估计的影响：患者流建模中聚类与轨迹估计的新方法
统计方法学
2017-01-31 v7 应用统计
机器学习
摘要
准确预测和控制住院人数从而控制工作量，是医院管理中一个关键且长期存在的问题。当前大多数文献关注住院患者的最优调度，却很大程度上忽略了在整个治疗和康复过程中对患者轨迹的准确估计过程。其结果是当前的调度模型基于不准确的输入数据进行优化。我们开发了聚类与调度集成（CSI）方法来捕获通过医院服务网络的患者流。CSI 通过使用本文提出的基于半马尔可夫模型（SMM）的新聚类方案，根据轨迹相似性将患者聚类成组，而非如先前文献中按入院类型或病情聚类。该方法通过仿真验证，然后应用于合作医院的真实患者数据，结果表明其优于当前方法。此外，我们证明在 CSI 下，现有优化方法在关键医院绩效指标上比传统估计方法取得显著更好的结果，与采用传统估计技术的 30% 和 8% 相比，选择性入院增加了 97%，利用率提高了 22%。从理论角度看，SMM 聚类是一种新方法，适用于许多行业和应用领域中普遍存在的任何时空随机数据。
引用
@article{arxiv.1505.07752,
title = {The Impact of Estimation: A New Method for Clustering and Trajectory Estimation in Patient Flow Modeling},
author = {Chitta Ranjan and Kamran Paynabar and Jonathan E. Helm and Julian Pan},
journal= {arXiv preprint arXiv:1505.07752},
year = {2017}
}