在一个单一中心研究中,使用机器学习算法调查急诊室放弃率
Marta Rosaria Marino1, Teresa Angela Trunfio2, Alfonso Maria Ponsiglione3
1Department of Public Health, University of Naples "Federico II", Naples, Italy.
Scientific reports
|August 22, 2024
概括
紧急诊所面临着过度拥挤,导致患者离开没有照顾 (离开没有被看到,LWBS). 机器学习准确地预测LWBS,使医院管理和效率更好.
科学领域:
- 紧急医疗 紧急医疗
- 医疗保健管理的管理
- 数据科学数据科学数据科学
背景情况:
- 紧急诊所 (ED) 面临着过度拥挤,导致延长等待时间和增加患者不满.
- 过度拥挤的一个重要后果是,没有接受医疗评估 (Leave Without Being Seen,LWBS) 离开的患者数量增加,影响了医院收入和患者的结果.
研究的目的:
- 在学术医院环境中分析导致LWBS的因素.
- 开发和比较机器学习 (ML) 模型来预测LWBS.
- 为ED行政和管理提供决策支持工具.
主要方法:
- 一个大学医院ED (2014-2021) 的688,870名患者注册的回顾性分析.
- 对患者特征 (年龄,性别,到达方式,分拣颜色,到达时间/日) 和过程措施 (等待时间) 与LWBS状态的相关性分析.
- 开发和比较ML算法用于LWBS预测.
主要成果:
- 在研究期间,5.68%的患者 (39,188) 没有被看病.
- 影响LWBS的主要因素是接管的等待时间.
- 最终的ML模型实现了高预测性能,曲线下的面积 (AUC) 为0.97.
结论:
- 患者和ED过程特征与LWBS显著相关.
- 对LWBS率的预测建模可以识别组织瓶.
- 实施预测工具可以提高ED效率和患者护理.


