基于人工智能的紧急部门拥堵预测框架：开发与评估研究
机器学习
2025-04-29 v1
摘要
背景：急诊部门（ED）拥堵仍是主要挑战，导致护理延迟和运营负担增加。医院管理层通常在拥堵发生后才作出反应。机器学习预测建模提供了一种积极方法，通过预测患者流量指标（如等待人数）来改进资源规划和医院效率。目的：本研究开发机器学习模型，预测 ED 候诊室在两个时间尺度上的等待人数。小时模型提前六小时预测等待人数（例如，1 点预测 7 点的等待人数），而日模型估计次日 24 小时的平均等待人数（例如，5 点预测次日平均等待人数）。这些工具支持人员安排，使早期干预有望减少拥堵。方法：使用美国东南部某医院急诊部门的数据，将内部指标和外部特征相结合。训练和评估了 11 种机器学习算法，包括传统模型和深度学习模型。优化特征组合，在不同患者量和小时数下进行评估。结果：TSiTPlus 在小时预测上取得最佳效果（MAE：4.19，MSE：29.32）。平均小时等待人数为 18.11，标准差为 9.77。准确率随小时数变化，MAE 分别为 2.45（11 点）至 5.45（8 点）。在一个标准差以上一个以上进行极端情况分析，MAE 分别为 6.16、10.16 和 15.59。对于日预测，XCMPlus 表现最佳（MAE：2.00，MSE：6.64），日均值为 18.11，标准差为 4.51。结论：这些模型准确预测了急诊室候诊室占用情况，支持积极性资源配置。其实施有望改善患者流动，减少急诊护理中的拥堵。
引用
@article{arxiv.2504.18578,
title = {An Artificial Intelligence-Based Framework for Predicting Emergency Department Overcrowding: Development and Evaluation Study},
author = {Orhun Vural and Bunyamin Ozaydin and Khalid Y. Aram and James Booth and Brittany F. Lindsey and Abdulaziz Ahmed},
journal= {arXiv preprint arXiv:2504.18578},
year = {2025}
}