基于神经异方差回归的手术时长预测
机器学习
2017-07-14 v3 机器学习
神经与进化计算
摘要
由于临床环境的根本不确定性以及与预订不足和过度预订相关的风险和成本，手术调度是一项具有挑战性的任务。我们研究了神经回归算法以估计手术案例时长的参数，重点关注异方差性问题。我们试图同时估计每台手术的时长以及针对该手术时长的不确定性度量。估计这种不确定性可以带来更细致有效的调度策略，使我们能够更高效地安排手术，同时允许基于信息且针对具体案例的误差裕度。利用来自美国大型医疗系统（UC San Diego Health System）的手术记录，我们证明了与当前调度技术相比，潜在改进幅度可达 20%（就过度预订的分钟数而言）。此外，我们证明了手术时长确实具有异方差性。我们表明，估计案例特定不确定性的模型能更好地拟合数据（对数似然）。此外，我们展示了异方差预测可以在过度预订和预订不足的分钟数之间进行更优化的权衡，特别是在空闲分钟数和调度冲突带来不同成本的情况下。
引用
@article{arxiv.1702.05386,
title = {Predicting Surgery Duration with Neural Heteroscedastic Regression},
author = {Nathan Ng and Rodney A Gabriel and Julian McAuley and Charles Elkan and Zachary C Lipton},
journal= {arXiv preprint arXiv:1702.05386},
year = {2017}
}