Forecasting emergency department visits in the reference hospital of the Balearic Islands: the role of tourist and weather data
تُظهر هذه الدراسة أن نماذج تعلم الآلة التي تستخدم بيانات التقويم، والسكان المقيمين، والسياح يمكنها التنبؤ بزيارات أقسام الطوارئ في وجهة سياحية موسمية بفعالية، حيث أثبتت النماذج غير المتعلقة بالسلاسل الزمنية متانة خاصة في التنبؤات طويلة المدى رغم عدم تقديم بيانات الطقس أي تحسين إضافي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك مدير لغرفة طوارئ (ER) مزدحمة في مدينة ساحلية جميلة، بالما دي مايوركا. وظيفتك تشبه قيادة أوركسترا: عليك أن تضمن وجود العدد المناسب من الأطباء والممرضين والأسرة الجاهزة في الوقت المناسب تماماً. إذا كان لديك عدد قليل جداً، سينتظر المرضى لفترة طويلة؛ وإذا كان لديك عدد كبير جداً، ستكون تهدر المال ووقت الموظفين.
السؤال الكبير هو: كيف تعرف كم عدد الأشخاص الذين سيطرقون أبوابك غداً، أو الأسبوع المقبل، أو الشهر القادم؟
هذه الورقة البحثية تشبه قصة بوليسية حاول فيها المؤلفون حل هذا اللغز باستخدام نوع خاص من "البلورة السحرية" المصنوعة من الرياضيات والحواسيب. إليك تفاصيل مغامرتهم:
1. نوعا البلورات السحرية
اختبر الباحثون طريقتين مختلفتين للتنبؤ بالمستقبل:
- "المسافر عبر الزمن" (نماذج السلاسل الزمنية): تخيل بلورة سحرية تنظر فقط إلى الماضي. تقول: "الثلاثاء الماضي كان مزدحماً، لذا فمن المرجح أن يكون الثلاثاء القادم مزدحماً أيضاً". هي تعتمد كلياً على نمط الأمس، واليوم الذي قبله، والأسبوع الذي قبله.
- "قارئ الطقس" (النماذج غير الزمنية): هذه البلورة السحرية تتجاهل أعداد المرضى الماضية. بدلاً من ذلك، هي تنظر إلى قرائن خارجية: هل نحن في عطلة؟ هل نحن في فصل الصيف؟ هل هناك 50,000 سائح في الجزيرة؟ هل تمطر؟ هي تتنبأ بناءً على ما يحدث حول المستشفى، وليس فقط ما يحدث داخل المستشفى.
2. مكونات التنبؤ
حاول الفريق خلط "مكونات" مختلفة في وصفة التنبؤ الخاصة بهم لمعرفة أيها سيكون مذاقه الأفضل:
- التقويم: هل هو يوم الاثنين؟ هل هو عيد الميلاد؟
- السكان: كم عدد السكان المحليين؟ كم عدد السياح الذين يزورون المكان؟ (سكان مايوركا يتضاعفون في الصيف!)
- الطقس: هل الجو حار، بارد، أم عاصف؟
3. المفاجأة الكبرى: الطقس مجرد "رجل أحمر" (تضليل)!
في مدن أخرى كثيرة، يعد الطقس دليلاً ضخماً. إذا كان الجو قارساً، يمرض الناس؛ وإذا كانت هناك عاصفة، يصاب الناس بجروح. لكن في بالما دي مايوركا، وجد المؤلفون شيئاً مضحكاً: الطقس لم يساعد فعلياً في التنبؤ بزيارات غرفة الطوارئ.
التشبيه: فكر في الطقس كصديق صاخب في حفلة. تعتقد أنه يخبرك بشيء مهم، لكنه في الحقيقة يكرر فقط ما تعرفه بالفعل. في مايوركا، "الطقس" متوقع ومعتدل للغاية لدرجة أن التقويم (مثلاً: "إنه شهر يوليو") يخبرك بكل ما تحتاج لمعرفته عن الطقس بالفعل. إضافة توقعات الطقس الفعلية كانت أشبه بإضافة الملح إلى طبق مُتبل بشكل مثالي بالفعل—لقد جعل الأمر أسوأ (أو على الأقل، لم يساعد).
4. عامل السياح: تموج صغير
الجميع يفترض أنه عندما يتدفق السياح إلى الجزيرة، تزدحم غرفة الطوارئ. لقد تحقق المؤلفون من ذلك.
- النتيجة: السياح يهمون، ولكن ليس بالقدر الذي توحي به عناوين الأخبار.
- التشبيه: تخيل غرفة الطوارئ كحوض استحمام. السياح هم كوب صغير من الماء تصبه فيه. هذا يرفع مستوى الماء، لكن التقويم (الموسم) هو الصنبور الذي يتحكم في التدفق الرئيسي. ولأن السياح يأتون في موجات متوقعة (الصيف = الكثير من السياح)، فإن متغير "التقويم" يستوعب بالفعل معظم تأثيرهم.
- الخلاصة: إدراج أعداد السياح حسن الحسابات قليلاً، ولكن في العالم الحقيقي، لم يغير التنبؤ إلا بأقل من مريضين لكل نوبة عمل. هذا فرق ضئيل جداً لمدير مستشفى أن يقلق بشأنه.
5. الفائز: الروبوت البسيط
اختبر الباحثون ثلاثة أنواع من "الأدمغة" الحاسوبية (الخوارزميات):
- الغابة العشوائية (Random Forest): فريق من أشجار القرار التي تقوم بالتصويت الجماعي.
- آلات المتجهات الداعمة (Support Vector Machines): فاصل هندسي معقد.
- الشبكات العصبية (Neural Networks): دماغ رقمي يحاكي العقل البشري.
الفائز: كانت الغابة العشوائية (فريق أشجار القرار) هي الفائزة في كل مرة. كانت الأكثر موثوقية، والأسهل فهماً، والأقل عرضة للارتباك.
6. المدى القصير مقابل المدى الطويل: السباق
إليك الدرس الأهم للمستقبل:
- لغدٍ (المدى القصير): "المسافر عبر الزمن" (السلاسل الزمنية) هو البطل. إذا كنت بحاجة لمعرفة عدد المرضى الذين سيصلون غداً، فإن النظر فيما حدث اليوم هو أفضل رهان.
- للشهر القادم (المدد الطويل): يفقد "المسافر عبر الزمن" سحره. لا يمكنك تخمين حركة المرور للشهر القادم بمجرد النظر إلى الأسبوع الماضي. هنا، يتألق "قارئ الطقس" (النماذج غير الزمنية). من خلال النظر إلى التقويم واتجاهات السكان، يمكنه التنبؤ بالمستقبل بنفس كفاءة النماذج المعقدة التي تسافر عبر الزمن، ولكن دون الحاجة إلى تحديث البيانات باستمرار.
الحكم النهائي
بنى المؤلفون أداة بسيطة وقوية تخبر المستشفيات: "لا تعقدوا الأمور".
لست بحاجة إلى ذكاء اصطناعي فائق التعقيد يتتبع كل قطرة مطر وكل مريض من الأمس. أنت فقط بحاجة إلى نموذج ذكي يعرف:
- ما هو يوم الأسبوع.
- كم عدد الأشخاص الذين يعيشون هناك.
- كم عدد السياح الذين يزورون المكان.
هذا النهج البسيط يعمل بشكل جيد مثل النماذج المعقدة والمتطورة في التخطيط طويل المدى (مثل توظيف الموظفين للصيف القادم). إنه تذكير بأن الخريطة البسيطة أحياناً هي أفضل طريقة لترجمة المستقبل.
تنبيه واحد: تم تدريب النموذج على الأوقات "العادية". وعندما ضربت الجائحة (حدث ضخم وغير متوقع)، ارتبك النموذج. وهذا يعلمنا أنه بينما النماذج البسيطة رائعة للمستقبل المتوقع، يجب أن نكون مستعدين لإعادة تدريبها إذا تغير العالم فجأة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.