预测 COVID 隔离床位导致的急诊科容量约束
机器学习
2020-11-13 v1 计算机与社会
摘要
预测医院环境中的患者量是时间序列预测中一个被广泛研究的应用。现有工具通常在日或周级别进行预测，以协助规划人员配置需求。受我们儿科医院急诊科新出现的与 COVID 相关的容量约束的推动，我们开发了一个小时级预测工具，在 24 小时窗口内进行预测。这些预测将为我们的医院提供充足时间，以调配资源来扩展容量并增援人员（例如改造病房或呼叫在岗医师）。使用高斯过程回归（GPRs），我们在点预测（平均 R 平方：82%）以及预测医院容量有序等级的分类准确率（平均精确率/召回率：82%/74%）方面均取得了强劲表现。相比传统回归方法，GPRs 不仅持续获得更高性能，而且对 2020 年全年出现的数据集偏移具有鲁棒性。医院利益相关方对我们结果的强度感到鼓舞，我们目前正在致力于将我们的工具迁移到实时环境中，目标是增强医护人员的能力。
引用
@article{arxiv.2011.06058,
title = {Forecasting Emergency Department Capacity Constraints for COVID Isolation Beds},
author = {Erik Drysdale and Devin Singh and Anna Goldenberg},
journal= {arXiv preprint arXiv:2011.06058},
year = {2020}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2020 - Extended Abstract