ดูที่ข้อมูล พวกเรามีข้อมูลของผู้ป่วยโรคหัวใจประมาณ 500 คน ซึ่งพวกเราได้เรียนรู้ว่า ปัจจัยสำคัญที่ส่งผลต่อการเข้าร่วมโครงการฟื้นฟูสมรรถภาพหัวใจของผู้ป่วย คือ การเข้าถึงโรงพยาบาลได้ง่ายและการเดินทางที่สะดวก
จากข้อมูลในอดีตที่ผ่านมา พบว่า ในแต่ละเดือน มีผู้ป่วยที่ออกจากโรงพยาบาลหลังการผ่าตัดหัวใจ ประมาณ 15 คนที่ไม่มีรถยนต์ส่วนตัว ซึ่งการมีบริการรับ-ส่งไปยังโรงพยาบาล อาจจะทำให้ผู้ป่วยเหล่านี้มีแนวโน้มเข้าร่วมโครงการฟื้นฟูสมรรถภาพหัวใจมากยิ่งขึ้น แต่ค่าใช้จ่ายของบริการนี้ต้องไม่เกินกว่ารายได้จากการเข้าร่วมโครงการ
พวกเราสามารถใช้โมเดล Binary logistic regression ที่ถูกสร้างมาจากบทความในตอนที่ 3 เพื่อคาดการณ์ค่าความน่าจะเป็นที่ผู้ป่วยเข้าร่วมโครงการฟื้นฟูสมรรถภาพหัวใจ และเพื่อระบุว่า การให้ความช่วยเหลือบริการรับ-ส่งจะส่งผลกระทบต่อกลุ่มใดมากที่สุด รวมทั้งประมาณว่าเราสามารถลงทุนให้ความช่วยเหลือนี้ได้มากน้อยเพียงใด
ดาวน์โหลดชุดข้อมูล(data set)เพื่อทำตามและลองวิเคราะห์ด้วยตนเอง หากคุณยังไม่มีโปรแกรม Minitab คุณสามารถดาวน์โหลดและใช้งานโปรแกรมสำเร็จรูปทางสถิติของเราได้ฟรี (download)
การใช้โมเดล Binary Logistic Regression เพื่อคาดการณ์การเข้าร่วมโครงการฟื้นฟูสมรรถภาพหัวใจของผู้ป่วย
เราต้องการประมาณค่าความน่าจะเป็นที่ผู้ป่วยเข้าร่วมโครงการฟื้นฟูสมรรถภาพหัวใจ ซึ่งขึ้นอยู่กับว่าผู้ป่วยมีรถยนต์ส่วนตัวหรือไม่ โดยขั้นตอนแรก คือ การสร้างข้อมูลในลักษณะที่แบ่งออกเป็นช่วงๆ โดยคลิกที่ไปที่เมนู Calc > Create Mesh Data… ในโปรแกรม Minitab แล้วกรอกรายละเอียดตาม dialog box ตามรูปภาพด้านล่าง (ช่วงของค่าสูงสุดและค่าต่ำสุดของตัวแปรอายุ (Age) และตัวแปรระยะห่างจากบ้านกับโรงพยาบาล (Distance) ให้ระบุจากค่าสถิติเชิงพรรณนา (Descriptive Statistics) ของข้อมูลตัวอย่างที่เราใช้ในการสร้างโมเดลของเรา)
เมื่อคุณคลิก OK โปรแกรม Minitab จะเพิ่มคอลัมน์ใหม่ 2 คอลัมน์ลงใน Worksheet ที่มีข้อมูล 200 ชุดที่แตกต่างกันในแต่ละช่วงที่ระบุ และตอนนี้เราจะเพิ่มคอลัมน์อีก 2 คอลัมน์ คือ คอลัมน์ที่แทนว่าผู้ป่วยมีรถยนต์ส่วนตัว และอีกคอลัมน์ที่แทนว่าผู้ป่วยที่ไม่มีรถยนต์ส่วนตัว โดยขณะนี้ Worksheet ของเราจะมีข้อมูลทั้งหมด 4 คอลัมน์ตามด้านล่างนี้:
ต่อไป เราจะไปที่เมนู Stat > Regression > Binary Logistic Regression > Predict… ซึ่งโปรแกรม Minitab จะจดจำโมเดลการวิเคราะห์ล่าสุดที่เราได้วิเคราะห์ไว้ และเพื่อให้แน่ใจว่า เป็นโมเดลที่ถูกต้อง ให้คลิกที่ปุ่ม “View Model…” เพื่อดูโมเดล
และยืนยันให้แน่ใจว่าโมเดลที่แสดงนั้นเป็นโมเดลที่ถูกต้อง
จากนั้น ให้คลิกปุ่ม “Predict” และเลือกคอลัมน์ที่เราสร้างขึ้นจากคำสั่ง mesh data กรอกลงไปใน dialog box ตามรูปที่เห็นด้านล่างนี้ และกดปุ่ม Storage เพื่อให้โปรแกรม Minitab เก็บค่า Fit (ค่าความน่าจะเป็นตามที่คาดการณ์ไว้) ของข้อมูลแต่ละตัวลงใน Worksheet และโปรดทราบว่า คอลัมน์ที่เลือกในตัวแปร Mobility คือ คอลัมน์ Car ดังนั้น การคาดการณ์ทั้งหมดนี้จะขึ้นอยู่กับโมเดลของผู้ป่วยที่มีรถยนต์ส่วนตัว
เมื่อคุณคลิก OK ทั้งหมด โปรแกรม Minitab จะเพิ่มคอลัมน์ที่แสดงค่าความน่าจะเป็นตามที่คาดการณ์ไว้ ของผู้ป่วยที่เข้าร่วมโครงการ โดยสมมติว่าผู้ป่วยมีรถยนต์ส่วนตัว
ตอนนี้ พวกเราสามารถสร้างการคาดการณ์สำหรับผู้ป่วยที่ไม่มีรถยนต์ส่วนตัว กด CTRL-E เพื่อแก้ไข dialog box ก่อนหน้านี้ และในคอลัมน์ Mobility ให้เลือก “NoCar” ตามรูปภาพด้านล่าง
เมื่อคุณคลิก OK โปรแกรม Minitab จะคำนวณค่าความน่าจะเป็นของผู้ป่วยอีกครั้ง คราวนี้ใช้โมเดลของผู้ป่วยที่ไม่มีรถยนต์ส่วนตัว ซึ่งค่าความน่าจะเป็นในการเข้าร่วมโครงการสำหรับผูัป่วยแต่ละคน จะถูกจัดเก็บไว้ใน 2 คอลัมน์บน Worksheet ซึ่งฉันได้เปลี่ยนชื่อคอลัมน์เป็น PFITS-Car และ PFITS-No car
การให้บริการรับ-ส่ง จะส่งผลกระทบต่อกลุ่มใดมากที่สุด
ตอนนี้เราได้ประมาณค่าความน่าจะเป็นที่ผู้ป่วยเข้าร่วมโครงการฟื้นฟูสมรรถภาพหัวใจสำหรับผู้ป่วยที่มีอายุและระยะห่างจากบ้านกับโรงพยาบาลพอๆ กัน ทั้งผู้ป่วยที่มีรถยนต์ส่วนตัวและไม่มีรถยนต์ส่วนตัว ซึ่งมันมีประโยชน์ หากจะแสดงให้เห็นภาพความแตกต่างของค่าความน่าจะเป็นเหล่านี้ เพื่อดูว่าการเสนอบริการรับ-ส่ง อาจส่งผลกระทบมากที่สุดต่อการเพิ่มอัตราการเข้าร่วมโครงการของผู้ป่วยอย่างไร
ขั้นแรก เราจะใช้คำสั่ง Calculator ในโปรแกรม Minitab เพื่อคำนวณความแตกต่างของค่าความน่าจะเป็นระหว่างผู้ป่วยที่มีรถยนต์ส่วนตัวและไม่มีรถยนต์ส่วนตัว โดยไปที่เมนู Calc > Calculator… และกรอกรายละเอียด ตามรูปภาพด้านล่างนี้:
ณ ตอนนี้ เรามีคอลัมน์ที่ชื่อว่า “Car – NoCar” ซึ่งมีค่าความแตกต่างของค่าความน่าจะเป็นระหว่างผู้ป่วยที่มีอายุและระยะห่างจากบ้านกับโรงพยาบาลพอๆ กัน ทั้งผู้ป่วยที่มีรถยนต์ส่วนตัวและไม่มีรถยนต์ส่วนตัว เราสามารถใช้คอลัมน์นี้เพื่อสร้างกราฟ Contour plot ที่ให้ข้อมูลเชิงลึกเพิ่มเติมเกี่ยวกับความสัมพันธ์ระหว่างค่าความน่าจะเป็นที่ผู้ป่วยเข้าร่วมโครงการฟื้นฟูสมรรถภาพหัวใจกับอายุของผู้ป่วย และระยะห่างระหว่างบ้านผูป่วยกับโรงพยาบาล รวมทั้งผู้ป่วยมีรถยนต์ส่วนตัวหรือไม่ โดยเลือกไปที่เมนู Graph > Contour Plot… และกรอกคอลัมน์ตามที่แสดงด้านล่างนี้:
โปรแกรม Minitab สร้างกราฟ Contour Plot (เราได้แก้ไขสีในแต่ละช่วงจากค่าเริ่มต้น):
จากกราฟนี้ เราจะเห็นว่า ผู้ป่วยที่ได้รับความช่วยเหลือจากบริการรับ-ส่ง ที่ส่งผลกระทบมากที่สุด คือ ผู้ป่วยที่มีอายุ และมีระยะห่างระหว่างบ้านกับโรงพยาบาลที่อยู่ในพื้นที่สีแดงเข้ม ซึ่งการเข้าถึงบริการรับ-ส่ง จะเพิ่มโอกาสในการเข้าร่วมโครงการมากกว่า 40%
โรงพยาบาลสามารถใช้ข้อมูลนี้ เพื่อกำหนดเป้าหมายของผู้รับความช่วยเหลือจากบริการรับ-ส่งได้อย่างรอบคอบ แต่การทำเช่นนั้นอาจก่อให้เกิดปัญหาด้านจริยธรรมมากมาย แทนที่โรงพยาบาลจะได้ให้ความช่วยเหลือบริการรับ-ส่งแก่ผู้ป่วยทุกคนที่ต้องการความช่วยเหลือ ทางทีมงานจึงตัดสินใจคำนวณค่าความน่าจะเป็นโดยเฉลี่ยของผู้ป่วยทั้งหมดที่เข้าร่วมโครงการที่ไม่มีรถยนต์ส่วนตัว
หากต้องการหาค่าเฉลี่ย ให้เลือกไปที่เมนู Stat > Basic Statistics > Display Descriptive Statistics… ในโปรแกรม Minitab และเลือกคอลัมน์ “PFITS-NoCar” เป็นตัวแปร แล้วคลิกที่ปุ่ม “Statistics” เพื่อให้แน่ใจว่าค่าเฉลี่ยเป็นหนึ่งในค่าสถิติเชิงพรรณนาที่กำลังคำนวณ และคลิก OK โปรแกรม Minitab จะแสดงค่าสถิติเชิงพรรณนาที่คุณเลือกไว้ใน Output Pane
ตามโมเดล Binary Logistic Regression ของเรา ค่าความน่าจะเป็นโดยเฉลี่ยของผู้ป่วยที่เข้าร่วมโครงการที่ไม่มีรถยนต์ส่วนตัว มีค่าเท่ากับ 0.1695 ซึ่งเราจะปัดเศษขึ้นเป็น 0.17 และตอนนี้เราสามารถคำนวณจุดคุ้มทุนสำหรับบริการรับ-ส่งได้อย่างง่ายดาย ซึ่งเรามีข้อมูลต่อไปนี้อยู่ในมือ:
| จำนวนผู้ป่วยต่อเดือนที่ไม่มีรถยนต์ส่วนตัว | 15 |
| ค่าความน่าจะเป็นโดยเฉลี่ยของผู้ป่วยที่เข้าร่วมโครงการที่ไม่มีรถยนต์ส่วนตัว | .30 |
| จำนวนครั้งในการกายภาพบำบัดโดยเฉลี่ยต่อผู้ป่วย | 29 |
| รายได้ต่อครั้งในการกายภาพบำบัด | $23 |
จากตัวเลขเหล่านี้ สามารถคำนวณค่าใช้จ่ายบริการรับ-ส่งสูงสุดต่อผู้ป่วย ดังนี้:
0.17 ของค่าความน่าจะเป็นของการเข้าร่วมโครงการ x 29 ของจำนวนครั้ง x 23 ดอลลาร์สหรัฐฯ ต่อจำนวนครั้งในการกายภาพบำบัด = 113.39 ดอลลาร์สหรัฐฯ
เนื่องจากในแต่ละเดือน มีผู้ป่วยโรคหัวใจประมาณ 15 คน ที่ออกจากโรงพยาบาลและไม่มีรถยนต์ส่วนตัว เราจึงสามารถลงทุนค่าบริการรับ-ส่งได้มากที่สุด 15 x 113.39 ดอลลาร์สหรัฐฯ = 1,700.85 ดอลลาร์สหรัฐฯ ต่อเดือน
การดำเนินช่วยเหลือบริการรับ-ส่ง เพื่อให้ผู้ป่วยเข้าร่วมโครงการ
ตามที่อธิบายไว้ในบทความวิชาการที่เป็นแรงบันดาลใจในการเขียนบทความชุดนี้ ทีมงานได้ประเมินตัวเลือกในการปรับปรุงที่เป็นไปได้เทียบกับการคำนวณทางเศรษฐกิจนี้ และได้พัฒนากระบวนการที่นำผู้ป่วยทั้งที่มีรถยนต์ส่วนตัวและไม่มีรถยนต์ส่วนตัวได้เดินทางร่วมกันเพื่อทำกายภาพบำบัด โดยจากการทดสอบเบื้องต้นของกระบวนการนี้พบว่าประสบความสำเร็จ และสังเกตได้ว่า ผู้ป่วยส่วนใหญ่ที่ไม่มีรถยนต์ส่วนตัว จะไม่เข้าร่วมโครงการหากไม่มีบริการนี้
หลังจากดำเนินการกระบวนการเดินทางร่วมกันแบบใหม่นี้ ทางทีมงานได้ทบทวนปัจจัยสำคัญที่พวกเขาเคยพิจารณาตั้งแต่ช่วงเริ่มต้นของโครงการ คือ จำนวนผู้ป่วยที่ลงทะเบียนเข้าร่วมโครงการทุกเดือน และจำนวนครั้งในการกายภาพของผู้ป่วยที่เข้าร่วมโครงการโดยเฉลี่ย
และหลังจากเริ่มใช้กระบวนการเดินทางร่วมกันนี้ จำนวนครั้งในการกายภาพของผู้ป่วยที่เข้าร่วมโครงการโดยเฉลี่ยยังคงเท่าเดิม คือ 29 ครั้ง แต่จำนวนการเข้าร่วมโครงการของผู้ป่วยเพิ่มขึ้นจาก 33 คน เป็น 45 คนต่อเดือน ซึ่งเกินจากเป้าหมายที่คาดไว้ คือ 36 คนต่อเดือน และทำให้มีรายได้เพิ่มเติมอยู่ที่ประมาณ 96,000 ดอลล่าร์สหรัฐฯ ต่อปี
จากการศึกษาโปรเจกต์นี้ ได้ให้อะไรกับเรา
หากคุณได้อ่านบทความทั้ง 4 ตอนของชุดบทความนี้ คุณอาจจำได้ว่า ในช่วงเริ่มต้นของโปรเจกต์ Six Sigma ผู้มีส่วนได้ส่วนเสียหลายรายเชื่อว่า ปัญหาที่มีการเข้าร่วมโครงการน้อย สามารถแก้ไขได้โดยการสร้างโบรชัวร์ของโครงการนี้ให้ดีกว่าเดิม และให้ศัลยแพทย์สร้างความมั่นใจ เพื่อบอกผู้ป่วยเกี่ยวกับโครงการนี้ตั้งแต่เนิ่นๆ ของการรักษา
ซึ่งไม่มีการนำแนวคิดเริ่มแรกเหล่านั้นไปใช้เลย แต่ทีมงานประสบความสำเร็จในการบรรลุเป้าหมายของโครงการได้ด้วยการดำเนินการปรับปรุงที่ได้รับจากการสนับสนุนจากการวิเคราะห์ข้อมูลนั่นเอง สำหรับฉัน นี่เป็นหัวใจหลักของบทความนี้
ตามที่ผู้เขียนตั้งข้อสังเกตว่า “บ่อยครั้งที่ความคิดเห็นของผู้คนที่มีต่อกระบวนการอาจไม่ถูกต้อง แต่การดำเนินการปรับปรุงตามสิ่งเหล่านี้ยังคงถูกนำมาไปใช้ ซึ่งการกระทำเหล่านี้ทำให้พนักงานรู้สึกท้อแท้ และอาจจะไม่คุ้มค่า จนสุดท้ายก็ไม่สามารถแก้ปัญหาได้”
ดังนั้น บทความจึงเป็นการสร้างกรณีที่น่าสนใจที่ทำให้เห็นคุณค่าของการวิเคราะห์ข้อมูลที่นำไปประยุกต์ใช้ เพื่อปรับปรุงกระบวนการในการดูแลสุขภาพ “แม้ว่าจะต้องใช้เทคนิคขั้นสูงขึ้น เช่น การสร้างโมเดล Binary Logistic Regression” แต่ผู้เขียนเสริมอีกว่า “การสร้างกราฟเพื่อสำรวจข้อมูล เช่น Boxplot และ Bar Chart ก็สามารถกำหนดทิศทางไปสู่โซลูชันที่มีคุณค่าได้”
บทความต้นฉบับ : A Six Sigma Healthcare Project, part 4: Predicting Patient Participation with Binary Logistic Regression
ต้นฉบับนำมาจาก Minitab blog , แปลและเรียบเรียงโดยรัฐพงษ์ ยอดสีมา
บริหารจัดการ SCM Blog โดยชลทิชา จำรัสพร, บริษัท โซลูชั่น เซ็นเตอร์ จํากัด ตัวแทน Minitab ในประเทศไทย
เพิ่มเติมเกี่ยวกับบริษัท Minitab
Minitab ช่วยให้บริษัทและองค์กรต่างๆ สามารถมองเห็นแนวโน้มของข้อมูล, แก้ปัญหาและค้นพบประเด็นสำคัญจากข้อมูลเชิงลึก โดยนำเสนอชุดโซลูชั่นที่ครอบคลุมทุกด้านและดีที่สุดสำหรับซอฟต์แวร์ในระดับเดียวกัน ที่ใช้สำหรับการวิเคราะห์ข้อมูลและการปรับปรุงกระบวนการ
ด้วยวิธีการที่เป็นเอกลักษณ์ และการนำเสนอซอฟต์แวร์และบริการแบบองค์รวม Minitab ช่วยให้องค์กรเข้าถึงกระบวนการตัดสินใจในส่วนที่ช่วยผลักดันให้เกิดความเป็นเลิศทางธุรกิจได้ดีขึ้น ความง่ายในการใช้งานที่โดดเด่นกว่าใครมีส่วนช่วยให้ Minitab สามารถทำให้การเข้าถึงข้อมูลเชิงลึกเป็นเรื่องที่ง่าย ทีมงานของ Minitab ซึ่งประกอบด้วยผู้เชี่ยวชาญทางด้านการวิเคราะห์ข้อมูลที่ได้ผ่านการอบรมมาเป็นอย่างเข้มงวด จะช่วยให้ผู้ใช้งานมั่นใจว่าจะได้รับประโยชน์สูงสุดจากการใช้งานวิเคราะห์ข้อมูลและพร้อมที่จะให้คำปรึกษาตลอดเวลาที่ใช้งานเพื่อนำไปสู่การตัดสินใจที่ดีขึ้น รวดเร็ว และแม่นยำ
เป็นเวลากว่า 50 ปีที่ Minitab ได้ช่วยองค์การต่าง ๆ เพิ่มรายได้ ควบคุมและลดต้นทุน เพิ่มคุณภาพ เสริมสร้างความพึงพอใจของลูกค้า และเพิ่มประสิทธิภาพ ธุรกิจและองค์นับหมื่นทั่วโลกใช้ Minitab Statistical Software®, Companion by Minitab®, Minitab Workspace®, Salford Predictive Modeler® and Quality Trainer® เป็นเครื่องมือช่วยในการค้นพบและปรับปรุงความบกพร่องในกระบวนการ