ระยะเวลาในการอยู่ในโรงพยาบาลจะเริ่มต้นนับตั้งแต่ตอนเริ่มลงทะเบียนเพื่อเข้าพักในโรงพยาบาลไปจนถึงเวลาที่ออกจากโรงพยาบาลโดยมีหน่วยเป็นจำนวนวัน และจำนวนวันที่อยู่โรงพยาบาลเพื่อการรักษาถือเป็นส่วนหนึ่งที่ทำให้ค่าใช้จ่ายในการรักษาพยาบาลมีค่าสูงขึ้นถ้ามีการจัดการที่ไม่เหมาะสม การทำให้กระบวนการไหลของผู้ป่วยเป็นไปอย่างดีที่สุด ซึ่งรวมได้แก่ การทำให้เกิดการใช้เครื่องมือในการรักษาเพื่อให้เกิดประโยชน์สูงสุด การทำให้เกิดการรอคอยน้อยที่สุด การทำให้การรักษาเกิดความเสี่ยงน้อยที่สุด และการใช้ทรัพยากรต่างๆเช่น เตียงผู้ป่วย อุปกรณ์ทางการแพทย์ บุคลากรทางการแพทย์ เพื่อให้เกิดประโยชน์สูงสุด
การใช้ข้อมูลในอดีตของโรงพยาบาล และ machine leaning ร่วมกัน เพื่อทำการวิเคราะห์กระบวนการไหลของผู้ป่วยเพื่อให้เกิดความเหมาะสม และ ใช้เพื่อวางแผนการใช้ทรัพยากรของโรงพยาบาล
ข้อมูลของศูนย์บริการทางการแพทย์พบว่า หนึ่งในสามของค่าใช้จ่ายในการรักษาพยาบาลในสหรัฐอเมริกา คือ ค่าใช้จ่ายในการดูแลผู้ป่วยใน ดังนั้น ปัจจัยที่มีความสำคัญอย่างมากในการจัดการต้นทุน คือ การพยายามควบคุมระยะเวลาที่ผู้ป่วยต้องอยู่ในโรงพยาบาล แต่ด้วยความซับซ้อนของความสัมพันธ์ของปัจจัยต่างที่เกี่ยวกับต้นทุน เนื่องจากมีหลายปัจจัยที่เกี่ยวข้องจำนวนมาก ตัวอย่างเช่น อายุ เพศ ประวัติการรักษา และปัจจัยอื่นๆที่มีอิทธิพลแตกต่างกันไปต่อค่าระยะเวลาในการอยู่โรงพยาบาลของผู้ป่วย
แต่ยังโชคดีที่ใน Minitab มีเครื่องมือเพื่อช่วยในการวิเคราะห์เชิงทำนาย โดยใช้กับกรณีที่มีข้อมูลจำนวนมาก มาเป็นพื้นฐานในการหาตัวแบบเพื่อทำนายผลของจำนวนวันที่ผู้ป่วยจะใช้เวลาในโรงพยาบาล โดยในตัวอย่างต่อไปนี้จะเป็นตัวอย่างของการดูว่าการใช้ทรัพยากรของโรงพยาบาลแห่งหนึ่ง เพื่อนำไปสู่การหาตัวแบบเพื่อกำหนดค่าระยะเวลาในการอยู่โรงพยาบาลของผู้ป่วยที่เหมาะสม
รับข่าวสารข้อมูลเกี่ยวกับการปรับปรุงกระบวนการการดูแลสุขภาพ
กรณีตัวอย่าง:โรงพยาบาลใช้การวิเคราะห์เชิงทำนายเพื่อทำการคาดการณ์ระยะเวลาที่ผู้ป่วยจะอยู่ในโรงพยาบาลโดยนับตั้งแต่การลงทะเบียนเมื่อผู้ป่วยมาถึงโรงพยาบาล
ในตัวอย่างนี้เป็นโรงพยาบาลขนาดกลางในโอรีกอน ที่มีแผนเพื่อให้เกิดการใช้ทรัพยากรของตนเองให้ดียิ่งขึ้น ทีมการปฏิบัติการเพื่อความเป็นเลิศได้ใช้ข้อมูลของผู้ป่วยจำนวน 8500 คนที่ได้จากระยะเวลาในช่วง 2 ปีที่ผ่านมา ซึ่งพบว่าจะมีตัวแปรเพื่อทำนายจำนวน 21 ปัจจัย ซี่งได้แก่ อายุ เพศ สถานะการสมรส ที่ถือเป็นข้อมูลทั่วไป และข้อมูลทางการแพทย์อื่นๆ เช่น ระดับความเจ็บปวด ขนาดเนื้องอก จำนวนเซลล์เม็ดเลือดแดงและเม็ดเลือดขาว เป็นต้นและข้อมูลที่ว่ามาแสดงในแผ่นงาน (Worksheet) ของ Minitab เป็นดังนี้
จะเห็นว่าข้อมูลในแผ่นงานมีทั้งหมด 22 คอลัมน์ โดย 21 คอลัมน์แรกเป็นตัวแปรทำนาย ที่จะนำไปใช้ในการคาดการณ์ค่าระยะเวลาที่ผู้ป่วยจะอยู่ในโรงพยาบาล ส่วนคอลัมน์ที่ 22 คือ ค่าระยะเวลาที่ผู้ป่วยอยู่ในโรงพยาบาล
การวิเคราะห์ระยะเวลาในการอยู่โรงพยาบาลด้วยการใช้ Regression Tree
ขั้นตอนวิธีของ machine learning คือ การสอนให้คอมพิวเตอร์จดจำรูปแบบจากข้อมูลที่มีอยู่ โดยเครื่องมือที่ Minitab ใช้ในการวิเคราะห์เชิงทำนาย คือ Classification and Regression Trees (CART®)
โดย Regression Tree คือ การทำ decision tress ที่ทำงานโดยการสร้างรูปแบบของการหาคำตอบว่า ใช่ หรือ ไม่ใช่ เพื่อแยกกลุ่มข้อมูลตามตัวแปรทำนายที่กำหนดไว้ โดยจะได้ผลลัพธ์ที่มีความใกล้เคียงกันอยู่ในกลุ่มเดียวกัน ในการใช้เครื่องมือนี้จะสามารถใช้เพื่อ
- หาว่าตัวแปรทำนายใดที่มีความสำคัญที่สุดต่อค่าระยะเวลาในการอยู่โรงพยาบาล
- หารูปแบบของตัวแปรทำนายที่จะใช้ที่ทำให้เกิดค่าระยะเวลาในการอยู่โรงพยาบาลที่มากกว่า หรือ น้อยกว่า ค่าเฉลี่ย
- การนำเสนอ (Visualization)ในสิ่งที่ค้นพบจากข้อมูล
- สร้างกฎเกณฑ์หรือรูปแบบของการจัดการธุรกิจเพื่อให้เกิดความเข้าใจที่ง่ายขึ้น และนำไปใช้งานได้อย่างมีประสิทธิภาพ
ในการสร้าง Regression Tree สมาชิกของทีมการปฏิบัติการเพื่อความเป็นเลิศ (operational excellence, OpEx) ใช้คำสั่งใน Minitab ดังนี้ Stat > Predictive Analytics > CART® Regression…
และหน้าต่างของคำสั่งนี้แสดงตามรูปด้านล่าง
Minitab แสดงแผนภาพต้นไม้ (Tree Diagram) ของผลลัพธ์โดยมีรูปร่างของจุดเชื่อมต่อ (node) แตกต่างกัน 2 รูปร่าง ได้แก่ แบบที่หนึ่ง คือ จุดที่เป็นทางแยกไปยังจุดอื่น และ แบบที่สอง คือ จุดที่ไม่มีการเชื่อมต่อไปยังที่อื่นๆ โดยจุดที่ไม่มีการเชื่อมต่อไปอีกแล้วเรียกว่า terminal node (บัพปลางทาง) ในแต่ละจุดที่เป็นปลายทางใน regression tree จะเป็นรูปแบบเฉพาะของตัวแปรทำนายที่ควรจะเป็นเพื่อให้ได้การทำนายตามที่คาดการณ์ จำนวนจุดปลายทางจะเป็นตัวบอกขนาดของต้นไม้ อย่างในตัวอย่างนี้ ได้จุดปลายทางทั้งหมด 10 จุด ดังนั้นขนาดคือ 10
ที่บริษัท PremierFMCG แต่ละแผนกนั้นถูกคาดหวังว่าจะต้องส่งผลงานอะไรบางอย่างเกี่ยวกับกระบวนการปรับปรุงอย่างต่อเนื่องทั้งในเชิงค่าตัวแปรต่างๆและตัวเลขผลลัพธ์ที่ได้ยังแสดงถึงตัวแปรที่มีความสัมพันธ์ที่เรียงตามความสำคัญ โดยแสงเป็นกราฟ(ตามภาพด้านล่าง) โดยในกราฟจะเรียงลำดับตามความสำคัญของตัวแปรทำนายที่มีต่อค่าทำนาย โดยความสำคัญ คือ การที่ตัวแปรทำนายอธิบายความผันแปรที่เกิดกับค่าทำนาย (ระยะเวลาในการอยู่โรงพยาบาล) ได้อย่างไร ในตัวอย่างนี้จะเห็นว่า อายุ เป็นตัวแปรที่มีความสำคัญที่สุดในการทำนายค่าระยะเวลาในการอยู่โรงพยาบาล ระยะของมะเร็ง สถานภาพสมรส ประวัติการสูบบุหรี่ จำนวนเนื้องอก และจำนวนเซลเม็ดเลือดขาว ก็นับเป็นปัจจัยที่ทำนายระยะเวลาในการอยู่โรงพยาบาลเรียงตามสำคัญที่ลดลงที่บริษัท PremierFMCGแต่ละแผนกนั้นถูกคาดหวังว่าจะต้องส่งผลงานอะไรบางอย่างเกี่ยวกับกระบวนการปรับปรุงอย่างต่อเนื่องทั้งในเชิงค่าตัวแปรต่างๆและตัวเลข
การใช้ตัวแบบเพื่อทำนายระยะเวลาในการอยู่โรงพยาบาล
ในการใช้ตัวแบบเพื่อการทำนายค่า ไม่ได้มีขั้นตอนที่ซับซ้อน โดยสามารถเลือกได้จากใน Minitab และต่อไป คือ ตัวอย่างในการทำนายกรณีผู้ป่วยใหม่
โดยผลลัพธ์ของการทำนาย แสดงได้ดังนี้
ข้อสังเกต ในส่วน settings ที่แสดงในส่วนผลลัพธ์ เป็นค่าของตัวแปรทำนายที่กำหนดไว้ และส่วนที่อยู่ใต้ settings และ prediction เป็นค่าที่ Minitab แสดงให้เห็นค่าที่หาได้จากตัวแบบทำนาย ซึ่งจากกรณีนี้ คือ ค่าระยะเวลาที่อยู่ในโรงพยาบาลที่ทำการคาดการณ์ไว้ โดยตัวอย่างนี้ คือ ข้อมูลที่ใช้เพื่อการทำนาย คือ
- ผู้ป่วยอายุ 53 ปี สถานภาพสมรส คือ สมรสแล้ว
- มะเร็งระยะที่สอง
- ไม่มีประวัติการสูบบุหรี่
- มีระดับความเจ็บปวด คือ 4 เมื่อตอนมาถึงโรงพยาบาล
- และเมื่อทำการใช้ตัวแบบทำนายพบว่า คาดการณ์ค่าระยะเวลาในการอยู่โรงพยาบาลเท่ากับ 5.43 วัน
ทีม OpExสามารถใช้ตัวแบบนี้เพื่อทำนายค่าระยะเวลาในการอยู่โรงพยาบาลของผู้ป่วยได้ดียิ่งขึ้น (The OpEx Team Can Now Predict Patient Length of Stay Better)
ด้วยการทำงานของ CART Regression ใน Minitab ทีมงานใช้ข้อมูลที่มีมาทำนายระยะเวลาในการอยู่โรงพยาบาลของผู้ป่วยให้มีความถูกต้องมากยิ่งขึ้น โดยใช้ข้อมูลที่ได้จากผู้ป่วยที่ได้มาเป็นตัวคาดการณ์ และเมื่อรู้ค่าเฉลี่ยที่ผู้ป่วยน่าจะอยู่ในโรงพยาบาลโดยมีเงื่อนไขที่แตกต่างกัน ทำให้สามารถวางแผนเกี่ยวกับการใช้ทรัพยากรที่ต้องใช้ให้ดียิ่งขึ้น
สนใจการนำเสนอหรือร่วมพูดคุยการประยุกต์ใช้เพิ่มเติมเกี่ยวกับการวิเคราะห์สถิติในธุรกิจการดูแลสุขภาพไหม?
บทความต้นฉบับ : Predictive Analytics and Determining Patient Length of Stay at Time of Admission
ต้นฉบับนำมาจาก Minitab blog, แปลและเรียบเรียงโดยสุวดี นําพาเจริญ
บริหารจัดการ SCM Blog โดยชลทิชา จํารัสพร, บริษัท โซลูชั่น เซ็นเตอร์ จํากัด ตัวแทน Minitab ในประเทศไทย
เพิ่มเติมเกี่ยวกับบริษัท Minitab
Minitab ช่วยให้บริษัทและองค์กรต่างๆ สามารถมองเห็นแนวโน้มของข้อมูล, แก้ปัญหาและค้นพบประเด็นสำคัญจากข้อมูลเชิงลึก โดยนำเสนอชุดโซลูชั่นที่ครอบคลุมทุกด้านและดีที่สุดสำหรับซอฟต์แวร์ในระดับเดียวกัน ที่ใช้สำหรับการวิเคราะห์ข้อมูลและการปรับปรุงกระบวนการ
ด้วยวิธีการที่เป็นเอกลักษณ์ และการนำเสนอซอฟต์แวร์และบริการแบบองค์รวม Minitab ช่วยให้องค์กรเข้าถึงกระบวนการตัดสินใจในส่วนที่ช่วยผลักดันให้เกิดความเป็นเลิศทางธุรกิจได้ดีขึ้น ความง่ายในการใช้งานที่โดดเด่นกว่าใครมีส่วนช่วยให้ Minitab สามารถทำให้การเข้าถึงข้อมูลเชิงลึกเป็นเรื่องที่ง่าย ทีมงานของ Minitab ซึ่งประกอบด้วยผู้เชี่ยวชาญทางด้านการวิเคราะห์ข้อมูลที่ได้ผ่านการอบรมมาเป็นอย่างเข้มงวด จะช่วยให้ผู้ใช้งานมั่นใจว่าจะได้รับประโยชน์สูงสุดจากการใช้งานวิเคราะห์ข้อมูลและพร้อมที่จะให้คำปรึกษาตลอดเวลาที่ใช้งานเพื่อนำไปสู่การตัดสินใจที่ดีขึ้น รวดเร็ว และแม่นยำ
เป็นเวลากว่า 50 ปีที่ Minitab ได้ช่วยองค์การต่าง ๆ เพิ่มรายได้ ควบคุมและลดต้นทุน เพิ่มคุณภาพ เสริมสร้างความพึงพอใจของลูกค้า และเพิ่มประสิทธิภาพ ธุรกิจและองค์นับหมื่นทั่วโลกใช้ Minitab Statistical Software®, Companion by Minitab®, Minitab Workspace®, Salford Predictive Modeler® and Quality Trainer® เป็นเครื่องมือช่วยในการค้นพบและปรับปรุงความบกพร่องในกระบวนการ