Projekbeskrivelse

Intelligent prioriteringsværktøj automatiserer Patienterstatningens sagsfordeling

Automatisk prioritering og fordeling af sager sikrer et jævnt flow i Patienterstatningens sagsbehandling.

Automatisk visitering frigør tid og mindsker sagsophobning

Hvilke erstatningssager er mest alvorlige lige nu, og hvilken sagsbehandler er mest kvalificeret og har bedst tid til at vurdere sagerne? Denne prioritering og fordeling af nye erstatningssager sker hele tiden hos Patienterstatningen, der hvert år behandler omkring 11.000 erstatningssager fra patienter, der er kommet til skade i sundhedsvæsnet eller som følge af bivirkninger efter medicin.

Hidtil har fire kontorchefer fordelt sager ud til de enkelte juristers skriveborde manuelt ud fra en prioritering af, hvilke sager der hastede mest, og hvem der var bedst til opgaven. Nu sker denne prioritering og fordeling af sager automatisk. Det frigør tid til andre opgaver og sikrer et jævnt og retfærdigt sagsflow til gavn for både medarbejdere og patienter.

Patienterstatningen forventer, at løsningen vil give dem et mere jævnt sagsflow, fordi sager nu ikke burde hobe sig op. Førhen tog det i gennemsnit 30 dage, før en sag fik tildelt en sagsbehandler. Ved hjælp af den nye motor ligger sagerne nu blot i gennemsnit 2,5 dage, før de får tildelt en sagsbehandler.

Automatisk prioritering og fordeling én gang i timen

Motoren, der er bygget af Kapacity – en del af Visma Consulting – har to forskellige opgaver:

Prioritering

Indledningsvist prioriterer motoren sagerne efter, hvilke der haster mest. Patienterstatningen har til dette formål opstillet en række prioriteringsparametre, som sagerne rangeres ud fra. På baggrund af i alt otte prioriteringsparametre kører motoren alle sagerne igennem en gang i timen. På denne måde holder motoren sagernes prioritering opdateret, hvis deres tilstand skulle ændre sig, eller der kommer sager som haster mere.

Fordeling

Dernæst fordeler motoren sagerne ud til relevante sagsbehandlere på baggrund af medarbejdernes kvalifikationer samt kapacitet på det givne tidspunkt. Motoren tager højde for betydeligt mere data, end det er muligt for et menneske, og sikrer samtidig, at ingen sager bliver glemt.

Hvis en kontorchef skulle gennemgå alle sagerne en gang i timen ud fra de mange forskellige parametre, blev personen aldrig færdig. Motoren kan derimod gøre det i en rasende fart.

Thomas Harding Brix, IT-chef, Patienterstatningen

Løbende vurdering og optimering

Efter et pilotprojekt i ét juridisk kontor er motoren i dag implementeret i alle juridiske kontorer hos Patienterstatningen. I fremtiden følger en løbende vurdering og optimering af motoren.

”Det har været essentielt for os fra start at inddrage de medarbejdere, der skulle bruge værktøjet, så de kunne forme, hvordan motoren prioriterede sagerne, så det blev et værdifuldt værktøj. Motoren finjusteres stadigvæk, men sagerne fordeles i høj grad, som kontorcheferne selv ville have gjort det. Så det er vi meget tilfredse med.” – Thomas Harding Brix, IT-chef, Patienterstatningen.

Projektet har også været særdeles veldrevet fra Kapacitys side, fortæller Thomas Harding Brix og uddyber:

”Forløbet er gået over alt forventning. Konsulenten var rigtig god til at sætte sig ind i vores forretning og data på meget kort tid. Derudover har konsulenten været rigtig dygtig til også at drive projektet.” – Thomas Harding Brix, IT-chef, Patienterstatningen.

Teknisk om motoren

Motoren er udstillet til Patienterstatningen som en Flask Applikation i Python og kan derved nemt integreres i deres hovedapplikation. Den lineære model er fuldt ud konfigurerbar gennem en UI tilgængelig til de relevante brugere af løsningen. Nye parametre kan laves fra dag til dag gennem åbne placeholdere til pludseligt opståede behov.

Læs mere om Artificial Intelligence her

Gratis e-bog

Sådan kommer du i gang med AI

Alle snakker om kunstig intelligens. Og nikker anerkendende. Men få tør indrømme, at de ikke helt ved, hvordan de skal bruge AI værdifuldt i virksomheden. Derfor besluttede Jakob og Christina (to af vores AI-eksperter) sig for at skrive en how-to-guide. Den handler om, hvordan du kommer i gang med dit første AI-projekt.

Hent e-bogen her

Teknologien giver os mulighed for hele tiden at identificere de mest alvorlige sager og foretage en grundig prioritering og fordeling. Med andre ord får vi en fantastisk hjælp til en kompleks opgave, vi ikke selv kan gøre i samme hastighed.

Thomas Harding Brix, IT-chef, Patienterstatningen

Andre Data Science-projekter i opstart

Gennem de sidste fem år har Patienterstatningen digitaliseret interne forretningsgange og processer – senest med hjælp fra Data Science. Men projektet slutter ikke her. Patienterstatningen ser fortsat et stort potentiale i at udnytte kunstig intelligens.

Næste skridt er, at prioriteringsmotoren skal videreudvikles af Kapacity, en del af Visma Consulting, til også at kunne bruges i andre dele af sagsbehandlingen. En Machine Learning-model skal eksempelvis prioritere, i hvilken rækkefølge en erstatningssag skal drøftes med en læge og samtidig identificere og forudse sager, der på baggrund af talrige lignende sager, kan afgøres uden en lægefaglig vurdering.

Denne model vil give Patienterstatningen mulighed for at behandle visse sager hurtigere, idet de lægefaglige vurderinger kan være en flaskehals i sagsbehandlingen.

Om Patienterstatningen

Patienterstatningen behandler erstatningskrav fra patienter, der er kommet til skade i forbindelse med behandling på fx et hospital, hos egen læge eller som følge af bivirkninger efter et lægemiddel.

Læs mere om Patienterstatningen her