Améliorer la précision prédictive pour un conglomérat de soins de santé du Fortune 50
Notre client, un conglomérat de soins de santé figurant au palmarès Fortune 50, cherchait à améliorer son application afin de prendre des décisions éclairées concernant l’exposition potentielle aux allergènes extérieurs. De telles applications offrent de la valeur au client en l’aidant à évaluer le risque d’exposition, réduisant ainsi l’ensemble de ses symptômes.
Le défi
Métriques inadéquates
L’application s’appuyait sur des données limitées et un modèle non maintenu fondé sur un simple algorithme de régression pour effectuer des prédictions. Par conséquent, il y avait une marge considérable d’amélioration pour la justesse prédictive. Trois défis clés étaient à relever pour permettre à l’application d’apporter plus de valeur aux utilisateurs :
- La métrique utilisée pour mesurer la justesse prédictive était inadéquate, car elle ne tenait pas compte des déséquilibres relatifs entre les classes ni de l’ordre de gravité des symptômes
- Améliorer la justesse prédictive nécessiterait l’ajout et la préparation de nouvelles variables d’entrée
- Manque de documentation et absence d’expertise interne disponible pour le modèle existant du client
L'objectif
Un modèle prédictif nettement amélioré
Nous avons cherché à accroître la valeur de l'application pour les clients et le client en améliorant sa précision prédictive et son potentiel d'utilisation des données.
La solution
De nouveaux indicateurs ont été introduits dans le modèle existant afin d'améliorer les performances
- Amélioration de la qualité des commentaires que les clients recevaient de l'application en optimisant l'utilisation des sources de données existantes (compte pollinique et symptômes clés) et en élargissant la gamme de sources aux renseignements météorologiques et aux informations sur les traitements des patients
- Diminution de la quantité de renseignements à saisir par le client en identifiant des symptômes cooccurrents typiques, ce qui a permis de déterminer si les symptômes que l'utilisateur éprouve sont généralement allergiques, atypiques ou d'un régime mixte
- Rationalisation de l'optimisation future grâce à l'introduction d'un indicateur optimal permettant de mesurer la performance du modèle prédictif utilisé dans l'application
- L’équipe de HCLTech a ensuite reconstruit le modèle d’apprentissage automatique sous-jacent en se basant sur un algorithme Gradient Boosting Regressor et a modifié le langage de programmation de Java à Python
L’incidence
Valeur du produit et expérience utilisateur améliorées
HCLTech a livré la solution en deux mois. Les nouvelles sources de données et le modèle ML ont entraîné une amélioration constante de 20 % à 25 % de la précision prédictive de l’application. L’application a permis de faire des prédictions nettement plus précises sur la gravité probable des symptômes à venir en se basant sur les données de pollen et de conditions météorologiques, ainsi que sur les données de symptômes et de traitements fournies par l’utilisateur. Le projet a également ouvert la voie à de futurs développements qui augmenteront la valeur de l’application. Les utilisateurs bénéficieront d’une amélioration supplémentaire de la précision des prédictions grâce à l’ajout de données sur la qualité de l’air, tandis que l’intégration de données de ventes permettra d’indexer le début de la saison des allergies afin d’aider le client à savoir comment cela influence les ventes de produits de soulagement des symptômes d’allergies.
Études de cas connexes
Découvrez comment l’automatisation dirigée par l’IA générative a transformé l’audit de l’assurance qualité pour une importante entreprise biopharmaceutique, améliorant l’efficacité des audits et réduisant les erreurs de validation.
En savoir plus
Cette étude de cas explore comment HCLTech a permis au client de réimaginer l’expérience de la photographie avec appareil photo et d’élargir sa portée sur le marché.
En savoir plus
Cette étude de cas examine la collaboration entre HCLTech et le client pour concevoir et déployer un système à la fine pointe de la technologie.
En savoir plus
Une plateforme SiL axée sur le virtuel a permis à un équipementier mondial d’accélérer la validation ADAS de niveau 3 grâce à des flux de travail modulaires et à TestSphere KDT, réduisant de 75 % l’effort de conception des tests et permettant des publications en moins d’une journée.
En savoir plus
Découvrez comment l’automatisation, l’enrichissement des métadonnées et des flux de travail unifiés ont transformé les opérations relatives au contenu d’une grande entreprise de médias.
En savoir plus