使用简单与高级机器学习增强医院不确定需求预测
机器学习
2024-04-30 v1 应用统计
摘要
早期且及时的患者护理需求预测不仅影响有效的资源分配，还影响临床决策以及患者体验。然而，准确预测患者护理需求是全球医院面临的普遍挑战，部分原因在于需求随时间变化的时变性，部分原因在于难以提前对其趋势进行建模。为解决这一问题，我们在此开发了两种方法：一种相对简单的时变线性模型和一种更高级的神经网络模型。前者根据星期几和过去 7 天的到达模式等因素预测一周内每小时的患者到达量。后者利用长短期记忆 (LSTM) 模型，捕捉过去数据与三天预测窗口之间的非线性关系。我们评估了这两种提出方法相较于两种朴素方法——降秩向量自回归 (VAR) 模型和 TBATS 模型的预测能力。使用来自以色列 Rambam 医疗中心的患者护理需求数据，我们的结果表明，这两种提出的模型都能有效捕捉患者需求的每小时变化。此外，线性模型因其简单的架构而更具可解释性，而 LSTM 模型通过准确建模每周季节性趋势，提供了更低的预测误差。总而言之，我们的探索表明了机器学习在预测时变患者护理需求中的效用；此外，使用机器学习可以提前三天或一周以良好的精度（约 4 名患者）预测患者护理需求。
引用
@article{arxiv.2404.18670,
title = {Enhancing Uncertain Demand Prediction in Hospitals Using Simple and Advanced Machine Learning},
author = {Annie Hu and Samuel Stockman and Xun Wu and Richard Wood and Bangdong Zhi and Oliver Y. Chén},
journal= {arXiv preprint arXiv:2404.18670},
year = {2024}
}