Tahmine dayalı analitik aracılığıyla, ABD merkezli bir kişiselleştirilmiş odyoloji hizmetleri sağlayıcısının hasta davranışlarını önceden tahmin etmesine, işitme cihazı iadelerini azaltmasına ve hasta elde tutma oranlarını artırmasına yardımcı olmak.

Müşteri, yedi ABD eyaletinde kişiselleştirilmiş işitme çözümleri ve hasta odaklı bakım sunan, büyümekte olan bir odyoloji klinikleri ağını işletmektedir. Organizasyon satın almalar yoluyla büyüdükçe, her biri hasta, cihaz ve CRM verilerinin farklı parçalarını barındıran, farklı kliniklerden kalma birden fazla eski sistemi devraldı.

Bu durum, hasta davranışlarını net bir şekilde anlamayı zorlaştırıyordu. Klinik ekipleri, sonuçları gerçekleştikten sonra görebiliyorlardı ancak hangi hastaların işitme cihazlarını iade etme, takip bakımından uzaklaşma veya memnuniyetsizlik tırmanmadan önce ek desteğe ihtiyaç duyma olasılığının yüksek olduğunu belirlemek için güvenilir bir yönteme sahip değillerdi.

Zorluk, parçalanmış klinik verilerini erken elde tutma sinyallerine dönüştürmekti.

Hasta kayıtları, işitme cihazı kullanım verileri, cihaz performans geçmişi ve CRM etkileşimleri birbirinden bağımsız sistemlere yayılmıştı. Bu durum, mükerrer kayıtlara, tutarsız raporlamaya ve belirli hastaların cihazları iade etme veya bakım sürecinden ayrılma olasılıklarının neden daha yüksek olduğuna dair sınırlı görünürlüğe yol açıyordu.

Merkezi bir analitik katmanı olmadan, klinik yöneticileri büyük ölçüde manuel raporlara ve reaktif takiplere güveniyordu. Bir hasta net bir memnuniyetsizlik belirtisi gösterdiğinde, proaktif müdahale fırsatı genellikle çoktan kaçırılmış oluyordu.

Hedef, hasta ve cihaz verilerini birleştirebilecek, risk altındaki hastaları daha erken tespit edebilecek ve klinisyenlere günlük operasyonlarda kullanabilecekleri pratik öneriler sunabilecek bir tahmine dayalı öngörü platformu oluşturmaktı.

Hasta, cihaz ve CRM zekası için merkezi bir veri temeli oluşturduk.

Çözüm, hasta kayıtlarını, işitme cihazı performans verilerini, kullanım kalıplarını ve CRM girdilerini merkezi bir depoda bir araya getiren birleşik bir veri entegrasyon çerçevesi ile başladı. Bu, klinik ağı genelinde tek bir tutarlı veri kaynağı yarattı ve mükerrer veya çelişkili bilgileri azalttı.

Bu temel üzerinde, Python ve Azure ML kullanılarak tahmine dayalı makine öğrenimi modelleri geliştirildi. Bu modeller, potansiyel işitme cihazı iadelerinin, klinik bağının kopmasının veya hasta memnuniyetsizliğinin erken belirtilerini tespit etmek için geçmiş kullanım ve iade kalıplarını analiz etti.

Kontrol paneli, tahminleri net klinik eylemlere dönüştürdü.

Klinik ekiplerinin elde tutma metriklerini, hasta memnuniyeti göstergelerini, cihaz kullanım trendlerini ve erken uyarı alarmlarını tek bir arayüzden izlemelerine yardımcı olmak için bir Power BI kontrol paneli oluşturuldu. Kontrol paneli, tahminleri soyut puanlar olarak sunmak yerine, klinisyenlerin ve yöneticilerin iletişime öncelik vermek için kullanabilecekleri eyleme geçirilebilir sinyalleri ortaya çıkardı.

Klinik yöneticileri için otomatik iş akışları ve raporlama şablonları da oluşturularak, teknik olmayan ekiplerin tahmine dayalı öngörüleri yorumlaması ve bunları takipler, randevu planlaması ve bakımın kişiselleştirilmesi sırasında uygulaması kolaylaştırıldı.

• Birleştirilmiş hasta kayıtları, cihaz performans verileri ve CRM girdileri

• Risk altındaki hastaları ve olası iade davranışlarını belirlemek için tahmine dayalı modeller oluşturuldu

• Elde tutma, memnuniyet ve erken uyarı öngörüleri için bir Power BI kontrol paneli oluşturuldu

• Pilot kliniklerde işitme cihazı iade oranları %12-15 oranında azaltıldı

• Manuel raporlama yükü %40 oranında azaltıldı

• Hasta takip hassasiyeti ve bakım kişiselleştirmesi iyileştirildi

  
  

Sonuç, daha proaktif bir hasta elde tutma modeli oldu.

Nihai platform, müşterinin reaktif raporlamadan tahmine dayalı hasta etkileşimine geçmesine yardımcı oldu. Klinik ekipleri riskleri daha erken tespit edebildi, takip zamanlamalarını kişiselleştirebildi ve sorunlar iadeye veya kaybedilen hasta ilişkilerine dönüşmeden müdahale edebildi.

Kuruluş, parçalanmış verileri merkezileştirerek ve davranış kalıplarını pratik öngörülere dönüştürerek, hasta memnuniyetini artırmak, önlenebilir iadeleri azaltmak ve klinik ağı genelinde tutarlı bakım kalitesini ölçeklendirmek için daha güçlü bir temel oluşturdu.

Platformun değeri yalnızca hasta riskini tahmin etmekte değil, aynı zamanda bakım ekiplerinin daha fazla bağlam ve güvenle daha erken harekete geçmesine yardımcı olmasında yatıyordu.