利用先进机器学习模型与多变量输入预测急诊科拥挤程度
机器学习
2023-09-01 v1 机器学习
摘要
急诊科（ED）拥挤对患者安全构成重大威胁，且 repeatedly 与死亡率升高相关。预测未来服务需求有可能改善患者结局。尽管该主题已有活跃研究，仍存在若干空白：1）由于先进机器学习模型（ML）的快速涌现，已有预测模型已过时；2）多变量输入数据量有限；3）离散性能指标鲜有报道。在本研究中，我们记录了一组先进 ML 模型在提前 24 小时预测 ED 占用率方面的表现。我们使用来自一个大型综合急诊科的 electronic health record 数据，包含广泛解释变量，如 catchment area 医院的床位可用性、本地观测站的交通数据、天气变量等。我们表明 N-BEATS 和 LightGBM 分别以 11% 和 9% 的改进优于基准模型，且 DeepAR 以 0.76 的 AUC（95% CI 0.69-0.84）预测次日拥挤情况。据我们所知，这是首项在 ED 预测背景下证明 LightGBM 和 N-BEATS 优于统计基准的研究。
引用
@article{arxiv.2308.16544,
title = {Forecasting Emergency Department Crowding with Advanced Machine Learning Models and Multivariable Input},
author = {Jalmari Tuominen and Eetu Pulkkinen and Jaakko Peltonen and Juho Kanniainen and Niku Oksala and Ari Palomäki and Antti Roine},
journal= {arXiv preprint arXiv:2308.16544},
year = {2023}
}