基于机器学习的急诊科患者选择

急诊科（ED）的性能对任何医疗系统都至关重要，因为它们是许多患者的入口点。然而，除其他因素外，就诊急诊科患者的 acuity 水平差异及其相应治疗需求给决策者带来了重大挑战。平衡患者首次被医师接诊的等待时间与所有 acuity 水平的总体停留时间，对于维持所有患者可接受的运营性能水平至关重要。为在将空闲资源分配给患者时满足这些需求，过去已提出若干方法，包括累积优先排队（APQ）方法。APQ 方法根据患者在系统中的时间和 acuity 水平线性分配优先级分数。因此，选择决策基于一个简单的系统表示，该表示用作选择函数的输入。本文研究了基于机器学习（ML）的患者选择方法的潜力。它假设对于大量训练数据（包括众多不同系统状态），（近）最优分配可由（启发式）优化器根据所选性能指标计算，并旨在应用于新情况时模仿此类最优行为。由此，它纳入了系统的全面状态表示和复杂的非线性选择函数。所提方法的动机是，高质量的选择决策可能依赖于描述急诊科当前状态的各种因素，不限于等待时间，而这些因素可被 ML 模型捕获和利用。结果表明，所提方法在绝大多数评估设置中显著优于 APQ 方法。