运输决策和资源优化的预测建模在前医院环境中,使用机器学习技术

科学领域:

• 紧急医疗 紧急医疗
• 医疗信息学 医疗信息学
• 在医疗保健中的数据科学.

背景情况:

• 医院前护理系统在资源管理方面面临着全球性挑战.
• 机器学习 (ML) 提供了分析复杂数据的潜力,以改善患者护理和资源优化.
• 准确预测患者运输需求对于高效的紧急医疗服务至关重要.

研究的目的:

• 预测哪些紧急医疗服务病例需要患者运输与那些不需要的病例.
• 利用机器学习技术,在医院前护理中有效地分配资源.
• 通过数据驱动的洞察力提高紧急医疗服务的质量和效率.

主要方法:

• 利用机器学习算法 (随机森林,SVM,XGBoost,AdaBoost) 来预测患者运输决策.
• 分析了来自中东国家医院前紧急医疗服务提供商的93,712个紧急呼叫数据集.
• 整合了人口和临床变量,以提高使用R编程语言的预测模型的准确性.

主要成果:

• 所有受过训练的ML模型,特别是XGBoost (83.1%准确率),都准确地预测了患者运输决策.
• 确定了有针对性的资源部署的统计学意义的模式.
• 实现了高的特异性率 (RF: 97.96%,XGBoost: 95.39%),最大限度地减少了"运输"病例的错误阳性.

结论:

• 机器学习算法展示了改善卡塔尔医院前护理质量的变革潜力.
• 高预测准确度为日/时间特定的资源规划和患者分类提供了可行的策略.
• 这些发现支持数据驱动的质量改进干预措施和医院前急救护理的未来运营策略.