[논문 리뷰] Probabilistic Forecasting of Patient Waiting Times in an Emergency Department

Siddharth Arora, James W. Taylor외 1명|arXiv (Cornell University)|2020. 01. 01.

Healthcare Operations and Scheduling Optimization참고 문헌 30인용 수 3

한 줄 요약

이 논문은 긴급실에서 환자의 대기 시간에 대한 개인화되고 확률적인 예측을 제공하기 위해 양적 회귀 숲(QRF) 모델을 제안한다. 이 모델은 실시간으로 제공되는 풍부한 데이터를 활용하며, 기존의 점 예측과 벤치마크에 비해 우수한 성능을 보이며, 환자의 중증도, 긴급실 혼잡도, 캘린더 효과 등의 동적 예측 변수를 포함함으로써 예측 정확도를 크게 향상시키고, 환자 유도 및 운영 계획 수립에 유리한 조건을 제공한다.

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.

연구 동기 및 목표

• 긴급실 내 환자의 대기 시간에 대한 동적이고 개인화된 확률적 예측 모델을 개발하기 위해.
• 기존의 점 예측의 한계를 극복하기 위해 대기 시간의 전체 조건부 분포를 제공하기 위해.
• 확률적 추정을 기반으로 한 정보 기반의 긴급실 선택을 통해 환자의 의사결정을 향상시키기 위해.
• 의료 관리자들이 인력 배치, 자원 할당 및 환자 유량 관리를 최적화하는 데 지원하기 위해.
• 실제 데이터 기반의 벤치마크와 문헌에 기반한 기존 방법과의 성능 비교를 통해 모델 성능을 평가하기 위해.

제안 방법

• 연구는 조건부 분위수를 추정하기 위해 기계학습 앙상블 방법인 양적 회귀 숲(QRF)을 사용한다.
• 예측 변수로는 캘린더 효과, 환자 인구통계학적 특성, 인력 수준, 긴급실 업무량(환자 수), 환자 중증도(질환의 심각도)가 포함된다.
• QRF 프레임워크 내의 회귀 트리에서 유도된 변수 중요도 순위를 활용하여 특성 중요도를 평가한다.
• 모델은 영국의 두 긴급실에서 확보한 5년 간의 세부 환자 수준 데이터를 기반으로 훈련된다.
• 확률적 예측은 동적으로 생성되며, 환자 상태 및 긴급실 혼잡도에 대한 새로운 정보가 제공될 때마다 업데이트된다.
• 모델 평가는 두 개의 독립된 병원 기관에서의 분포 기반, 분위수 기반, 점 예측 정확도를 포함한 종합적인 지표를 사용한다.

실험 결과

연구 질문

• RQ1 기존의 점 예측과 벤치마크에 비해 기계학습 모델이 긴급실 내 대기 시간에 대해 더 정확한 확률적 예측을 생성할 수 있는가?
• RQ2 대기 시간 분포에 대해 가장 예측력 있는 환자 및 긴급실 특성 요소는 무엇인가?
• RQ3 예측의 동적 업데이트가 환자 의사결정 및 긴급실 부하 균형에 어떤 영향을 미치는가?
• RQ4 확률적 예측이 환자 기권률 감소와 운영 효율성 향상에 어느 정도 기여할 수 있는가?
• RQ5 이 모델은 유사한 대기 동역학을 보이는 다른 의료 환경이나 서비스 시스템으로 일반화될 수 있는가?

주요 결과

• QRF 모델은 분포 기반, 분위수 기반, 점 예측 정확도 측면에서 실증적 기준과 문헌 기반 방법(Q-Lasso, 분위수 회귀)에 비해 유의미하게 뛰어난 성능을 보였다.
• 환자 수와 캘린더 효과에 기인한 긴급실 업무량이 대기 시간에 가장 중요한 예측 변수로 규명되었다.
• 병원 1의 평균 대기 시간은 93.1분(σ = 43.9)이었고, 병원 2는 22.8분(σ = 10.6)이었으며, 혼잡도 수준에 따라 상당한 변동성이 있었다.
• 총 이동 및 대기 시간의 95% 분위수를 기준으로 병원 2를 선택한 환자가 128명이었고, 이로 인해 평균 대기 시간은 32.1분(σ = 13.2)으로 감소했다.
• 모델의 확률적 예측은 위험 회피적 경로 선택을 가능하게 하여, 긴급실 간 환자 부하가 더 균일하게 분포하게 했다.
• 결과적으로 QRF는 고·저환자 유입률을 보이는 두 병원 모두에서 뛰어난 성능을 보이며, 다른 긴급실로의 일반화 가능성도 입증하였다.