbete så är detta en stor utmaning och inte lätt att uppnå. Ytterligare så utvecklades ett program för analys och exportering av händelsedata från patientflödessystemet. Syftet med detta program är att underlätta felsökning i huvudprogramvaran, samt att göra det lättare att exportera olika data för framtida studier.Description
Supervisor
Marttinen, PekkaThesis advisor
Strahl, JonathanKeywords
healthcare, machine learning, treatment duration, prediction, regression
