[论文解读] 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 3

一句话总结

本文提出了一种分位数回归森林（QRF）模型，利用丰富且实时的患者数据，生成急诊科患者等待时间的个性化、概率性预测。该方法通过整合动态预测变量（如患者病情严重程度、急诊科拥挤程度和日历效应）显著提升了预测准确性，优于传统点预测和基准方法，从而实现更优的患者分流与运营规划。

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.

研究动机与目标

• 开发一种动态的、个性化的急诊科患者等待时间概率预测模型。
• 通过提供等待时间的完整条件分布，弥补现有点预测方法的局限性。
• 通过提供概率估计，支持患者基于信息做出更优的急诊科选择决策。
• 支持医疗管理人员优化人员配置、资源分配与患者流程管理。
• 在独立医院站点上，基于实证基准和文献中的现有方法，评估模型性能。

提出的方法

• 本研究采用分位数回归森林（QRF）——一种机器学习集成方法——来估计等待时间的条件分位数。
• 预测变量包括日历效应、患者人口统计学特征、医护人员数量、急诊科工作量（患者数量）以及患者病情严重程度（病情严重程度）。
• 通过QRF框架内回归树生成的变量重要性排名，评估特征重要性。
• 模型基于英国两家急诊科五年期的详细患者级数据进行训练。
• 概率预测动态生成，随患者病情和急诊科拥挤程度的新信息实时更新。
• 模型评估采用综合指标：在两个独立医院站点上，评估分布预测、分位数预测和点预测的准确性。

实验结果

研究问题

• RQ1 机器学习模型能否生成比现有点预测和基准方法更准确的概率性急诊科等待时间预测？
• RQ2 哪些患者相关和急诊科特定因素对等待时间分布最具预测力？
• RQ3 预测的动态更新如何影响患者决策与急诊科负荷均衡？
• RQ4 概率预测在多大程度上可减少患者放弃就诊行为并提升运营效率？
• RQ5 该模型能否推广至其他具有相似排队动态的医疗环境或服务系统？

主要发现

• QRF模型在分布预测、分位数预测和点预测准确性方面，显著优于实证基准和文献中的方法（Q-Lasso、分位数回归）。
• 急诊科工作量（由患者数量引起）和日历效应被确定为等待时间的最重要预测因子。
• 对于医院1，平均等待时间为93.1分钟（σ = 43.9）；对于医院2，平均等待时间为22.8分钟（σ = 10.6），且在不同拥挤水平下存在显著差异。
• 当以总行程时间与等待时间的95%分位数作为选择标准时，128名患者选择医院2，使其平均等待时间降低至32.1分钟（σ = 13.2）。
• 该模型的概率预测支持风险规避型路径选择决策，使患者在各急诊科之间的负荷分布更加均衡。
• 结果表明，QRF在高流量与低流量急诊科站点中均表现出一致的优越性，支持其在其他急诊科中的可推广性。