基于LSTM和GRU模型的新疆结膜炎门诊患者的预测
Yijia Wang1, Xianglong Yi2, Mei Luo2
1College of Mathematics and System Science, Xinjiang University, Urumqi Xinjiang, China.
PloS one
|September 21, 2023
概括
准确预测结膜炎门诊次数对于医院管理至关重要. 与长期短期记忆 (LSTM) 模型相比,Gated Recurrent Unit (GRU) 模型在预测患者流动方面表现优越.
科学领域:
- 眼科医生 眼科 眼科
- 医疗信息学 医疗信息学
- 时间序列分析时间序列分析
背景情况:
- 准确的门诊预测对于优化医院资源配置和管理至关重要.
- 有效的预测可以提高医院的效率和治疗能力.
- 了解患者流动趋势有助于战略医疗保健规划.
研究的目的:
- 评估长期短期记忆 (LSTM) 和门式复发单元 (GRU) 模型对预测结膜炎门诊访问的有效性.
- 使用现实世界的临床数据来比较LSTM和GRU模型的预测准确度.
- 为医院门诊管理提供数据驱动的决策支持工具.
主要方法:
- 利用了来自第三级医院眼科科的三年 (2017-2019) 的结膜炎门诊数据.
- 开发并实施了长期短期记忆 (LSTM) 和门式循环单元 (GRU) 深度学习模型.
- 使用标准预测指标评估模型性能,例如根平均平方误差 (RMSE) 和平均绝对误差 (MAE).
主要成果:
- 门式反复单位 (GRU) 模型实现了较低的根平均平方误差 (RMSE) 2.60 和平均绝对误差 (MAE) 1.99.
- 长期短期记忆 (LSTM) 模型产生了2.86的RMSE和2.39的MAE,用于预测结膜炎访问.
- 这两种模型都用于预测随后的31天内门诊访问.
结论:
- 门式复发单位 (GRU) 模型在预测随时间推移的医院门诊患者流动趋势方面表现出卓越的准确性.
- GRU模型的性能为医疗人员和门诊管理提供了宝贵的决策支持.
- 该研究强调了循环神经网络在提高医疗保健运营效率方面的潜力.
