Разработка AI-системы прогнозирования загрузки стационара

В отделении скорой помощи 200-коечной больницы каждый понедельник в 9 утра — хаос. Поток экстренных обращений превышает плановый в 1,5 раза, медсестры работают на пределе, а операционные блоки перегружены. Мы видели эту картину десятки раз. Решение — AI-система, которая предсказывает нагрузку с точностью до часа и позволяет заранее перераспределить ресурсы. Результат: снижение времени ожидания на 30% и экономия бюджета до 15% за счёт оптимизации персонала. Ручное планирование даёт точность около 30% MAPE, AI-система — менее 10% — в 3 раза точнее. Без точного прогноза невозможно ни эффективно распределить койки, ни спланировать выписки, ни избежать простоев дорогостоящего оборудования. Прогнозирование загрузки стационара — не роскошь, а условие рентабельности.

Данные для прогнозирования загрузки стационара

Модели опираются на исторические ряды обращений, погоду, эпидемиологическую обстановку и календарные факторы. Вот ключевые группы:

• Входящий поток: обращения в приёмное отделение (по часам), плановые госпитализации по профилям, выписки, длительность пребывания (LOS)
• Ресурсы: потребность в медперсонале по отделениям, загрузка операционных, расходные материалы (ИВЛ, медикаменты), лабораторные исследования

Данные погоды (температура, влажность, давление) — значимые факторы для кардио и пульмонологии. Эпидемиологические индексы (Flu Index) публикуются с задержкой 1-2 недели, поэтому используем прокси — поисковые запросы.

Почему для прогноза загрузки стационара нужен ансамбль моделей?

Для регулярных паттернов с годовой и недельной сезонностью применяем SARIMA. ML-модели — LightGBM с лаговыми признаками, погодой и эпидемиологическими предикторами — дают точнее на 20-30%:

Важно избегать look-ahead bias: при обучении временным сдвигом учитываем, что эпидданные приходят с задержкой. Ансамбль моделей даёт прирост точности до 5% относительно одиночной модели – это подтверждено на 15 проектах.

Как повысить точность прогнозирования длительности госпитализации?

Модель LOS (Length of Stay) — survival analysis с ковариатами: диагноз по МКБ-10, возраст, пол, Charlson Comorbidity Index, тип поступления, результаты первичной лаборатории. Используем Accelerated Failure Time (AFT). Точность: MAE 1.5–2.5 дня при средней LOS 5–7 дней. Это позволяет точнее планировать оборот коек: предсказание LOS на 1 день точнее даёт +3% эффективности использования коечного фонда.

Планирование ресурсов на основе прогноза

1. Персонал: Nurses_needed = ceil(Expected_Patients / Nurse_Patient_Ratio). Коэффициент зависит от отделения (ОАиР 1:2, терапия 1:8).
2. Операционные: прогноз плановых и экстренных операций + CP-SAT оптимизация расписания с учётом бригад, оборудования и длительности.
3. Запасы: прогноз расходных материалов через регрессию на ожидаемый объём пациентов и типы процедур. Интегрируем с аптечной системой (1С:Больничная аптека) для автоматических заявок при достижении точки заказа (ROP).

Дашборд для управления стационаром

Операционный экран для заведующего: текущая загрузка vs прогноз по отделениям, алерт при риске нехватки коек/персонала на 24/48/72 часа. Стратегический — для администрации: метрики точности, сезонные паттерны, расчёт необходимости расширения мощностей. Интеграция с МИС через HL7 FHIR (ЕМИАС, SAMSON, MedElement).

Что входит в результат

• Модуль прогнозирования госпитализаций (MAPE <10% после стабилизации)
• Модель длительности пребывания (MAE 1.5–2.5 дня)
• Оптимизатор расписания операционных и расстановки персонала
• Дашборды для заведующего и администрации
• Интеграция с МИС через HL7 FHIR / REST API
• Техническая документация и обучение персонала (2 дня onsite)
• Поддержка 6 месяцев после запуска

Процесс внедрения

1. Аудит данных, очистка и подготовка — 2-3 недели.
2. Разработка и обучение базовой модели (от 12 месяцев истории) — 6-8 недель.
3. Построение полной системы: LOS prediction, оптимизация операционных, дашборды — 4-5 месяцев.
4. Тестирование и калибровка под конкретное отделение — 2 недели.
5. Передача в эксплуатацию, обучение персонала, документация — 1 месяц.

Гарантируем точность прогноза MAPE <10% после стабилизации (обычно 3 месяца). Средняя экономия бюджета — до 15%. Закажите внедрение AI-системы для вашего стационара. Получите консультацию — просто напишите нам, обсудим ваш кейс.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.