Machine Learning Approaches for Hourly Emergency Department Patient Arrival Forecasting: A Multi-Horizon Comparison with Operational Benchmarking at a Norwegian Hospital
Diese Studie zeigt, dass Machine-Learning-Modelle, insbesondere eine Direct-LSTM+Optuna-Architektur, die das der rekursiven autoregressiven Ansätze inhärente „Frozen-Feature“-Problem vermeidet, die operative kalenderbasierte Baseline Norwegens zur stündlichen Prognose von Patientenankünften in Notaufnahmen sowohl über kurze als auch über längere Planungshorizonte hinweg signifikant übertrifft.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Krankenhäuser sind Orte ständiger Bewegung, an denen der Fluss von Menschen ebenso kritisch zu managen ist wie der Fluss von Blut oder Elektrizität. In einer Notaufnahme entscheidet oft das Timing darüber, ob eine Schicht reibungslos verläuft oder in einer chaotischen Krise endet. Wenn ein Krankenhaus genau weiß, wie viele Patienten in der nächsten Stunde eintreffen werden, kann es die richtige Anzahl an Betten öffnen, die korrekte Anzahl an Pflegekräften einplanen und diagnostische Geräte vorbereiten, noch bevor die erste Person durch die Tür tritt. Jahrzehntelang haben sich Krankenhausadministratoren verlassen, um diese Entscheidungen zu treffen, auf einfache historische Durchschnittswerte zurückzugreifen – sie schauten darauf, was an einem Dienstag um 14 Uhr in den letzten Monaten passiert ist, und nahmen an, dass heute dasselbe sein würde. Diese Methode funktioniert gut genug für breite Muster, aber sie ist blind für die unmittelbare Realität: ein plötzlicher Sturm, ein Anstieg der Grippefälle oder ein unerwarteter Ansturm von Verletzten können einen historischen Durchschnitt wertlos machen. Die Herausforderung der modernen Medizin besteht darin, vom Raten basierend auf der Vergangenheit zum Vorhersagen der Zukunft mit Hilfe von Computern überzugehen, die aus komplexen, sich ändernden Daten lernen können.
Ein Forscherteam der Vestfold Hospital Trust in Norwegen setzte sich zum Ziel, genau dieses Problem zu lösen, indem sie ein System für maschinelles Lernen entwickelten, das in der Lage ist, den Eintreffen von Patienten Stunde für Stunde vorherzusagen. Sie sammelten Daten eines Jahres, verfolgten über 35.000 Patientenbesuche und kombinierten diese mit Echtzeitinformationen über das Wetter, lokale Infektionsraten und Feiertage. Anschließend trainierten sie fünf verschiedene Arten von Computermodellen, um die in diesen Daten verborgenen Muster zu erlernen. Das Ziel war nicht nur zu sehen, ob ein Computer die Zukunft besser vorhersagen kann als ein einfacher Kalenderabruf, sondern zu verstehen, wie weit in die Zukunft diese Vorhersage genau bleiben konnte. Die Forscher verglichen ihre neuen Modelle mit dem aktuellen System des Krankenhauses, das lediglich die Anzahl der Ankünfte für einen bestimmten Tag und eine bestimmte Uhrzeit ermittelt.
Die Ergebnisse zeigten, dass die Computermodelle für die unmittelbare Zukunft deutlich genauer waren als die traditionelle Methode. Bei einer Vorhersage nur eine Stunde im Voraus reduzierte das beste Modell für maschinelles Lernen den durchschnittlichen Fehler im Vergleich zum Standardansatz des Krankenhauses um fast einen ganzen Patienten pro Stunde. Das mag nach einer kleinen Zahl klingen, aber in einer belebten Notaufnahme kann das Wissen darüber, ob man mit vier oder sechs Patienten rechnen muss, darüber entscheiden, ob ein Arzt frühzeitig gerufen wird oder warten muss. Die Computermodelle erreichten dies, indem sie subtile Signale bemerkten, die ein Kalender nicht sehen kann, wie etwa wie sich die Ankunftsrate gerade jetzt verändert oder wie das aktuelle Wetter die Entscheidungen der Menschen beeinflussen könnte, medizinische Hilfe zu suchen.
Die Studie deckte jedoch einen überraschenden und kritischen Fehler auf, wie einige dieser fortschrittlichen Computermodelle funktionieren, wenn sie gebeten werden, weiter in die Zukunft zu blicken. Als die Forscher die Modelle baten, zwölf oder vierundzwanzig Stunden im Voraus vorherzusagen, versagten die anspruchsvollsten Deep-Learning-Systeme plötzlich. Ihre Vorhersagen wurden so ungenau, dass sie schlechter waren als eine einfache Schätzung des Durchschnitts. Die Forscher fanden die Ursache: ein strukturelles Problem, das sie das „Frozen-Feature-Problem“ (Problem der eingefrorenen Merkmale) nannten. Diese Modelle wurden darauf ausgelegt, ein Zeitfenster der Vergangenheit zu betrachten, um den nächsten Schritt vorherzusagen, und dann diese Vorhersage zu nutzen, um den darauffolgenden Schritt zu erraten. Dabei hielten sie die Tageszeit-Information am Startpunkt des Fensters fest. Da die Tageszeit der wichtigste Faktor bei der Vorhersage von Patientenankünften ist, „vergaß“ das Modell effektiv, dass die Zeit verging. Es sagte die Zukunft immer so voraus, als wäre es noch dieselbe Stunde, mit der es begonnen hatte, was zu einem völligen Zusammenbruch der Genauigkeit führte, sobald sich der Vorhersagehorizont erweiterte.
Um dies zu beheben, entwickelten die Forscher einen anderen Ansatz, der nicht versucht, Stunde für Stunde vorherzusagen und das Ergebnis zurück in das System zu speisen. Stattdessen bauten sie ein Modell, das alle vierundzwanzig Stunden der Zukunft in einem einzigen, simultanen Schritt berechnet. Diese Methode, die sie das „Direct LSTM“-Modell nannten, vermied die Falle, den Lauf der Zeit zu vergessen. Obwohl es für die allererste Stunde etwas weniger präzise war als die anderen Modelle, blieb es über einen vollen Tag hinweg zuverlässig. Am zwölfstündigen Punkt, an dem die anderen fortgeschrittenen Modelle in die Nutzlosigkeit kollabiert waren, lieferte dieser neue Ansatz immer noch eine aussagekräftige Vorhersage. Am Vierundzwanzig-Stunden-Punkt war es das einzige Modell, das eine nützliche Prognose liefern konnte und dabei sowohl das traditionelle Krankenhaus-System als auch die anderen Versuche des maschinellen Lernens übertraf.
Die Studie kommt zu dem Schluss, dass es nicht das eine „beste“ Modell für jede Situation gibt. Für unmittelbare Entscheidungen, wie die Personalplanung für die nächste Stunde, funktionieren die traditionellen Deep-Learning-Modelle am besten. Aber für die langfristige Planung, wie etwa die Vorbereitung auf den nächsten Tag, ist der neue direkte Ansatz essenziell. Die Forscher haben diese Lösung bereits in ein Prototyp-Tool verwandelt, das das Krankenhaus direkt nutzen kann, indem es aktuelle Daten einspeist, um eine vollständige 24-Stunden-Prognose zu generieren, die sich nahtlos in deren bestehendes Planungs-Dashboard einfügt. Diese Arbeit zeigt, dass es bei der Nutzung von Künstlicher Intelligenz zur Verbesserung des Krankenhausbetriebs genauso sehr auf die Art und Weise geht, wie die Technologie gebaut wird, wie auf die Daten, die sie lernt. Durch die Identifizierung und Behebung einer spezifischen strukturellen Schwäche in der Handhabung der Zeit durch diese Modelle haben die Forscher einen praktischen Weg aufgezeigt, wie Krankenhäuser überall ihre kostbarste Ressource managen können: die Zeit.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.