Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Dự đoán nhu cầu cuộc hẹn ngoại chẩn sử dụng các phương pháp máy học và truyền thống
Journal of Medical Systems - 2019
Tóm tắt
Các phương pháp dự đoán truyền thống đã được sử dụng lâu dài để dự đoán nhu cầu lâm sàng. Các phương pháp máy học đại diện cho sự tiến hóa tiếp theo trong dự đoán, nhưng việc lựa chọn mô hình và tối ưu hóa vẫn còn là thách thức để đạt được kết quả tối ưu. Để xác định phương pháp tốt nhất để dự đoán nhu cầu cho các cuộc hẹn ngoại chẩn so sánh giữa máy học và phương pháp truyền thống, nghiên cứu hồi cứu này đã phân tích "các yêu cầu cuộc hẹn" tại một khoa ngoại chẩn lớn trong một trung tâm y tế nổi tiếng. Hai địa điểm riêng biệt (A và B) đã được đánh giá với 20 phương pháp truyền thống, kết hợp (truyền thống + máy học) và máy học để xác định kết quả dự đoán tốt nhất (Sai số tiêu chuẩn dự đoán thấp nhất, FSE). Đặc điểm dữ liệu từ cả hai tập dữ liệu đã được xem xét. Sau đó, 20 mô hình dự đoán đã được đánh giá và so sánh để tìm ra kết quả tốt nhất. Dữ liệu của địa điểm A thể hiện một mẫu chu kỳ và không có xu hướng trong khi dữ liệu của địa điểm B thể hiện mẫu chu kỳ và có xu hướng. Cả hai địa điểm A và B đều cho thấy mô hình XGBoost đã được xử lý đặc trưng (máy học) với FSE ngoài mẫu thấp nhất. Việc phân tích và hiểu rõ mẫu dữ liệu cơ bản là rất quan trọng và sau đó thử nghiệm một loạt các phương pháp dự đoán truyền thống, máy học và kết hợp để đạt được kết quả dự đoán tối ưu. Hơn nữa, việc sử dụng kỹ thuật xử lý đặc trưng hoặc các phương pháp kết hợp có thể gia tăng tính hữu ích của các phương pháp máy học.
Từ khóa
#máy học #dự đoán nhu cầu #cuộc hẹn ngoại chẩn #mô hình XGBoost #tối ưu hóa dự đoán #phương pháp truyền thốngTài liệu tham khảo
DeLurgio, S., Denton, B., Cabanela, R. et al., Forecasting weekly outpatient demands at clinics within a large medical center. Production and Inventory Management Journal 45(2):35–46, 2009.
Brownlee, J., Deep Learning for Time Series Forecasting, 2018. Retrieved from https://machinelearningmastery.com/deep-learning-for-time-series-forecasting/
Jain, A., What I learnt about Time Series Analysis in 3 hour Mini DataHack?, 2016. https://www.analyticsvidhya.com/blog/2016/02/hand-learn-time-series-3-hours-mini-datahack/
How to Compute the Estimated SEs of Forecasted Y and the Forecast Error. www3.wabash.edu/econometrics/econometricsbook/.../HowToFindSEForecast.doc
XGBoost developers. Introduction to Boosted Trees. XGBoost, 2016. https://xgboost.readthedocs.io/en/latest/tutorials/model.html. Accessed 28 December 2018
Abdus-Salaam, H., Davis, L., de Oliveira Mota, D., Modeling dependent demand arrivals within an open-access scheduling system. Paper presented at: Science and Technology for Humanity (TIC-STH), 2009 IEEE Toronto International Conference, 2009.
Abraham, G., Byrnes, G. B., and Bain, C. A., Short-term forecasting of emergency inpatient flow. IEEE transactions on information technology in biomedicine: a publication of the IEEE Engineering in Medicine and Biology Society. 13(3):380–388, 2009.
Afilal, M., Yalaoui, F., Dugardin, F., Amodeo, L., Laplanche, D., and Blua, P., Forecasting the Emergency Department Patients Flow. J Med Syst. 40(7):175, 2016.
Ahmadi-Javid, A., Jalali, Z., and Klassen, K. J., Outpatient appointment systems in healthcare: A review of optimization studies. European Journal of Operational Research. 258(1):3–34, 2017.
Akyuz, A. O., Uysal, M., Bulbul, B. A., Uysal, M. O., Ensemble approach for time series analysis in demand forecasting: Ensemble learning. Paper presented at: 2017 IEEE International Conference on Innovations in Intelligent SysTems and Applications (INISTA), 2017.
Al-Haque, S., Ceyhan, M. E., Chan, S. H., and Nightingale, D. J., Responding to traveling patients' seasonal demand for health care services. Mil Med. 180(1):111–117, 2015.
Bouckaert, N., Van den Heede, K., and Van de Voorde, C., Improving the forecasting of hospital services: A comparison between projections and actual utilization of hospital services. Health Policy. 122(7):728–736, 2018.
Boutsioli, Z., Measuring Unexpected Hospital Demand: The Application of a Univariate Model to Public Hospitals in Greece. Hospital Topics. 87(4):14–21, 2009.
Calegari, R., Fogliatto, F. S., Lucini, F. R., Neyeloff, J., Kuchenbecker, R. S., and Schaan, B. D., Forecasting Daily Volume and Acuity of Patients in the Emergency Department. Computational and Mathematical Methods in Medicine. 2016:3863268, 2016.
Cheng, C. Y., Chiang, K. L., and Chen, M. Y., Intermittent Demand Forecasting in a Tertiary Pediatric Intensive Care Unit. J Med Syst. 40(10):217, 2016.
Claudio, D., Miller, A., and Huggins, A., Time series forecasting in an outpatient cancer clinic using common-day clustering. IIE Transactions on Healthcare Systems Engineering. 4(1):16–26, 2014.
Côté, M. J., Smith, M. A., Eitel, D. R., and Akçali, E., Forecasting Emergency Department Arrivals: A Tutorial for Emergency Department Directors. Hospital Topics. 91(1):9–19, 2013.
Côté, M. J., and Tucker, S. L., Four methodologies to improve healthcare demand forecasting. Healthcare Financial Management. 55(5):54–58, 2001.
Heroman, W. M., Davis, C. B., Farmer Jr, K. L., Demand forecasting and capacity management in primary care. Physician executive. 38(1):30–34, 2012. http://ovidsp.ovid.com/ovidweb.cgi?T=JS&PAGE=reference&D=emed13&NEWS=N&AN=369644991
Hong, W. S., Haimovich, A. D., and Taylor, R. A., Predicting hospital admission at emergency department triage using machine learning. PloS one. 13(7):e0201016, 2018.
Kadri, F., Harrou, F., Chaabane, S., and Tahon, C., Time Series Modelling and Forecasting of Emergency Department Overcrowding. J Med Syst. 38(9):1–20, 2014.
Luo, L., Luo, L., Zhang, X., and He, X., Hospital daily outpatient visits forecasting using a combinatorial model based on ARIMA and SES models. BMC Health Serv Res. 17(1):469, 2017.
Mai, Q., Aboagye, S. P., Sanfilippo, F. M., Preen, D. B., and Fatovich, D. M., Predicting the number of emergency department presentations in Western Australia: A population-based time series analysis. Emergency Medicine Australasia. 27(1):16–21, 2015. https://doi.org/10.1111/1742-6723.12344.
Ouyang, Y., and Yin, H., Multi-Step Time Series Forecasting with an Ensemble of Varied Length Mixture Models. Int J Neural Syst. 28(4):1750053, 2018.
Schweigler, L. M., Desmond, J. S., McCarthy, M. L., Bukowski, K. J., Ionides, E. L., and Younger, J. G., Forecasting models of emergency department crowding. Acad Emerg Med. 16(4):301–308, 2009.
Shan, J., Zhang, H., Liu, W., and Liu, Q., Online Active Learning Ensemble Framework for Drifted Data Streams. IEEE Transactions on Neural Networks and Learning Systems.:1–13, 2018. https://doi.org/10.1109/TNNLS.2018.2844332.
Sun, Y., Heng, B. H., Seow, Y. T., and Seow, E., Forecasting daily attendances at an emergency department to aid resource planning. BMC Emergency Medicine. 9:1, 2009.
Villani, M., Earnest, A., Nanayakkara, N., Smith, K., de Courten, B., and Zoungas, S., Time series modelling to forecast prehospital EMS demand for diabetic emergencies. BMC Health Services Research. 17:1–9, 2017.
Yu, L., Hang, G., Tang, L., Zhao, Y., and Lai, K., Forecasting Patient Visits to Hospitals using a WD&ANN-based Decomposition and Ensemble Model. Eurasia Journal of Mathematics, Science and Technology Education. 13(12):7615–7627, 2017.