Machine Learning Approaches for Hourly Emergency Department Patient Arrival Forecasting: A Multi-Horizon Comparison with Operational Benchmarking at a Norwegian Hospital
Deze studie toont aan dat machine learning-modellen, in het bijzonder een Direct LSTM+Optuna-architectuur die het "frozen-feature"-probleem vermijdt dat inherent is aan recursieve autoregressieve benaderingen, de operationele kalendergebaseerde baseline van Noorwegen voor het voorspellen van de aankomst van patiënten op de spoedeisende hulp per uur aanzienlijk overtreft over zowel korte als uitgebreide planningshorizonten.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Ziekenhuizen zijn plaatsen van constante beweging, waar de stroom van mensen net zo cruciaal moet worden beheerd als de stroom van bloed of elektriciteit. In een spoedeisende hulpafdeling wordt het verschil tussen een soepele dienst en een chaotische crisis vaak bepaald door timing. Als een ziekenhuis precies weet hoeveel patiënten er in het volgende uur zullen arriveren, kan het het juiste aantal bedden openen, het juiste aantal verpleegkundigen inplannen en diagnostische apparatuur voorbereiden voordat de eerste persoon door de deur stapt. Decennialang hebben ziekenhuisbeheerders vertrouwd op eenvoudige historische gemiddelden om deze beslissingen te nemen, waarbij ze keken naar wat er op een dinsdag om 14:00 uur gebeurde in de afgelopen maanden en ervan uitgingen dat vandaag hetzelfde zou zijn. Deze methode werkt goed genoeg voor brede patronen, maar is blind voor de directe realiteit: een plotselinge storm, een piek in het aantal griepgevallen of een onverwachte toestroom van gewonden kan een historisch gemiddelde nutteloos maken. De uitdaging voor de moderne geneeskunde is om te bewegen van gissen op basis van het verleden naar het voorspellen van de toekomst met behulp van computers die kunnen leren van complexe, veranderende gegevens.
Een team van onderzoekers van het Vestfold Hospital Trust in Noorwegen zette zich tegen dit specifieke probleem af door een machine learning-systeem te bouwen dat in staat is om de aankomst van patiënten per uur te voorspellen. Ze verzamelden een jaar aan gegevens, waarbij meer dan 35.000 patiëntenbezoeken werden bijgehouden, en combineerden dit met realtime informatie over het weer, lokale infectiecijfers en feestdagen. Vervolgens trainden ze vijf verschillende soorten computermodellen om de patronen te leren die in deze gegevens verborgen zitten. Het doel was niet alleen om te zien of een computer de toekomst beter kon voorspellen dan een eenvoudige kalenderopzoeking, maar ook om te begrijpen hoe ver in de toekomst die voorspelling accuraat kon blijven. De onderzoekers vergeleken hun nieuwe modellen met het huidige systeem van het ziekenhuis, dat simpelweg het mediaan aantal aankomsten voor een specifieke dag en tijd opzoekt.
De resultaten toonden aan dat de computermodellen voor de directe toekomst aanzienlijk nauwkeuriger waren dan de traditionele methode. Bij het voorspellen van slechts één uur vooruit, verminderde het beste machine learning-model de gemiddelde fout met bijna een volledige patiënt per uur vergeleken met de standaardmethode van het ziekenhuis. Dit mag misschien als een klein getal klinken, maar in een drukke spoedeisende hulp kan weten of je vier of zes patiënten kunt verwachten, bepalen of een arts vroegtijdig wordt opgeroepen of moet wachten. De computermodellen bereikten dit door subtiele signalen op te merken die een kalender niet kan zien, zoals hoe de aankomstfrequentie op dit moment verandert of hoe het huidige weer de beslissingen van mensen om zorg te zoeken kan beïnvloeden.
De studie bracht echter een verrassende en kritieke fout aan het licht in de werking van sommige van deze geavanceerde computermodellen wanneer ze gevraagd wordt om verder in de toekomst te kijken. Wanneer de onderzoekers de modellen vroegen om twaalf of vierentwintig uur vooruit te voorspellen, faalden de meest geavanceerde deep learning-systemen plotseling. Hun voorspellingen werden zo onnauwkeurig dat ze slechter waren dan simpelweg het gemiddelde raden. De onderzoekers ontdekten de oorzaak: een structureel probleem dat zij het "frozen-feature problem" noemden. Deze modellen waren ontworpen om naar een venster uit het verleden te kijken om de volgende stap te voorspellen, en vervolgens die voorspelling te gebruiken om de stap daarna te raden. Hierbij hielden ze de informatie over het tijdstip van de dag vast op het startpunt van het venster. Omdat het tijdstip van de dag de belangrijkste factor is bij het voorspellen van patiëntenaankomsten, vergat het model effectief dat de tijd verstreek. Het bleef de toekomst voorspellen alsof het nog steeds hetzelfde uur was als waar het mee begon, wat leidde tot een volledige instorting van de nauwkeurigheid naarmate de voorspellingshorizon zich uitstrekte.
Om dit op te lossen, ontwikkelde het team een andere aanpak die niet probeert om één uur per keer te voorspellen en het resultaat terug in het systeem te voeren. In plaats daarvan bouwden ze een model dat alle vierentwintig uur in de toekomst in één enkele, gelijktijdige stap berekent. Deze methode, die ze het Direct LSTM-model noemden, voorkwam de valkuil van het vergeten van het verstrijken van de tijd. Hoewel het iets minder precies was voor het allereerste uur vergeleken met de andere modellen, bleef het betrouwbaar tot een volle dag vooruit. Op het twaalfuurpunt, waar de andere geavanceerde modellen waren ingestort in nutteloosheid, bood deze nieuwe aanpak nog steeds een zinvolle voorspelling. Op het punt van vierentwintig uur was het het enige model dat een bruikbare voorspelling kon bieden, waarbij het zowel het traditionele ziekenhuissysteem als de andere machine learning-pogingen overtrof.
De studie concludeert dat er niet één "beste" model is voor elke situatie. Voor onmiddellijke beslissingen, zoals de personeelsbezetting voor het komende uur, werken de traditionele deep learning-modellen het best. Maar voor langere planning, zoals de voorbereiding op de volgende dag, is de nieuwe directe aanpak essentieel. De onderzoekers hebben deze oplossing al omgezet in een prototype-tool die het ziekenhuis direct kan gebruiken, waarbij actuele gegevens worden ingevoerd om een volledige voorspelling van vierentwintig uur te genereren die naadloos in hun bestaande planningsoverzicht past. Dit werk demonstreert dat hoewel kunstmatige intelligentie de ziekenhuisoperaties drastisch kan verbeteren, de manier waarop de technologie wordt gebouwd even belangrijk is als de gegevens waar het van leert. Door een specifieke structurele zwakte in hoe deze modellen met tijd omgaan te identificeren en te verhelpen, hebben de onderzoekers een praktisch pad geboden voor ziekenhuizen overal om hun meest kostbare hulpbron te beheren: tijd.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.