使用机器学习算法早期预测住院：优先队列方法
机器学习
2026-01-23 v1 最优化与控制
摘要
急诊科过度拥挤是一个危及患者安全并影响运营效率的关键问题，需要准确的需求预测以实现有效的资源分配。本研究评估并比较了三种不同的预测模型：带外生回归量的季节性自回归积分移动平均模型（SARIMAX）、极端梯度提升（XGBoost）和长短期记忆（LSTM）网络，用于预测七天内每日急诊科到达人数。本研究利用一家澳大利亚三级转诊医院从2017年1月至2021年12月的数据，通过将需求分解为八个特定病房类别并按临床复杂程度对患者进行分层而独具特色。为了解决 COVID-19 疫情造成的数据失真问题，本研究采用 Prophet 模型为异常时期生成合成反事实值。实验结果表明，所有三个提出的模型均持续优于季节性朴素基线。XGBoost 在预测每日总入院人数方面表现出最高的准确率，平均绝对误差为 6.63，而统计 SARIMAX 模型在预测主要复杂病例方面略胜一筹，MAE 为 3.77。研究得出结论，尽管这些技术成功再现了日常规律模式，但它们在低估患者数量突然、罕见的激增方面存在共同局限性。
引用
@article{arxiv.2601.15481,
title = {Early predicting of hospital admission using machine learning algorithms: Priority queues approach},
author = {Jakub Antczak and James Montgomery and Małgorzata O'Reilly and Zbigniew Palmowski and Richard Turner},
journal= {arXiv preprint arXiv:2601.15481},
year = {2026}
}