开发一种基于数据的方法,用于预测急症护理医院的护理工作量:方法研究研究

科学领域:

• 医疗保健 运营 研究 研究 研究
• 应用机器学习应用机器学习
• 护理信息学 护理信息学

背景情况:

• 有效的护士人员配置对于患者护理质量和医院效率至关重要.
• 传统的工作负载预测方法缺乏准确性.
• 机器学习 (ML) 为精确的工作负载预测提供数据驱动的解决方案.

研究的目的:

• 利用护理活动数据 (LEP) 预测未来的工作负载要求.
• 应用机器学习技术来提高工作负载预测的准确性.

主要方法:

• 使用住院护理工作负载数据 (2017-2021) 的回顾性观察性研究.
• 训练并测试了ML模型 (拉索回归,随机森林,XGBoost) 以提前72小时预测工作负载.
• 使用平均绝对误差 (MAE) 和平均绝对百分比误差 (MAPE) 对基线进行评估.

主要成果:

• 机器学习模型的表现始终优于基线,拉索回归显示平均准确性提高了25.0%.
• 拉索模型实现了强大的分类性能 (AUC 0.79,精度66.2%-75.3%),用于预测工作负载变化.
• 严重的错误分类 (增加随着减少,反之亦然) 仅发生在0.17%的病例中.

结论:

• 机器学习显示了提高护士工作负载预测准确性的巨大潜力.
• 需要进一步的研究来解决数据质量问题,并探索先进的ML架构.
• 通过对照试验进行现实世界的评估对于实际实施至关重要.