基于AI模型的德黑兰医科大学医院急诊科拥挤度预测研究:特征选择与时间序列集成方法
《Scientific Reports》:AI-powered models for overcrowding prediction at TUMS hospitals
【字体:
大
中
小
】
时间:2025年12月14日
来源:Scientific Reports 3.9
编辑推荐:
本研究针对急诊科(ED)拥挤导致的医疗资源分配不均、等待时间延长及死亡率上升等问题,开发了一种结合时间序列特征选择(mRMR+弹性网络)与贝叶斯优化的集成学习框架。通过分析TUMS旗下5家医院的121维特征数据,研究发现SVM和LSTM模型在多数急诊科表现稳定,其中儿童医院(ED A)的预测性能最优(ROC-AUC≈0.95-0.98)。该模型为医院管理者提供了可靠的拥挤预警工具,对优化资源配置具有重要实践意义。
在医疗资源日益紧张的今天,急诊科拥挤已成为全球医疗系统面临的严峻挑战。当急诊室达到饱和容量时,患者等待时间延长、医疗差错增加、死亡率上升等一系列负面事件接踵而至,同时给医院带来沉重的财务负担。德黑兰医科大学(TUMS)的医院在伊朗医疗体系中承担着重要角色,但其急诊科同样面临需求激增的压力。据统计,部分地区急诊需求的增长率甚至超过了人口增长率,而医护人员短缺和设施有限进一步加剧了这一问题。
为解决这一难题,Mohammad Javad Shaibani等研究人员首次利用TUMS医院积累的近两年急诊科时间序列数据,开发了一套人工智能驱动的拥挤预测系统。这项发表于《Scientific Reports》的研究,通过创新性地结合时间序列特征选择和集成学习技术,为医院管理者提供了前瞻性的决策支持工具。
研究人员首先构建了包含121个潜在特征的数据库,涵盖空气质量指标(AQI、PM2.5等)、气象数据、流感流行率、滚动统计量、傅里叶季节项以及日历变量等多维度信息。为从这些特征中筛选出最具预测力的指标,研究团队设计了一种新颖的两阶段特征选择方法:首先使用时序交叉验证增长窗口(TSCVG)下的最小冗余最大相关性(mRMR)算法进行初步筛选,再通过弹性网络(Elastic Net)进一步优化特征集。
在模型构建阶段,研究人员比较了线性回归、弹性网络、神经网络、长短期记忆网络(LSTM)、支持向量机(SVM)、随机森林、最小二乘提升(LSBoost)和卷积神经网络(CNN)等八种基础学习器,并采用贝叶斯优化对超参数进行调优。为提升预测稳定性,研究还引入了三种集成方法:加权平均(WAVG)、分位数平均(QAVG)和方差惩罚贝叶斯模型平均(VP-BMA)。
关键技术方法包括:基于互信息的时间序列mRMR特征选择、弹性网络正则化、贝叶斯超参数优化、时间序列交叉验证增长窗口(TSCVG)策略、以及移动区块自助法(MBB)不确定性评估。研究数据来源于TUMS旗下5家医院(ED A至ED E)2023年3月以来的急诊科就诊记录,结合德黑兰空气质量公司、Visual Crossing气象数据库和Our World in Data的流感监测数据。
通过两阶段特征选择,各急诊科的特征数量从121个大幅减少(ED A:16个,ED E:18个)。分析发现,日历二元变量(如节假日标志)和目标变量的滞后值(如前7天就诊量)在所有急诊科中均被频繁选中。ED A和ED E主要依赖短期自相关特征(滞后1、7天),而ED B则需要更复杂的特征组合来捕捉其异质性的时间模式。
在测试集上,不同急诊科表现出显著差异的预测能力。ED A的SVM模型表现最佳(RMSE=28.733,MAPE=9.990%),而ED E的预测误差较大(MAPE=46.575%)。VP-BMA权重分析显示,SVM在ED A和ED B中占主导地位,LSTM在ED C、D和E中表现更优。值得注意的是,弹性网络特征集(ELN-FS)在使用更少特征的情况下,达到了与mRMR特征集相当的预测精度,体现了特征精简的价值。
采用负二项分布(NB)和操作阈值(OT)定义拥挤标准后,模型在不同百分位数阈值下(50%至95%)表现出不同的分类能力。ED A在所有阈值下均保持稳定的高性能(ROC-AUC≈0.95-0.98),而ED B和ED D由于测试集分布偏移和正例稀疏性,出现了单类别问题。ED C和ED E在中等阈值(60%-75%)下表现出可接受的判别能力。
决策曲线分析(DCA)显示,在成本比(CR)为1-5的范围内,ED A模型在大多数阈值下都能提供正净收益。ED C在中等阈值下具有操作实用性,而ED B和ED D由于类别不平衡问题,净收益波动较大。这表明模型在实际部署时需要根据各急诊科特点进行阈值定制。
本研究首次在伊朗医疗环境下系统评估了AI模型在急诊科拥挤预测中的应用价值。通过将非线性特征筛选(mRMR)与线性稀疏建模(弹性网络)相结合,既保留了特征的可解释性,又确保了模型精度。贝叶斯优化和VP-BMA集成策略为模型比较提供了公平框架,避免了传统仅依赖性能指标选择的局限性。
研究发现,不同急诊科需要定制化的预测策略:ED A(儿童医院)的稳定模式适合部署SVM模型;ED B和ED D的稀疏事件需要采用Top-K回退机制;而ED C和ED E则可针对中等拥挤阈值进行优化。跨急诊科泛化实验表明,源域和目标域之间的时间动态相似性是模型迁移成功的关键因素。
尽管存在数据稀疏性和分布偏移等限制,该研究为医院管理者提供了实用的决策支持工具。未来可通过扩大医院覆盖范围、引入罕见事件建模和持续校准来进一步提升模型适用性。这项研究不仅推动了急诊管理领域的算法创新,也为资源有限环境下的智能医疗决策提供了重要实践参考。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号