使用机器学习预测儿童医院医疗任务的等待时间:全面的,回顾性的,现实世界的研究

科学领域:

• 医疗保健 运营 研究 研究 研究
• 医疗信息学 医疗信息学
• 医疗保健中的机器学习

背景情况:

• 中国的儿童医院面临着严重的资源短缺和过度拥挤.
• 准确的等待时间预测对于优化运营效率和患者流量至关重要.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测儿科医院实验室和放射检查的等待时间.
• 使用队列理论原则,确定影响等待时间的关键预测因素.

主要方法:

• 从儿科医院信息系统回顾分析了230,864个时间标记的记录 (2024年11月 - 2025年3月).
• 以队列理论为指导的队列相关和基于时间的特征的提取.
• 使用交叉验证和引导方法进行线性回归和8ML模型的培训和评估.
• 使用平均绝对误差,平均平方误差,根平均平方误差和R2评估模型性能;通过沙普利的增量解释进行特征重要性分析.

主要成果:

• 所有任务的平均等待时间为4.817分钟;放射学等待时间通常比实验室测试更长.
• 基于树的ML模型 (随机森林,CART) 在预测实验室测试等待时间方面实现了高准确度 (R2 0.880-0.934).
• ML模型在预测放射学检查等待时间方面取得了有限的成功 (R2 0.114-0.719).
• 功能重要性分析强调了与队列相关的预测因素,特别是排队患者的数量,是最重要的.

结论:

• 特定任务的ML模型对于在各种医疗任务中准确预测等待时间至关重要.
• 队列理论原则有效地指导着用于等待时间预测的ML模型的开发.
• 与队列相关的预测因素对于提高儿科医疗保健机构等待时间预测的准确性至关重要.