[論文レビュー] Probabilistic Forecasting of Patient Waiting Times in an Emergency Department

Siddharth Arora, James W. Taylor+1 more|arXiv (Cornell University)|Jan 1, 2020

Healthcare Operations and Scheduling Optimization参考文献 30被引用数 3

ひとこと要約

本稿では、豊富なリアルタイムデータを用いて、救急科における患者の待機時間を個別化・確率論的に予測するための分位回帰フォレスト（QRF）モデルを提案する。この手法は、患者の重症度、救急科の混雑状況、暦的要因といった動的予測子を組み込むことで、従来の点予測やベンチマークを上回り、予測精度を著しく向上させ、患者のルーティングや運用計画の改善を可能にする。

ABSTRACT

We study the estimation of the probability distribution of individual patient waiting times in an emergency department (ED). Our feature-rich modelling allows for dynamic updating and refinement of waiting time estimates as patient- and ED-specific information (e.g., patient condition, ED congestion levels) is revealed during the waiting process. Aspects relating to communicating forecast uncertainty to patients, and implementing this methodology in practice, are also discussed.

研究の動機と目的

• 救急科における患者の待機時間を動的かつ個別化された確率論的予測モデルを開発すること。
• 従来の点予測の限界を克服し、待機時間の条件付き分布全体を提供すること。
• 確率的推定に基づく情報に基づいた救急科選択を可能にすることで、患者の意思決定を支援すること。
• 保健管理者が人員配置、リソース配分、患者フロー管理を最適化できるように支援すること。
• 実世界のベンチマークおよび文献に登場する既存手法と比較して、モデルの性能を評価すること。

提案手法

• 本研究では、待機時間の条件付き分位点を推定するために、機械学習アンサンブル手法である分位回帰フォレスト（QRF）を採用する。
• 予測子変数には、暦的要因、患者の人口統計学的特徴、スタッフ数、救急科の負荷（患者数）、患者の重症度（疾患の重症度）が含まれる。
• QRFフレームワーク内の回帰木から得られる変数重要度ランク付けを用いて、特徴量の重要度を評価する。
• モデルは、英国の2か所の救急科で得られた5年間の詳細な患者レベルデータを用いて学習される。
• 確率的予測は動的に生成され、患者状態や救急科の混雑状況に関する新しい情報が得られるたびに更新される。
• モデルの評価には、2か所の独立した病院サイトで、分布的、分位点的、点予測の精度を網羅的に評価する指標が用いられる。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、既存の点予測やベンチマークを上回る、より正確な確率的待機時間予測を生成できるか？
• RQ2 患者関連および救急科固有の要因の中で、待機時間分布を最もよく予測できる要因は何か？
• RQ3 予測の動的更新が、患者の意思決定および救急科の負荷バランスに与える影響は何か？
• RQ4 確率的予測によって、患者の放棄をどれほど低減でき、運用効率をどれほど向上できるか？
• RQ5 本モデルは、類似したキューイングダイナミクスを示す他の医療現場やサービスシステムへ一般化可能か？

主な発見

• QRFモデルは、分布的、分位点的、点予測の精度において、実世界のベンチマークおよび文献に登場する手法（Q-Lasso、分位回帰）を著しく上回った。
• 患者数に起因する救急科の負荷と暦的要因が、待機時間の予測において最も重要な予測子であると特定された。
• 病院1では平均待機時間が93.1分（σ = 43.9）であったのに対し、病院2では22.8分（σ = 10.6）であり、混雑度に応じて著しい変動が見られた。
• 合計移動時間と待機時間の95%分位点を基準として使用した場合、128名の患者が病院2を選択し、その結果、平均待機時間が32.1分（σ = 13.2）に短縮された。
• モデルが提供する確率的予測により、リスク回避的なルーティング意思決定が可能となり、救急科間での患者負荷がより均等に分配された。
• 結果として、QRFの優位性は、高負荷および低負荷の両方の救急科で一貫して確認され、他の救急科への一般化可能性を裏付けた。