Legevakten vil bruke KI til å forutsi pasienttilstrømming

Registrert pasientdata over flere år

Legevakten har over flere år samlet inn data om antall pasienter som kommer inn via hovedinngangen, bakveien og gjennom telefonhenvendelser. I dette prosjektet har Bouvet, sammen med Stavanger Kommune, brukt disse dataene til å identifisere mønstre som gir innsikt i når pasienter ankommer. Denne innsikten brukes til å trene en maskinlæringsmodell som kan forutsi pasienttilstrømming de neste timene og dagene.
 

Slik ble løsningen utviklet

Ved hjelp av FLAML, et så kalt AutoML-bibliotek fra Microsoft, testet vi ulike maskinlæringsmodeller for å finne den som best kunne predikere pasienttilstrømming. 

Xgb_limitdepth og Prophet (utviklet av Facebook) utmerket seg og valget falt på Prophet, da den hadde langt mindre treningstid.

FLAMLs versjon av Prophet ble brukt for å finjustere innstillingene i modellen. Denne versjonen har flere fordeler sammenlignet med den vanlige Prophet-modellen, blant annet bedre støtte for å fange opp sesongvariasjoner og mer presise startverdier som gir raskere og mer nøyaktige resultater.

Løsningen ble først utviklet som et Proof of Concept (PoC), og er nå delvis produksjonssatt – med videre planer om å forbedre modellens nøyaktighet. 

Prosjektet fungerte også som en pilot for bruk av Microsoft Fabric, og løsningen kjører nå i produksjon i dette miljøet. Konklusjonen fra prosjektet var at Fabric er et utmerket alternativ for å forene databehandling—og kan støtte opp om et økt fokus på AI for Stavanger kommune.