Pomocí AI předpovídáme účast na mamografickém screeningu a navrhujeme cílené oslovení různých skupin žen
Naším cílem je zvýšit účast žen na mamografickém screeningu pomocí datové analýzy, umělé inteligence a personalizované komunikace.
Analyzujeme více než 1,3 milionu pozvánek na mamografický screening od VZP. Hledáme souvislosti mezi účastí a faktory, jako jsou věk, region, předchozí screeningová vyšetření, preventivní prohlídky, návštěvy gynekologa nebo historie pozvánek.
Na základě těchto dat vytváříme prediktivní modely, které odhadují pravděpodobnost účasti na screeningu do 3, 6 a 12 měsíců od pozvání. Zároveň identifikujeme skupiny žen s podobným preventivním chováním a navrhujeme pro ně vhodné způsoby oslovení.
Naším hlavním přínosem není pouze předpovědět, kdo se dostaví, ale navrhnout, jak zvýšit pravděpodobnost účasti u těch, které se dosud nedostavují.
Například:
Ženy, které pravidelně navštěvují gynekologa, ale nechodí na mamografii, lze oslovit prostřednictvím gynekologické prevence.
Ženám, které opakovaně nereagují na pozvánky, lze nabídnout osobnější komunikaci nebo pomoc s objednáním.
Ženám s nízkou preventivní aktivitou lze poskytnout srozumitelné informace a jednodušší cestu k vyšetření.
Řešení propojuje prediktivní modelování, vysvětlitelnou analýzu faktorů a segmentaci klientek. Jeho výstupem mohou být konkrétní doporučení pro efektivnější preventivní kampaně.
Do budoucna může sloužit jako rozhodovací nástroj pro zdravotní pojišťovny a organizátory screeningových programů. Úspěšnost doporučených intervencí bude možné ověřovat pomocí pilotních kampaní a měření skutečné účasti.
- Měli už předtím
- Jen naše přátelství.
- Využití AI
- Umělou inteligenci využíváme k predikci účasti na mamografickém screeningu, odhalování souvislostí v datech a segmentaci klientek.
Vytvořili jsme analytickou pipeline pro zpracování historických zdravotních dat a tvorbu nových atributů zachycujících preventivní chování, historii pozvánek a využívání zdravotní péče.
Pro predikci porovnáváme několik přístupů strojového učení, včetně logistické regrese, Random Forest, gradient boostingu a neuronových sítí. Modely odhadují pravděpodobnost účasti v různých časových horizontech.
Pomocí clusteringu a interpretace důležitosti jednotlivých faktorů identifikujeme skupiny žen s odlišným chováním.
Získané poznatky převádíme do návrhů personalizované komunikace. AI tak neslouží pouze k predikci, ale také jako podpora rozhodování o tom, koho a jak efektivně oslovit. - Dopad
- Hlavní přínos vidíme v efektivnějším využívání preventivních kampaní. Namísto stejného oslovení všech klientek umožňuje řešení identifikovat skupiny s nízkou pravděpodobností účasti a nabídnout jim vhodnější formu komunikace nebo praktické podpory.
Zdravotní pojišťovny tak mohou lépe cílit své aktivity, účelněji využívat dostupné prostředky a vyhodnocovat účinnost jednotlivých způsobů oslovení.
Řešení je navrženo tak, aby bylo možné jej dále rozvíjet, pravidelně aktualizovat podle nových dat a po ověření účinnosti integrovat do preventivních programů zdravotních pojišťoven.
Do budoucna lze podobný přístup využít také u dalších screeningových a preventivních programů. Cílem je, aby preventivní péče byla dostupnější, adresnější a účinnější. - Komu pomůže
- Pacienti a jejich blízcí, Zdravotní pojišťovny
- Technologie InterSystems
- Ne
- Tým
- Čímžtopádem Vyřešeno — Ladislav Vávra, Jan Burda, David Bálek, Markéta Velková
- Výzva
- Od pozvánky k mamografu · Praha