基于深度学习的登机患者计数预测以应对急诊室过拥堵
机器学习
2025-07-14 v2 人工智能
摘要
本研究提出了一种基于深度学习的框架，用于预测急诊室（ED）登机患者计数，提前六小时预测，仅使用运营和情境数据，不使用患者级别信息。来自急诊室跟踪系统、床位人口、天气、假日和当地事件的数据按小时聚合，并进行全面的特征工程处理。ED 登机计数的平均值为 28.7（标准差 = 11.2）。训练和优化了多种深度学习模型，包括 ResNetPlus、TSTPlus 和 TSiTPlus，其中 TSTPlus 取得最佳结果（平均绝对误差 = 4.30，均方误差 = 29.47，R2 = 0.79）。该框架准确预测了登机计数，包括在极端期间，并证明了更广泛的输入特征可提高预测精度。该方法支持主动医院管理，提供了缓解急诊室拥堵的实用方法。
引用
@article{arxiv.2505.14765,
title = {Deep Learning-Based Forecasting of Boarding Patient Counts to Address ED Overcrowding},
author = {Orhun Vural and Bunyamin Ozaydin and James Booth and Brittany F. Lindsey and Abdulaziz Ahmed},
journal= {arXiv preprint arXiv:2505.14765},
year = {2025}
}
备注
Feature engineering, results, and model explainability have been updated. NBEATSx algorithm was removed due to overfitting during training