Hoe kan het ziekenhuis in extreme situaties zoals een virusuitbraak het aantal spoedopnamen nauwkeurig voorspellen? Aan de hand van die voorspelling kunnen ziekenhuizen immers tijdig bijsturen en de juiste hoeveelheid capaciteit inzetten op de juiste plaats. In een onderzoek van Performation en de VU van Amsterdam zijn manieren onderzocht om veranderingen in aankomstpatronen automatisch te kunnen detecteren, zoals een snelle stijging in spoedaankomsten.
In dit artikel neem ik je mee in de resultaten van dit onderzoek en de impact ervan op het voorspellen in tijden van een virusuitbraak zoals COVID-19.
Eerst even terug in de tijd: begin dit jaar kwamen de Nederlandse ziekenhuizen zwaar onder druk te staan door de COVID-19 uitbraak. Het aantal ic-bedden moest worden opgeschaald en het zorgpersoneel werkte zich een slag in de rondte om de toenemende zorgvraag aan te kunnen, terwijl een groot deel van de reguliere zorg werd stilgelegd. Nooit eerder was het belang zo groot om de beschikbare middelen zo optimaal mogelijk in te zetten.
Verwacht algoritme
Inmiddels is het aantal coronabesmettingen flink afgenomen, maar met het heropstarten van de reguliere zorg en de mogelijkheid van een tweede golf COVID-19-patiënten blijft het optimaal inzetten van beschikbare capaciteit cruciaal. Om de aanwezigheid en spoedaankomsten in het beddenhuis tot twee weken vooruit te kunnen voorspellen, wordt in de HOTflo-tools het Verwacht algoritme gebruikt.
In het kader van COVID-19 voerden studenten van de Vrije Universiteit Amsterdam in samenwerking met Performation onderzoek uit om ook tijdens extreme situaties een nauwkeurige voorspelling te kunnen geven middels Artificial Intelligence-technieken. Er werden hierbij manieren onderzocht om veranderingen in aankomstpatronen automatisch te kunnen detecteren, zoals een snelle stijging in spoedaankomsten. Ook zijn modellen onderzocht die tijdens deze gedetecteerde veranderingen een nauwkeurige voorspelling kunnen geven.
Veranderingen detecteren in aankomstpatronen
Veranderingsdetectie-methoden worden gebruikt om veranderingen in het verleden te kunnen detecteren, maar ook om veranderingen te kunnen detecteren op het moment dat deze plaatsvinden. Deze detectie kan worden toegepast op tijdreeksen, want een reeks getallen is variërend in tijd.
Een voorbeeld van zo’n tijdreeks, is het dagelijkse aantal aankomsten in het ziekenhuis. Indien er een verandering plaatsvindt in het aankomstpatroon, kan een veranderingsdetectie methode deze verandering automatisch detecteren.
Uit het onderzoek bleek dat verschillende machine learning-technieken geschikt zijn om veranderingen in het aankomstpatroon te kunnen detecteren. Machine learning-technieken zijn een toepassing binnen Artificial Intelligence. Een implementatie van veranderingsdetectie is te zien in onderstaande afbeelding.
Deze afbeelding laat het dagelijks aantal aankomsten zien met een piek in het rode gebied. De veranderingsdetectie-methode werkt goed als deze het begin en het einde van de piek goed kan detecteren. De zwarte stippellijnen geven de tijdstippen weer waarop een verandering is gedetecteerd door de veranderingsdetectie methode. Deze tijdstippen komen overeen met de uiteinden van het rode gebied, wat betekent dat de veranderingen uitstekend zijn gedetecteerd.
Toenemende spoed instroom voorspellen
Veranderingen in het aankomstpatroon kunnen dus automatisch gedetecteerd worden, maar vervolgens moet deze informatie nog verwerkt worden in het voorspellingsmodel. Het dagelijkse aantal aankomsten in de toekomst wordt in het Verwacht algoritme voorspeld met behulp van een voorspellingsmodel dat gemaakt is voor tijdreeksen. Zo’n tijdreeksmodel houdt rekening met trends, seizoensgebonden effecten, cyclische gedragingen en variaties in de data.
Een voorbeeld van zo’n seizoensgebonden effect is een wekelijks patroon, wat ook vaak terug te zien is in aankomstpatronen. In gebruikelijke situaties is er geen trend aanwezig in het dagelijks aantal aankomsten, dat wil zeggen dat er geen langdurige daling of stijging is. In het geval van COVID-19 waren er snelle stijgingen te zien in het aantal aankomsten. In onderstaande afbeeldingen is te zien wat voor effect dit heeft op de voorspelling van het aantal aankomsten.
In het aantal gerealiseerde aankomsten per dag (blauwe lijn) is een stijging te zien. Er is een groot verschil te zien in de voorspelling (groene lijn) voor het model zondertrend en het model met trend. Deze voorspelling is gemaakt op basis van het getrainde model (rode lijn), wat gebruik heeft gemaakt van de gerealiseerde aankomsten tot aan het begin van de voorspelling. Het model zonder trend kan zich moeilijk aanpassen aan de snelle stijging, omdat het model uitgaat van data die niet daalt of stijgt. Het model met trend kan zich wel aanpassen aan deze snelle stijging en geeft hierdoor een veel betere voorspelling.
Op dit moment wordt het model zonder trend gebruikt in het Verwacht algoritme, omdat van normale situaties wordt uitgegaan. Een model met trend zou voor grote verbeteringen in de voorspellingen zorgen wanneer snelle stijgingen of dalingen plaatsvinden.
Anticiperen op veranderingen
Door deze bevindingen te combineren, kan een methode worden ontwikkeld om real-time veranderingen te kunnen detecteren en hier ook op te kunnen anticiperen. De kracht hiervan is, dat er nu direct aanpassingen kunnen worden gemaakt in het model, in plaats van achteraf pas een trend te zien in de data. In gebruikelijke situaties wordt dan een model zonder trend gebruikt, maar zodra er een verandering wordt gedetecteerd, kan automatisch van model veranderd worden.
Conclusie
Het onderzoek heeft aangetoond dat het mogelijk is om veranderingen te kunnen detecteren op het moment dat ze plaatsvinden. Daarnaast tonen de onderzochte modellen voor het voorspellen van het aantal aankomsten aan, dat het mogelijk is om snelle stijgingen in het aantal aankomsten te kunnen voorspellen.
De onderzoeksresultaten zien er veelbelovend uit en bieden een mooie basis om het voorspellen van snel veranderende patiënteninstroom in het ziekenhuis te verbeteren. De onderzochte veranderingsdetectie methoden en het voorspellingsmodel met trend zouden een goede uitbreiding kunnen zijn op het Verwacht algoritme om zelfs in bijzondere situaties een nauwkeurige voorspelling te kunnen geven.
Met het oog op COVID-19 en een eventuele tweede golf zijn we erg blij met het resultaat en de bijdrage die de studenten van de Vrije Universiteit Amsterdamhebben geleverd!
