Klinisk personale taler foran skærme

Machine learning hjælper rengøringspersonalet på hospitaler

Aalborg Universitetshospital bruger nu machine learning til præcist at forudse rengøringspersonalets arbejdsbelastning for at optimere opgavestyringen og fordele kræfterne bedst muligt.

Avancerede algoritmer og machine learning

Gennem de seneste 10-15 år er rengøringspersonalet på tværs af danske sygehuse gradvist blevet reduceret på grund af enten nedskæringer eller omprioritering. Rengøring og afrydning vedbliver dog at være en vital del af hospitalsdriften. For at optimere rengøringsfunktionen i Region Nordjylland, har de i samarbejde med Systematic indlejret en machine learning algoritme i Systematics Columna Flow Task Management. Algoritmen forudsiger rengøringspersonalets arbejdsbyrde, hvilket gør det muligt at prioritere de rigtige opgaver på det rigtige tidspunkt.

Mængden og intensiteten af rengørings- og serviceopgaver varierer normalt hen over hverdage, weekender og helligdage, men også fra afdeling til afdeling. Nogle opgaver kræver en betydelig indsats, mens andre er nemmere at afslutte hurtigt. Ved at anvende online læring, tager machine learning algoritmen konstant ved lære af sine opgavedata, så den bliver endnu skarpere til at evaluere fremskridt og forudsige, om medarbejderne er enten 'bag tidsplanen', 'følger tidsplanen' eller 'forud for tidsplanen'.

Forbedringer hver time

Når et team forventes at være bagud, foreslår løsningen automatisk en omfordeling af teamet, så medarbejdere, der er forud for tidsplanen, kan støtte de teams, der har sværere ved at følge med. Dette hjælper ikke kun teams med at fuldføre deres opgaver inden for deadlines, det afhjælper også overanstrengede teams. Allerede nu tilbyder løsningen prognoser med meget høj nøjagtighed. Resultatet er mere optimal brug af rengøringspersonale, præcise personaleprognoser og forbedret opgavestyring.

Det store potentiale i opgavedata

Eftersom opgavedata generelt er konsistente, har dataene potentiale til at blive brugt til at forudsige mange forskellige typer af hændelser, f.eks. patientankomster, forsinkelser i konsultationer og andre potentielle flaskehalse. Denne viden kan kombineres på forskellige måde og derved åbne op for yderligere machine learning baserede forbedringer og sikre optimal udnyttelse af allerede sparsomme sundhedsressourcer.

Seneste nyheder

Vi vil så gerne holde dig opdateret med, hvad vi laver. Du finder vores seneste nyheder her, men du kan også klikke på knappen nedenfor og få det fulde overblik.