通过基于SARIMA的患者数量预测优化PACU护理资源配置:来自中国一家三级医院的案例研究 (2020-2021年)

科学领域:

• 医疗保健 运营 研究 研究 研究
• 时间序列预测时间序列预测
• 临床信息学 临床信息学

背景情况:

• 准确预测患者的入院情况对于高效的医疗保健资源管理至关重要.
• 麻醉后护理单位 (PACU) 的患者流量可能非常多变,这对人员构成挑战.
• 现有的预测方法可能无法充分捕捉PACU录取的时间动态.

研究的目的:

• 开发和验证一个季节性自动回归集成移动平均值 (SARIMA) 模型,用于预测每天的PACU患者入院.
• 评估模型在优化护理人员分配方面的有用性.
• 将SARIMA模型的性能与长短期记忆 (LSTM) 神经网络进行比较.

主要方法:

• 在14个月的时间内,对16637名患者的每日入院数据进行分析.
• 使用培训和测试数据集进行五次滚动交叉验证的SARIMA模型的开发和验证.
• 基于Akaike信息标准 (AIC) 和贝叶斯信息标准 (BIC) 的模型选择,并进行残余诊断.
• 将SARIMA模型的性能与LSTM基准进行比较,并模拟护士人员调整.

主要成果:

• 最优的SARIMA(1,0,2)(0,1,2)7模型显示出强大的预测准确性 (平均RMSE: 14.53,MAE: 11.14,R2: 0.75).
• 萨里马模型的表现明显超过了LSTM基准 (RMSE:15.51,R2:0.483).
• 工作人员模拟表明,在32.1%的日内,可能会减少人员过剩,同时确保安全的患者覆盖.

结论:

• 萨里马模型为PACU患者入院提供准确可靠的短期预测.
• 它作为一个有价值的决策支持工具,可以优化护理人员的安排和资源分配.
• 与LSTM相比,SARIMA模型在这种临床环境中为PACU预测提供了更高的性能和实用性.