Machine Learning Approaches for Hourly Emergency Department Patient Arrival Forecasting: A Multi-Horizon Comparison with Operational Benchmarking at a Norwegian Hospital
यह अध्ययन प्रदर्शित करता है कि मशीन लर्निंग मॉडल, विशेष रूप से एक डायरेक्ट LSTM+Optuna आर्किटेक्चर जो रिकर्सिव ऑटोरेग्रेसिव दृष्टिकोणों में अंतर्निहित "फ्रोजन-फीचर" (frozen-feature) समस्या से बचता है, अल्प और विस्तारित दोनों नियोजन क्षितिजों में नॉर्वे के परिचालन कैलेंडर-आधारित बेसलाइन की तुलना में प्रति घंटा आपातकालीन विभाग रोगी आगमन पूर्वानुमान के लिए काफी बेहतर प्रदर्शन करते हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
अस्पताल निरंतर गति वाले स्थान हैं, जहाँ लोगों का प्रवाह रक्त या बिजली के प्रवाह के प्रबंधन जितना ही महत्वपूर्ण होता है। एक आपातकालीन विभाग (इमरजेंसी डिपार्टमेंट) में, एक सुचारू शिफ्ट और एक अराजक संकट के बीच का अंतर अक्सर समय (टाइमिंग) पर निर्भर करता है। यदि किसी अस्पताल को पता हो कि अगले एक घंटे में कितने मरीज आएंगे, तो वह सही संख्या में बेड खोल सकता है, नर्सों की सही संख्या निर्धारित कर सकता है, और पहले व्यक्ति के दरवाजे पर पहुँचने से पहले नैदानिक उपकरणों को तैयार कर सकता है। दशकों से, अस्पताल प्रशासक इन निर्णयों को लेने के लिए सरल ऐतिहासिक औसत (ऐवरेज) पर भरोसा करते आए हैं, यह देखते हुए कि पिछले कुछ महीनों में एक मंगलवार को दोपहर 2 बजे क्या हुआ था और यह मान लेते हैं कि आज भी वैसा ही होगा। यह पद्धति व्यापक पैटर्न के लिए तो ठीक काम करती है, लेकिन यह तात्कालिक वास्तविकता के प्रति अंधा है: एक अचानक आया तूफान, फ्लू के मामलों में उछाल, या चोटों की अप्रत्याशित भीड़, ऐतिहासिक औसत को बेकार बना सकती है। आधुनिक चिकित्सा के लिए चुनौती यह है कि वे जटिल, बदलते डेटा से सीखने वाले कंप्यूटरों की मदद से अतीत के अनुमान लगाने के बजाय भविष्य की भविष्यवाणी करने की ओर बढ़ें।
नॉर्वे के वेस्टफोल्ड हॉस्पिटल ट्रस्ट के शोधकर्ताओं की एक टीम ने एक ऐसा मशीन लर्निंग सिस्टम बनाने के लिए इस विशिष्ट समस्या को हल करने का प्रयास किया जो घंटे-दर-घारे मरीजों के आगमन का पूर्वानुमान लगा सके। उन्होंने एक साल का डेटा एकत्र किया, जिसमें 35,000 से अधिक मरीज दौरों को ट्रैक किया गया, और इसे मौसम, स्थानीय संक्रमण दर और सार्वजनिक छुट्टियों की वास्तविक समय की जानकारी के साथ जोड़ा। फिर उन्होंने इस डेटा में छिपे पैटर्न को सीखने के लिए पांच अलग-अलग प्रकार के कंप्यूटर मॉडल प्रशिक्षित किए। लक्ष्य केवल यह देखना नहीं था कि क्या एक कंप्यूटर साधारण कैलेंडर लुकअप की तुलना में भविष्य को बेहतर तरीकेकर बता सकता है, बल्कि यह समझना था कि वह भविष्यवाणी कितनी दूर तक सटीक रह सकती है। शोधकर्ताओं ने अपने नए मॉडलों की तुलना अस्पताल के वर्तमान सिस्टम से की, जो केवल एक विशिष्ट दिन और समय के लिए आगमन की मध्य संख्या (मीडियन) को देखता है।
परिणामों से पता चला कि निकट भविष्य के लिए, कंप्यूटर मॉडल पारंपरिक पद्धति की तुलना में काफी अधिक सटीक थे। केवल एक घंटे आगे की भविष्यवाणी करते समय, सबसे अच्छे मशीन लर्निंग मॉडल ने अस्पताल के मानक दृष्टिकोण की तुलना में प्रति घंटा औसत त्रुटि को लगभग एक पूर्ण मरीज कम कर दिया। यह एक छोटी संख्या लग सकती है, लेकिन एक व्यस्त आपातकालीन कक्ष में, यह जानना कि चार मरीजों या छह की उम्मीद करनी है, यह तय कर सकता है कि डॉक्टर को जल्दी बुलाया जाए या उसे प्रतीक्षा करने दिया जाए। कंप्यूटर मॉडल यह हासिल करने में सफल रहे क्योंकि उन्होंने उन सूक्ष्म संकेतों को पहचाना जिन्हें एक कैलेंडर नहीं देख सकता, जैसे कि आगमन दर अभी कैसे बदल रही है या वर्तमान मौसम लोगों के देखभाल खोजने के निर्णयों को कैसे प्रभावित कर सकता है।।
हालाँकि, अध्ययन में एक आश्चर्यजनक और महत्वपूर्ण दोष भी सामने आया कि कैसे इनमें से कुछ उन्नत कंप्यूटर मॉडल भविष्य में और आगे देखने के लिए पूछे जाने पर काम करते हैं। जब शोधकर्ताओं ने मॉडलों से बारह या चौबीस घंटे आगे की भविष्यवाणी करने को कहा, तो सबसे परिष्कृत डीप लर्निंग सिस्टम अचानक विफल हो गए। उनकी भविष्यवाणियां इतनी गलत हो गईं कि वे केवल औसत का अनुमान लगाने से भी बदतर थीं। शोधकर्ताओं ने इसका कारण खोज निकाला: एक संरचनात्मक समस्या जिसे उन्होंने "फ्रोजन-फीचर समस्या" (frozen-feature problem) कहा। ये मॉडल अतीत के एक विंडो (खिड़की) को देखने और फिर अगले कदम की भविष्यवाणी करने, और फिर उस भविष्यवाणी का उपयोग अगले कदम का अनुमान लगाने के लिए डिज़ाइन किए गए थे। ऐसा करते हुए, उन्होंने दिन के समय की जानकारी को शुरुआती विंडो के बिंदु पर स्थिर रखा। चूंकि दिन का समय मरीजों के आगमन की भविष्यवाणी करने वाला सबसे महत्वपूर्ण कारक है, इसलिए मॉडल प्रभावी रूप से यह भूल गया कि समय बीत रहा है। इसने भविष्य की भविष्यवाणी इस तरह की जैसे कि वह अभी भी उसी घंटे में हो जहाँ से उसने शुरुआत की थी, जिससे पूर्वानुमान की अवधि बढ़ने के साथ सटीकता पूरी तरह से टूट गई।
इसे ठीक करने के लिए, टीम ने एक अलग दृष्टिकोण विकसित किया जो एक समय में एक घंटे की भविष्यवाणी करने और परिणाम को वापस सिस्टम में फीड करने का प्रयास नहीं करता है। इसके बजाय, उन्होंने एक ऐसा मॉडल बनाया जो भविष्य के पूरे चौबीस घंटों की गणना एक ही, साथ-साथ चरण में करता है। इस पद्धति को, जिसका नाम उन्होंने 'डायरेक्ट एलएसटीएम' (Direct LSTM) मॉडल रखा, ने समय के बीतने को भूलने के जाल से बचने में मदद की। हालांकि यह अन्य मॉडलों की तुलना में पहले घंटे के लिए थोड़ा कम सटीक था, लेकिन यह पूरे एक दिन तक विश्वसनीय बना रहा। बारह घंटे के निशान पर, जहाँ अन्य उन्नत मॉडल बेकार हो गए थे, यह नया दृष्टिकोण एक सार्थक भविष्यवाणी प्रदान करता रहा। चौबीस घंटे के निशान पर, यह एकमात्र मॉडल था जो एक उपयोगी पूर्वानुमान दे सका, जिसने पारंपरिक अस्पताल प्रणाली और अन्य मशीन लर्निंग प्रयासों दोनों को पीछे छोड़ दिया।
अध्ययन निष्कर्ष निकालता है कि हर स्थिति के लिए कोई एक "सर्वश्रेष्ठ" मॉडल नहीं होता है। तत्काल निर्णयों के लिए, जैसे कि अगले घंटे के लिए स्टाफिंग, पारंपरिक डीप लर्निंग मॉडल सबसे अच्छा काम करते हैं। लेकिन लंबी योजना के लिए, जैसे कि अगले दिन की तैयारी करना, नया प्रत्यक्ष दृष्टिकोण आवश्यक है। शोधकर्ताओं ने पहले ही इस समाधान को एक प्रोटोटाइप टूल में बदल दिया है जिसे अस्पताल सीधे उपयोग कर सकता है, जो वर्तमान डेटा को फीड करके एक पूर्ण चौबीस घंटे का पूर्वानुमान उत्पन्न करता है जो उनके मौजूदा प्लानिंग डैशबोर्ड में सहजता से फिट बैठता है। यह कार्य प्रदर्शित करता है कि जबकि आर्टिफिशियल इंटेलिजेंस अस्पतालों के संचालन में नाटकीय रूप से सुधार कर सकता है, यह भी मायने रखता है कि तकनीक को कैसे बनाया जाता है। यह पहचानकर और ठीक करके कि कैसे ये मॉडल समय को संभालते हैं, शोधकर्ताओं ने अस्पतालों के लिए अपने सबसे कीमती संसाधन: समय को प्रबंधित करने के लिए एक व्यावहारिक मार्ग प्रदान किया है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।