In this paper, ML models are applied to discover the predictability of show-ups among patients visiting a specific company, Distriktstandvården. The motivation is to enable overbooking of scheduled time-blocks to increase the efficiency of the company’s use of resources. To achieve such efficiency, patient predictability has to be investigated and used. The application of the company’s internal data to train and test a machine learning model is presented and assessed in this paper. The result was that despite there being a large quantity of contributing parameters as well as a vast database to train on, the quality of the parameters and complexity of the task proved to only contribute to a precision quality of 69.3%, where 75% was deemed a desirable target. Despite the efforts in optimizing the model, and with the testing of alternative model candidates, the models did not discover strong links using the provided data for predicting patient show-up. / Maskininlärningsmodeller appliceras i denna rapport för att utforska förutsägbarheten av att patienter dyker upp på bokade besök hos företaget Distriktstandvården. Motivationen till utförandet av rapporten är att möjliggöra överbokning av schemalagda besök för att öka företagets inre effektivitet. För att uppnå en sådan effektivitet behöver förutsägbarheten av att patienter dyker upp utforskas och tillämpas. Användandet av företagets interna data i syfte att träna och testa en maskininlärningsmodell presenteras och bedöms därför i denna rapport. Resultatet var att trots tillgängligheten av en stor samling av relevant data, så uppnåddes endast en precision på förutsägbarheten till 69,3% där 75% var satt som mål. Starka bidragande mönster för maskininlärningsprocessen hittades inte inom det tillhandahållna datat trots extensiva optimeringsförsök av modellen i samband med testandet av flertalet alternativ till modellen.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-304034 |
| Date | January 2021 |
| Creators | Arenander, Michael, Ali, Mustafa |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2021:598 |
Page generated in 0.0031 seconds