• No results found

En direkt utveckling av detta arbete ¨ar att anv¨anda tester f¨or att hitta eventuella s¨asongsberoenden samt avg¨ora ifall residualerna fr˚an en modell ¨ar vitt brus.

Nu har dessa tv˚a endast analyserats grafiskt, och tester skulle kunna ge andra resultat eller ge mer trov¨ardighet till de slutsatser som dras.

En ¨onskv¨ard utveckling av arbetet ¨ar att faktiskt skapa prognoser f¨or framtiden. De ska anv¨andas f¨or ett f¨orb¨attrat planeringsarbete som i sin tur f¨orhoppningsvis leder till att sjukv˚ardens resurser anv¨ands s˚a effektivt som m¨ojligt. Nu skapas endast prognoser som j¨amf¨ors mot testdata och resultatet av detta ¨ar att slutsatser kring vilka modeller som passar f¨or olika tillf¨allen kan dras, men inga prognoser f¨or framtiden har skapats. I det h¨ar arbetet har prognoser f¨or en tidshorisont p˚a cirka sju m˚anader skapats, men det

¨ar m¨ojligtvis inte den mest intressanta tidshorisonten. Ett f¨orsta steg i att skapa prognoser kan vara att best¨amma vilken eller vilka tidshorisoner som ¨ar mest intressanta i detta planeringsarbete, samt hur ofta dessa prognoser ska uppdateras. Dessa beslut b¨or tas i samr˚ad med dem som ska anv¨anda sig av prognoserna.

I det h¨ar arbetet begr¨ansades tidshorisonten f¨or prognostiseringen av det tillg¨angliga datamaterialet. Exaktheten av prognoserna har j¨amf¨orts mot test-data, men kan inte s¨akerst¨allas f¨or l¨angre tidshorisonter. Att unders¨oka alter-nativ f¨or att prognostisera en l¨angre tidshorisont ¨ar en intressant utveckling av projektet som kan vara anv¨andbar f¨or f¨orb¨attrad planering. Exempel p˚a hur detta kan g¨oras ¨ar att unders¨oka m¨ojligheten att sammanf¨ora eventuellt ¨aldre datamaterial med det som har anv¨ants h¨ar eller att extrapolera det tillg¨angliga datamaterialet med exempelvis bootstrapping.

En annan potentiell utvecklingsm¨ojlighet f¨or detta projekt ¨ar att utveckla modellerna, exempelvis genom att ta h¨ansyn till andra variabler ¨an den som ska prognostiseras. Detta kan g¨oras med till exempel multivariat tidsserieana-lys. F¨or en kapacitetsprognos kan d˚a ¨aven den planerbara kapaciteten anv¨andas i modelleringen. Andra variabler som eventuellt ¨ar intressanta ¨ar ifall det ¨ar en helgdag och demografiska uppgifter om befolkningen eller patienterna. Att unders¨oka v¨ardet av att modellera olika diagnosgrupper separat, som n¨amndes tidigare, ¨ar en annan utvecklingsm¨ojlighet. Ett annat s¨att att utveckla model-lerna ¨ar genom att utf¨ora korsvalidering f¨or s¨akrare prognoser.

Det ¨ar ocks˚a intressant att vidare unders¨oka medelprocesstiden och hur den b¨or ber¨aknas och modelleras f¨or ett b¨attre resultat.

7 Referenser

[1] P. Hanson A. Fredriksson. Ber¨akning av tillverkningskapacitet i ett produktionsavsnitt. Chalmers tekniska h¨ogskola, 2013. url: http : / / publications . lib . chalmers . se / records / fulltext / 178614 / 178614.pdf.

[2] S. Alm och T. Britton. Stokastik: Sannolikhetsteori och statistikte-ori med till¨ampningar. Stockholm, Sweden: Liber AB, 2008. isbn:

978-91-47-05351-3.

[3] N. Bouckaert, K. Van den Heede och C. Van de Voorde. ”Improving the forecasting of hospital services: A comparison between projections and ac-tual utilization of hospital services”. I: Health Policy 122.7 (2018), s. 728–

736. doi: https://doi.org/10.1016/j.healthpol.2018.05.010.

[4] P. Brockwell och R. Davis. Introduction to Time Series and Forecasting.

3. utg. Switzerland: Springer, 2016. isbn: 9783319298528.

[5] R.J. Hyndman. forecast v8.3 now on CRAN. 14 april 2018. url: https:

//robjhyndman.com/hyndsight/forecast83/. (H¨amtad: 2020-05-27).

[6] R.J. Hyndman och G. Athanasopoulos. Forecasting: principles and practice. 2. utg. Melbourne, Australia: OTexts, 2018. url: OTexts.com/

fpp2. (H¨amtad: 2020-04-17).

[7] R.J. Hyndman och Y. Khandakar. ”Automatic Time Series Forecasting:

The forecast Package for R”. I: Journal of Statistical Software 27.3 (2008).

url: https://doaj.org/article/9b35f41cb88047e78e3d8edab6cd8d99.

[8] D. Kwiatkowski m. fl. ”Testing the null hypothesis of stationarity against the alternative of a unit root”. I: Journal of Econometrics 54.1-3 (1992), s. 159–178. doi: https://doi.org/10.1016/0304-4076(92)90104-Y.

[9] R Core Team. R: A Language and Environment for Statistical Compu-ting. R Foundation for Statistical CompuCompu-ting. Vienna, Austria, 2019. url:

https://www.R-project.org/.

[10] R. Sk¨arby, E. Chorell och P. Karling. ” ¨Okat omv˚ardnadsbehov fr¨amsta orsak till l˚ang v˚ardtid p˚a medicinklinik: Retrospektiv journalstudie styrker att tidig v˚ardplanering skulle kunna ge b¨attre platstillg˚ang”. I:

L¨akartidningen 111.6 (2014), s. 219–222. url: http : / / urn . kb . se / resolve?urn=urn:nbn:se:umu:diva-128595.

[11] X. Wang, K.A. Smith och R.J. Hyndman. ”Characteristic-based cluste-ring for time series data”. I: Data Mining and Knowledge Discovery 13.3 (2006), s. 335–364. doi: https://doi.org/10.1007/s10618-005-0039-x.

[12] W. Wei. Time Series Analysis: Univariate and Multivariate Methods.

2. utg. USA: Pearson Education, 2006. isbn: 0-321-32216-9.

[13] Region V¨asterbotten. Det h¨ar g¨or regionen. 12 dec. 2019. url: https:

//regionvasterbotten.se/det-har-gor-regionen. (H¨amtad: 2020-02-04).

A Bilagor

Figur A.1: Prognos f¨or kapaciteten p˚a onkologiavdelningen med hj¨alp av me-delv¨ardesmetoden med 80 % och 95 % prognosintervall.

Figur A.2: Prognos f¨or kapaciteten p˚a onkologiavdelningen med hj¨alp av den naiva metoden med 80 % och 95 % prognosintervall.

Figur A.3: Prognos f¨or kapaciteten p˚a onkologiavdelningen med hj¨alp av den s¨asongsnaiva metoden med 80 % och 95 % prognosintervall.

Figur A.4: Prognos f¨or kapaciteten p˚a onkologiavdelningen med hj¨alp av trend-metoden med 80 % och 95 % prognosintervall.

Figur A.5: Prognos f¨or kapaciteten p˚a onkologiavdelningen fr˚an en ARIMA-modell med 80 % och 95 % prognosintervall.

Figur A.6: Prognos f¨or kapaciteten p˚a onkologiavdelningen fr˚an en SARIMA-modell med 80 % och 95 % prognosintervall.

Figur A.7: Prognos f¨or den planerbara kapaciteten p˚a onkologiavdelningen med hj¨alp av medelv¨ardesmetoden med 80 % och 95 % prognosintervall.

Figur A.8: Prognos f¨or den planerbara kapaciteten p˚a onkologiavdelningen med hj¨alp av den naiva metoden med 80 % och 95 % prognosintervall.

Figur A.9: Prognos f¨or den planerbara kapaciteten p˚a onkologiavdelningen med hj¨alp av den s¨asongsnaiva metoden med 80 % och 95 % prognosintervall.

Figur A.10: Prognos f¨or den planerbara kapaciteten p˚a onkologiavdelningen med hj¨alp av trendmetoden med 80 % och 95 % prognosintervall.

Figur A.11: Prognos f¨or den planerbara kapaciteten p˚a onkologiavdelningen fr˚an en ARIMA-modell med 80 % och 95 % prognosintervall.

Figur A.12: Prognos f¨or den planerbara kapaciteten p˚a onkologiavdelningen fr˚an en SARIMA-modell med 80 % och 95 % prognosintervall.

Figur A.13: Prognos f¨or medelprocesstiden p˚a onkologiavdelningen med hj¨alp av medelv¨ardesmetoden med 80 % och 95 % prognosintervall.

Figur A.14: Prognos f¨or medelprocesstiden p˚a onkologiavdelningen med hj¨alp av den naiva metoden med 80 % och 95 % prognosintervall.

Figur A.15: Prognos f¨or medelprocesstiden p˚a onkologiavdelningen med hj¨alp av trendmetoden med 80 % och 95 % prognosintervall.

Figur A.16: Prognos f¨or medelprocesstiden p˚a onkologiavdelningen fr˚an en ARIMA-modell med 80 % och 95 % prognosintervall.

Figur A.17: Prognos f¨or kapaciteten p˚a den psykiatriska avdelningen med hj¨alp av medelv¨ardesmetoden med 80 % och 95 % prognosintervall.

Figur A.18: Prognos f¨or kapaciteten p˚a den psykiatriska avdelningen med hj¨alp av den naiva metoden med 80 % och 95 % prognosintervall.

Figur A.19: Prognos f¨or kapaciteten p˚a den psykiatriska avdelningen med hj¨alp av trendmetoden med 80 % och 95 % prognosintervall.

Figur A.20: Prognos f¨or kapaciteten p˚a den psykiatriska avdelningen fr˚an en ARIMA-modell med 80 % och 95 % prognosintervall.

Figur A.21: Prognos f¨or den planerbara kapaciteten p˚a den psykiatriska avdel-ningen med hj¨alp av medelv¨ardesmetoden med 80 % och 95 % prognosintervall.

Figur A.22: Prognos f¨or den planerbara kapaciteten p˚a den psykiatriska avdel-ningen med hj¨alp av den naiva metoden med 80 % och 95 % prognosintervall.

Figur A.23: Prognos f¨or den planerbara kapaciteten p˚a den psykiatriska avdel-ningen med hj¨alp av trendmetoden med 80 % och 95 % prognosintervall.

Figur A.24: Prognos f¨or den planerbara kapaciteten p˚a den psykiatriska avdel-ningen fr˚an en ARIMA-modell med 80 % och 95 % prognosintervall.

Figur A.25: Prognos f¨or medelprocesstiden p˚a den psykiatriska avdelningen med hj¨alp av medelv¨ardesmetoden med 80 % och 95 % prognosintervall.

Figur A.26: Prognos f¨or medelprocesstiden p˚a den psykiatriska avdelningen med hj¨alp av den naiva metoden med 80 % och 95 % prognosintervall.

Figur A.27: Prognos f¨or medelprocesstiden p˚a den psykiatriska avdelningen med hj¨alp av trendmetoden med 80 % och 95 % prognosintervall.

Figur A.28: Prognos f¨or medelprocesstiden p˚a den psykiatriska avdelningen fr˚an en ARIMA-modell med 80 % och 95 % prognosintervall.

Related documents