基于人工智能的模型用于TUMS医院的过度拥挤预测

科学领域:

• 医疗信息学 医疗信息学
• 在医疗保健中的数据科学.
• 运营研究 运营研究

背景情况:

• 紧急部门 (ED) 的拥挤导致等待时间,死亡率,临床错误和财务压力增加.
• 准确的拥挤预测对于提高医院运营效率和患者护理至关重要.
• 现有的预测模型往往缺乏对复杂的时间序列数据的强有力的特征选择和组合技术.

研究的目的:

• 开发和评估一种新的时间序列模型,用于预测每日急诊室 (ED) 拥挤情况.
• 通过使用先进的特征选择方法,确定ED过度拥挤预测的最佳特征.
• 为了比较各种机器学习模型和组合技术在预测ED过度拥挤方面的性能.

主要方法:

• 利用了来自德黑兰医学科学大学 (TUMS) 五家医院的时间序列数据集.
• 通过时间序列交叉验证与增长窗口 (TSCVG) 实现的最小冗余最大相关性 (mRMR),具有相互信息和弹性网,用于通过时间序列交叉验证与增长窗口 (TSCVG) 进行特征选择.
• 在SVM和LSTM等基础学习器上采用了包括加权平均,量子平均和变量惩罚贝叶斯模型平均 (VP-BMA) 在内的集合方法.

主要成果:

• 功能选择显著改善了所有ED的建模性能,经常选择二进制日历功能和目标延迟.
• 支持矢量机 (SVM) 和长短期内存 (LSTM) 模型在VP-BMA框架内显示出最可靠的性能.
• 模型性能因ED而异,EDA显示稳定的高性能 (ROC ≈ 0.95-0.98),EDC和E在中度切断时表现合理,EDB和D表现差.

结论:

• 拟议的时间序列特征选择和整体建模方法有效预测ED过度拥挤.
• SVM和LSTM是ED过度拥挤的强大预测器,特别是当它们被集成到像VP-BMA这样的整体框架中时.
• 对于表现不同特征的ED,可能需要定制的预测模型和干预措施.