Machine Learning Approaches for Hourly Emergency Department Patient Arrival Forecasting: A Multi-Horizon Comparison with Operational Benchmarking at a Norwegian Hospital
تُظهر هذه الدراسة أن نماذج تعلم الآلة، ولا سيما بنية (Direct LSTM+Optuma) التي تتجنب مشكلة "الميزات المجمدة" المتأصلة في النهج التكراري ذاتي الانحدار، تتفوق بشكل كبير على النموذج المرجعي القائم على التقويم التشغيلي في النرويج للتنبؤ بوصول مرضى أقسام الطوارئ بالساعة عبر كل من آفاق التخطيط قصيرة وطويلة المدى.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
تُعد المستشفيات أماكن ذات حركة مستمرة، حيث تكون إدارة تدفق الناس بالغة الأهمية تماماً مثل إدارة تدفق الدم أو الكهرباء. وفي أقسام الطوارئ، يكمن الفرق بين نوبة عمل سلسة وأزمة فوضوية في التوقيت. فإذا عرف المستشفى بدقة عدد المرضى الذين سيصلون في الساعة القادمة، يمكنه فتح العدد المناسب من الأسرة، وجدولة العدد الصحيح من الممرضين، وتجهيز معدات التشخيص قبل أن يطأ أول شخص عتبة الباب. ولعقود من الزمن، اعتمد مديرو المستشفيات على المتوسطات التاريخية البسيطة لاتخاذ هذه القرارات، من خلال النظر إلى ما حدث في يوم الثلاثاء عند الساعة الثانية ظهراً على مدار الأشهر القليلة الماضية وافتراض أن اليوم سيكون مماثلاً. هذه الطريقة تعمل بشكل جيد بما يكفي للأنماط العامة، لكنها تعمى عن الواقع المباشر: فعاصفة مفاجئة، أو طفرة في حالات الإنفلونزا، أو تدفق غير متوقع للإصابات يمكن أن يجعل المتوسط التاريخي عديم الفائدة. ويتمثل التحدي الذي يواجه الطب الحديث في الانتقال من التخمين بناءً على الماضي إلى التنبؤ بالمستقبل بمساعدة أجهزة الكمبيوتر التي يمكنها التعلم من البيانات المعقدة والمتغيرة.
لقد سعى فريق من الباحثين في مؤسسة "فستفول" لخدمات المستشفيات (Vestfold Hospital Trust) في النرويج لحل هذه المشكلة تحديداً عبر بناء نظام تعلم آلي قادر على التنبؤ بوصول المرضى ساعة بساعة. فقد جمعوا بيانات لمدة عام كامل، تتبعت أكثر من 35,000 زيارة للمرضى، ودمجوا ذلك مع معلومات فورية حول الطقس، ومعدلات العدوى المحلية، والعطلات الرسمية. ثم قاموا بتدريب خمسة أنواع مختلفة من نماذج الكمبيوتر لتعلم الأنماط المخفية في هذه البيانات. لم يكن الهدف مجرد معرفة ما إذا كان بإمكان الكمبيوتر التنبؤ بالمستقبل بشكل أفضل من مجرد البحث في التقويم، بل لفهم المدى الذي يمكن أن يظل فيه هذا التنبؤ دقيقاً. وقارن الباحثون نماذجهم الجديدة بالمنظومة الحالية للمستشفى، والتي تكتفي ببساطة بالبحث عن وسيط عدد الوافدين ليوم ووقت محددين.
أظهرت النتائج أنه بالنسبة للمستقبل القريب، كانت نماذج الكمبيوتر أكثر دقة بكثير من الطريقة التقليدية. فعند التنبؤ بساعة واحدة فقط للأمام، قلل أفضل نموذج للتعلم الآلي متوسط الخطأ بنحو مريض كامل تقريباً في الساعة مقارنة بالنهج المعياري للمستشفى. قد يبدو هذا رقماً صغيراً، ولكن في غرفة طوارئ مزدحمة، فإن معرفة ما إذا كنت تتوقع أربعة مرضى أم ستة يمكن أن يحدد ما إذا كان سيتم استدعاء الطبيب مبكراً أو تركه في حالة انتظار. وقد حققت نماذج الكمبيوتر ذلك من خلال ملاحظة إشارات دقيقة لا يستطيع التقويم رؤيتها، مثل كيفية تغير معدل الوصول في الوقت الحالي أو كيف يمكن للطقس الحالي أن يؤثر على قرارات الناس في طلب الرعاية.
ومع ذلك، كشفت الدراسة عن خلل مفاجئ وحاسم في كيفية عمل بعض هذه النماذج الحاسوبية المتقدمة عندما يُطلب منها النظر إلى مستقبل أبعد. فعندما طلب الباحثون من النماذج التنبؤ باثنتي عشرة أو أربع وعشرين ساعة للأمام، فشلت أنظمة التعلم العميق الأكثر تطوراً فجأة. أصبحت تنبؤاتها غير دقيقة للغاية لدرجة أنها كانت أسوأ من مجرد التخمين بناءً على المتوسط. واكتشف الباحثون السبب: وهي مشكلة هيكلية أطلقوا عليها اسم "مشكلة الميزة المجمدة" (frozen-feature problem). فقد صُممت هذه النماذج للنظر في نافذة من الماضي للتنبؤ بالخطوة التالية، ثم استخدام ذلك التنبؤ لتخمين الخطوة التي تليها. وبذلك، أبقت هذه النماذج معلومات "الوقت من اليوم" ثابتة عند نقطة البداية للنافذة. ولأن الوقت من اليوم هو العامل الأكثر أهمية في التنبؤ بوصول المرضى، فقد "نسي" النموذج فعلياً مرور الوقت؛ حيث استمر في التنبؤ بالمستقبل كما لو أنه لا يزال في نفس الساعة التي بدأ بها، مما أدى إلى انهيار كامل في الدقة مع امتداد أفق التنبؤ.
ولإصلاح ذلك، طور الفريق نهجاً مختلفاً لا يحاول التنبؤ ساعة واحدة في كل مرة وإعادة تغذية النتيجة في النظام. بدلاً من ذلك، بنوا نموذجاً يحسب جميع الساعات الأربع والعشرين القادمة في خطوة واحدة متزامنة. هذا الأسلوب، الذي أطلقوا عليه اسم نموذج (Direct LSTM)، تجنب فخ نسيان مرور الوقت. ورغم أنه كان أقل دقة بقليل بالنسبة للساعة الأولى مقارنة بالنماذج الأخرى، إلا أنه ظل موثوقاً طوال يوم كامل. وعند علامة الاثنتي عشرة ساعة، حيث انهارت النماذج المتقدمة الأخرى وتحولت إلى عدم فائدة، ظل هذا النهج الجديد يقدم تنبؤاً ذا معنى. وعند علامة الأربع والعشرين ساعة، كان هو النموذج الوحيد الذي يمكنه تقديم توقع مفيد، متفوقاً على كل من النظام التقليدي للمستشفى ومحاولات التعلم الآلي الأخرى.
تخلص الدراسة إلى أنه لا يوجد نموذج واحد "أفضل" لكل موقف. فبالنسبة للقرارات الفورية، مثل توظيف العمالة للساعة القادمة، تعمل نماذج التعلم العميق التقليدية بشكل أفضل. ولكن بالنسبة للتخطيط طويل الأمد، مثل التحضير لليوم التالي، يعد النهج المباشر الجديد ضرورياً. وقد حول الباحثون هذا الحل بالفعل إلى أداة نموذجية يمكن للمستشفى استخدامها مباشرة، حيث تغذيها بالبيانات الحالية لإنشاء توقع كامل لمدة أربع وعشرين ساعة يتناسب بسلاسة مع لوحة التحكم الحالية للتخطيط لديهم. يوضح هذا العمل أنه بينما يمكن للذكاء الاصطناعي تحسين عمليات المستشفيات بشكل كبير، فإن الطريقة التي تُبنى بها هذه التكنولوجيا لا تقل أهمية عن البيانات التي تتعلم منها. ومن خلال تحديد وإصلاح ضعف هيكلي محدد في كيفية تعامل هذه النماذج مع الوقت، قدم الباحثون مساراً عملياً للمستشفيات في كل مكان لإدارة أثمن مورد لديها: الوقت.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.