Per la messa in funzione del progetto è necessario che il personale del pronto soccorso inserisca e tenga aggiornate tutte le informazioni sullo stato dei pazienti in tempo reale. Non sarebbe più considerato accettabile inserire le informazioni retroattivamente, ovvero ad esempio, inserire con un ritardo di qualche ora l’uscita di un paziente dal pronto soccorso.
Una possibilità di miglioramento è quella di inserire un lettore di codice a barre in ogni box, che consentirebbe di effettuare la registrazione dell’entrata e dell’uscita del paziente (dal box). Attraverso la prima lettura del codice a barre associato al trattamento, sarebbe pos- sibile registrare in maniera pratica e veloce l’entrata del paziente nel box, e con la seconda lettura sarebbe possibile registrare l’uscita del paziente dal box.
Questa soluzione, se implementata correttamente, porterebbe ad avere dei dati qualitativa- mente migliori, sia dal punto di vista della precisione delle informazioni, che dal fatto che si otterrebbe un sistema informatico in cui i dati sono il più allineati possibili con la realtà (utile per la stima del tempo d’attesa in tempo reale). Infine, potrebbe portare ad una diminuzio- ne dei tempi che in questo momento il personale deve dedicare all’inserimento manuale di queste informazioni.
Un altra proposta di miglioramento è aggiungere l’informazione dell’inizio delle cure. In que- sto momento infatti è presente solo l’informazione del momento in qui il paziente entra in un box. Attraverso le affermazioni del personale, per lo sviluppo del progetto è stato assunto che l’entrata nel box sia molto vicina all’inizio delle cure, ma per migliorare ulteriormente il risultato sarebbe opportuno avere l’informazione dell’inizio delle cure e non solo quella dell’entrata nel box. Anche in questo caso potrebbe essere utile e pratica la soluzione del barcode proposta per l’entrata e l’uscita dal box.
Nel capitolo dedicato all’analisi dei dati, si è parlato di come le condizioni meteorologiche possano influire sul carico di lavoro, e quindi potenzialmente, di come potrebbero variare i tempi d’attesa. Un possibile feature work potrebbe essere quello di estrarre retroattivamente tutti i giorni in cui le condizioni meteorologiche erano critiche (ad es. ghiaccio) e cercare del- le correlazioni tra condizioni meteorologiche critiche (ghiaccio) - carico di lavoro in chirurgia - tempi d’attesa. Quest’analisi potrebbe portare ad un miglioramento nella stima del tempo d’attesa. La certezza di miglioramento non è garantita, infatti un maggior numero di pazienti in PS non significa che comporti tempi d’attesa maggiori. Paradossalmente, sapendo che quando arriva il ghiaccio aumenta il numero di pazienti chirurgici, il PS potrebbe riorganiz- zarsi ed aumentare il numero di personale. In questo modo, contro ogni previsione, i tempi d’attesa invece che aumentare potrebbero diminuire.
Infine, un altro feature work può essere l’implementazione di altri modelli di machine lear- ning, come le Recurrent Neural Network (RNN) e le Long Short-Term Memory (LSTM). Infatti, tramite le RNN/LSTM, è possibile predire valori in una serie storica [18].
Ringraziamenti
Desidero rivolgere un grande ringraziamento ai miei relatori, Prof. Andrea Emilio Rizzoli e Prof. Luca Maria Gambardella che, con grande professionalità e disponibilità, mi hanno sostenuto e spronato, portandomi a raggiungere i vari obiettivi progettuali.
Un grande grazie va all’Ing. Carlos Garcia (Responsabile Area Sviluppo e Integrazioni, EOC, ICT) che ha reso possibile lo sviluppo di questo progetto, Dr.ssa Med. Emanuela Zamprogno (Responsabile Pronto Soccorso, EOC, ORL) e Matias Ormazabal (Capo Re- parto, OCL) per la loro grande disponibilità.
Ringrazio Vasco Piffaretti (Software Engineer, nonché Service Owner dei pronto soccorso, EOC, ICT) per la sua preziosa collaborazione, l’Ing. Stefano Bruni (Business Intelligence Developer, EOC, ICT) per il prezioso aiuto sull’estrazione dati, Luca Trombello (Software Engineer, EOC, ICT) per le consulenze e per i suoi consigli.
Ringrazio la mia famiglia per aver sempre creduto in me, la mia ragazza Irene per il soste- gno durante l’intero percorso di studi e, ultima, ma non meno importante, Elena Masdonati per le sue preziose correzioni.
Bibliografia
[1] Mohsen Bayati Erica L. Plambeck Erjie Ang, Sara Kwasnick. Accurate Emergency Department Wait Time Prediction. 2014.
[2] On Customer Contact Centers with a Call-Back Option: Customer Decisions, Routing Rules, and System Design, volume 52. Marzo–Aprile 2004.
[3] Petar Momcilovic Avishai Mandelbaum. Queues with Many Servers and Impatient Customers, volume 37. Febbraio 2012.
[4] Achal Bassamboo Qiuping Yu, Gad Allon. How do Delay Announcements Shape Customer Behavior? An Empirical Study. 2014.
[5] Q. Wang. Plambeck, E. Implications of Hyperbolic Discounting for Optimal Pricing and Scheduling of Unpleasant Services that Generate Future Benefits, volume 59. 2013. [6] Christian Terwiesch Robert Johnson Bat. Waiting Patiently: An Empirical Study of
Queue Abandonment in an Emergency Department. Gennaio 2015.
[7] Ariel Schilkrut Yina Lu, Andrés Musalem. Measuring the Effect of Queues on Customer Purchases. Maggio 2011.
[8] Yves Dallery Oualid Jouini, Zeynep Aksin. Call Centers with Delay Information: Models and Insights. 2011.
[9] Amy Y. Landry Kristine R. Hearld Tom R. McDougal, Stephen J. O’Connor. The Relationship Between Emergency Department Wait Times and Inpatient Satisfaction, volume 6. April 2017.
[10] Daniel J. Denis. Applied Univariate, Bivariate, and Multivariate Statistics.
[11] David S. Stoffer Robert H. Shumway. Time Series Analysis and Its Applications. 2011. [12] Mohamad Hassoun. Fundamentals of artificial neural networks.
[13] Martin Wainwright Trevor Hastie, Robert Tibshirani. Statistical Learning with Sparsity: The Lasso and Generalizations. 2015.
74 BIBLIOGRAFIA
[14] Martin J. Wainwright Michael Chichignoud, Johannes Lederer. A Practical Scheme and Fast Algorithm to Tune the Lasso With Optimality Guarantees. December 2016. [15] Kevin P. Murphy. Machine Learning: A Probabilistic Perspective. 2012.
[16] B. Scholkopf M. Jordan, J. Kleinberg. Pattern Recognition and Machine Learning. 2006.
[17] Tomas Lauvaux Zhenhui Li Guanjie Zheng, Susan L. Brantley. Contextual Spatial Outlier Detection with Metric Learning. 2017.
[18] Akbar Siami Namin Sima Siami-Namini. Forecasting economic and financial time series: ARIMA VS. LSTM.