Trump og Oktoberfest kan virkelig påvirke dine matematiske modeller i Vestjylland, hvis ikke du lige tænker dig om!
I sidste uge havde vi besøg af Troels Martin Range fra Praemostro til vores netværksmøde Data i Life Science Fyn. Her holdt han et inspirerende, lærerigt og morsomt oplæg.
For hvordan kan data egentlig bruges i sundhedsvæsenet? Kan man forudsige, hvor mange patienter der kommer ind på en akutmodtagelse, ud fra faktorer som koncerter i byen, vejret, årstiden og historiske data? Og kan den viden bruges til at planlægge bemandingen bedre?
Det var netop den slags spørgsmål, Troels blev præsenteret for tilbage i 2016, da han mødte Mikkel Brabrand, der er overlæge i akutmodtagelsen og klinisk professor. Mødet blev startskuddet til Troels’ rejse ind i datadrevne forudsigelser. Han fik til opgave at undersøge, om matematiske modeller og historiske data kunne bruges til at forudsige patienttilstrømningen til en akutmodtagelse. Troels, der har en baggrund som matematikøkonom og en ph.d.-grad i operationsanalyse, tog udfordringen op. På blot lidt over to uger havde han udviklet den første maskinlæringsmodel.
Hans arbejde afslørede hurtigt noget interessant: Patienttilstrømningen påvirkes af langt flere faktorer end blot historiske mønstre. Vejrforhold, helligdage, ferier, større begivenheder som koncerter og endda internationale begivenheder – for eksempel et valg i USA - kan have betydning for, hvor mange patienter der kommer ind på en akutmodtagelse. Det blev derfor tydeligt, at modellen skulle inddrage flere og mere varierede datakilder for at kunne give brugbare forudsigelser.
Sammen med Mikkel Brabrand blev idéen senere videreudviklet til et egentligt forskningsprojekt, som modtog 250.000 kroner i støtte fra OUH’s innovationspulje. Det tværfaglige samarbejde mellem lægefaglig indsigt og matematisk ekspertise blev fundamentet for Praemostro, der blev etableret som en selvstændig virksomhed i 2024.
I dag har Praemostro udviklet en maskinlæringsbaseret løsning, der kan forudsige patienttilstrømningen til en specifik akutmodtagelse time for time op til 36 timer frem med en præcision på ± én patient i timen. Det giver akutmodtagelserne mulighed for at planlægge bemandingen bedre og tilpasse ressourcerne til den forventede patienttilstrømning. Løsningen er allerede taget i brug på fem akutmodtagelser.
Tusind tak til Troels for et spændende besøg - vi håber, at han snart kommer igen! Det var sjovt at få indblik i, hvordan data og fagligheder kan kombineres og omsættes til konkrete løsninger i sundhedsvæsenet.
I sidste uge havde vi besøg af Troels Martin Range fra Praemostro til vores netværksmøde Data i Life Science Fyn. Her holdt han et inspirerende, lærerigt og morsomt oplæg.
For hvordan kan data egentlig bruges i sundhedsvæsenet? Kan man forudsige, hvor mange patienter der kommer ind på en akutmodtagelse, ud fra faktorer som koncerter i byen, vejret, årstiden og historiske data? Og kan den viden bruges til at planlægge bemandingen bedre?
Det var netop den slags spørgsmål, Troels blev præsenteret for tilbage i 2016, da han mødte Mikkel Brabrand, der er overlæge i akutmodtagelsen og klinisk professor. Mødet blev startskuddet til Troels’ rejse ind i datadrevne forudsigelser. Han fik til opgave at undersøge, om matematiske modeller og historiske data kunne bruges til at forudsige patienttilstrømningen til en akutmodtagelse. Troels, der har en baggrund som matematikøkonom og en ph.d.-grad i operationsanalyse, tog udfordringen op. På blot lidt over to uger havde han udviklet den første maskinlæringsmodel.
Hans arbejde afslørede hurtigt noget interessant: Patienttilstrømningen påvirkes af langt flere faktorer end blot historiske mønstre. Vejrforhold, helligdage, ferier, større begivenheder som koncerter og endda internationale begivenheder – for eksempel et valg i USA - kan have betydning for, hvor mange patienter der kommer ind på en akutmodtagelse. Det blev derfor tydeligt, at modellen skulle inddrage flere og mere varierede datakilder for at kunne give brugbare forudsigelser.
Sammen med Mikkel Brabrand blev idéen senere videreudviklet til et egentligt forskningsprojekt, som modtog 250.000 kroner i støtte fra OUH’s innovationspulje. Det tværfaglige samarbejde mellem lægefaglig indsigt og matematisk ekspertise blev fundamentet for Praemostro, der blev etableret som en selvstændig virksomhed i 2024.
I dag har Praemostro udviklet en maskinlæringsbaseret løsning, der kan forudsige patienttilstrømningen til en specifik akutmodtagelse time for time op til 36 timer frem med en præcision på ± én patient i timen. Det giver akutmodtagelserne mulighed for at planlægge bemandingen bedre og tilpasse ressourcerne til den forventede patienttilstrømning. Løsningen er allerede taget i brug på fem akutmodtagelser.
Tusind tak til Troels for et spændende besøg - vi håber, at han snart kommer igen! Det var sjovt at få indblik i, hvordan data og fagligheder kan kombineres og omsættes til konkrete løsninger i sundhedsvæsenet.
