AI van EscuLine is een Machine Learning platform voor zorgorganisaties. Met inzet van Data science techniek helpen we ouderenzorg, Jeugdzorg, Gehandicaptenzorg, Thuiszorg en Huisartsen met inzichten uit data waar zij hun zorg en prestaties mee kunnen verbeteren
Naast de ontwikkeling van BI applicaties heeft EscuLine ook expertise op het gebied van Machine Learning (ML), een onderdeel van Artificial Intelligence (AI). Samen met klanten definiëren, scopen en ontwikkelen wij Machine Learning modellen en zelflerende algoritmes. De uitkomsten presenteren we in eenvoudig te gebruiken BI dashboards.
Advanced Analytics is een onderdeel van data science dat geavanceerde methoden en tools gebruikt om gedrag, trends, clusters en gebeurtenissen te voorspellen.
Op deze pagina vind je informatie over onze verschillende Artificial Intelligence modellen.
Esculine helpt zorginstellingen hun data voor zich te laten werken. Laat dat wat je registreert bijdragen tot inzicht en grip op de toekomst.
Wij zijn een data specialist op het gebied van (oa) de VVT.
We weten dus welke data VVT organisaties registreren en wat je daarmee kunt doen.
EscuLine heeft een Artificial Intelligence model ontwikkeld waarmee clusters in de wijkverpleging kunnen worden geïdentificeerd. Inzicht in de cliëntpopulatie kan worden geoptimaliseerd door middel van een clusteranalyse. Dit is een methode waarmee de cliëntpopulatie wordt verdeeld over verschillende clusters .
Wat is een cluster?
Een cluster is een verzameling cliënten met zoveel mogelijk dezelfde kenmerken.
Inzicht in de cliëntpopulatie is voor veel organisaties van groot belang. Deze informatie kan namelijk op verschillende manieren gebruikt worden:
Juiste beslissingen over planning, samenstelling van teams en het scholen van personeel kunnen met deze informatie genomen worden.
Kennis delen binnen en tussen organisaties om daarmee de zorg bij mensen thuis te verbeteren.
Meer informatie over het clustermodel in de thuiszorg? Lees dan onze whitepaper over dit model.
Esculine helpt zorginstellingen hun data voor zich te laten werken. Laat dat wat je registreert bijdragen tot inzicht en grip op de toekomst.
In 2019 is Esculine samen met zorgorganisaties een aantal ontwikkelprojecten gestart waarbij we Machine Learning techniek toepassen om patronen te herkennen uit jouw (big) data en daarmee ook voorspellingen te kunnen maken.
Esculine is een data specialist op het gebied van (oa) de VVT.
We weten dus welke data VVT organisaties registreren en wat je daarmee kunt doen.
Één van de modellen die wij hebben ontwikkeld voorspelt het aantal zorguren voor een cliënt in de thuiszorg voor de eerste 60 dagen in zorg na het opstellen van het zorgplan. Dit wordt gedaan aan de hand van verschillende variabelen. Deze variabelen bestaan onder andere uit verschillende cliëntkenmerken (zoals leeftijd en geslacht), de OMAHA-vragenlijst (o.a. ingevulde OMAHA gebieden en totale score op alle OMAHA gebieden opgeteld) en het zorgplan.
Voor het voorspellingsmodel zorgintensiteit wijkverpleging zien wij verschillende toepassingen:
Meer informatie over het voorspellingsmodel zorgintensiteit wijkverpleging? Lees dan onze whitepaper over dit model.
Zorgprofessionals werkzaam in de gehandicaptenzorg houden veel informatie bij samen met hun cliënten over het welzijn van cliënten en de ondersteuning. Maar hoe zet je die data vervolgens in om de zorg te verbeteren?
Aan de hand van Business Intelligence en Machine Learning methodieken hebben wij een model ontwikkeld dat datasets afkomstig uit vragenlijsten met cliënten (zoals bijvoorbeeld de POS) kan analyseren in een cluster analyse. Dit is een methode waarmee de cliëntpopulatie wordt verdeeld over verschillende clusters .
Wat is een cluster?
Een cluster is een verzameling cliënten met zoveel mogelijk dezelfde kenmerken.
Inzicht in de cliëntpopulatie is voor veel organisaties van groot belang. Deze informatie kan namelijk op verschillende manieren gebruikt worden:
Meer informatie over het clustermodel in de gehandicaptenzorg? Lees dan onze whitepaper over dit model.
Esculine helpt zorginstellingen hun data voor zich te laten werken. Laat dat wat je registreert bijdragen tot inzicht en grip op de toekomst.
Zo werken wij ook samen met de jeugdgezondheidszorg aan de ontwikkeling van een Artificial intelligence model dat de ontwikkeling van het BMI kan voorspellen.
In de eerste jaren, t/m groep 2 worden kinderen regelmatig gezien door JGZ. Hierna zijn contactmoment minder frequent (pas in groep 7 is er weer een contactmoment) en komt het voor dat kinderen “opeens” een negatief BMI ontwikkeld hebben met alle risico’s en negatieve effecten die daarbij komen kijken. Het is daarom mooi als we al in de eerste levensjaren van kinderen de ontwikkeling van het BMI kunnen voorspellen.
Er zijn diverse variabelen die goed en volledig worden geregistreerd in het dossier waarop het model kan gaan voorspellen.
Wij zien verschillende voordelen van zo’n model:
Meer informatie over het voorspellingsmodel BMI ontwikkeling?
Blijf op de hoogte van wat wij doen. Meld je nu aan voor onze nieuwsbrief!
