Laboratorioajanvarausjärjestelmän koneoppimispohjaiset kehittämismahdollisuudet

Abstract

Terveydenhuollon ajanvarausjärjestelmissä asiakas tai terveydenhuollon ammattilainen varaa asiakkaalle ajan tarvittavaan terveydenhuollon palveluun. Ajanvarausjärjestelmän käyttö mahdollistaa saapuvien asiakkaiden määrän ennakoimisen, jolloin toimintojen resursoiminen on helpompaa. Näitä järjestelmiä halutaan kehittää, jotta palveluntarjoajat pystyisivät resursoimaan tarjoamiaan palveluita entistä tehokkaammin ja tarjoamaan samalla laadukkaampaa palvelua.

Tekoäly ja sen osa-alue koneoppiminen mahdollistavat ajanvarauspalvelujen uudenlaisen kehittämisen, koska niiden menetelmät kykenevät käsittelemään paljon dataa nopeasti ja tarkasti. Koneoppimisessa kone oppii ratkaisemaan halutun ongelman itsenäisesti algoritmin avulla. Käytännössä kone hyödyntää aiemmin käsittelemäänsä dataa yleistäessään tulevaa dataa. Ihmiseen verrattuna tekoäly on nopeampi ja tarkempi, ja sen suoritus on aina pohjimmiltaan sama.

Tässä opinnäytetyössä käsiteltiin työn tilanneen yrityksen, Fimlab Laboratoriot Oy:n, käytössä olevaa ajanvarausjärjestelmää sekä sen kehitystarpeita. Opinnäytetyössä esiteltiin selkeällä, ymmärrettävällä tavalla terveydenhuollon ajanvarausjärjestelmien koneoppimispohjaisia kehittämismahdollisuuksia. Tutkimusmenetelmänä käytettiin kvalitatiivista toimintatutkimusta.

Opinnäytetyössä oli kaksi päätoimista tutkimuskysymystä. Ensinnäkin etsittiin vastausta siihen, voidaanko koneoppimista hyödyntää nykyisen ajanvarausprosessin kehityksessä. Toisekseen tutkittiin, millaisten koneoppimisen ratkaisujen avulla voidaan saavuttaa nykyisen ajanvarausprosessin kehittämistavoitteita.

Tuloksena todettiin, että koneoppimista voidaan hyödyntää nykyisen ajanvarausprosessin kehityksessä monin eri tavoin. Opinnäytetyössä esitettiin hyödyntämismahdollisuuksia kaikilta koneoppimisen osa-alueilta. Nykyisen ajanvarausprosessin kehittämistavoitteita tukee parhaiten vahvistusoppimista hyödyntävä menetelmä.

Appointment scheduling systems are used in health care and other services to manage the flow of customers. Artificial intelligence and machine learning can be used to improve many scheduling systems, and their applications can process a huge amount of data in a short time, much faster or more precise than human could do.

The commissioner of the study was Fimlab Laboratoriot Oy Ltd. The objective of the study was to gather information about machine learning applications that could be used to improve the current scheduling system of the commissioner. The methodology used in the thesis was action research.

The results of the study suggest that machine learning could be used in the development of the current scheduling system. The study shows multiple usable machine learning applications of health care appointment systems that could be used to develop the current scheduling system. The results suggest that reinforcement learning application presented in the study was closest to match the development goals of the current scheduling system.