用于支持主动运营决策的急诊科滞留时间集成预测原型

arXiv cs.LG 论文
emergency-department forecasting time-series deep-learning healthcare mlops boarding-time

摘要

本文介绍了一种多时间尺度时间序列预测框架，使用DLinear和NLinear模型预测急诊科滞留时间，并开发了一个MLOps网页应用原型，以支持主动运营决策。

arXiv:2605.18839v1 Announce Type: new 摘要：急诊科（ED）过度拥挤仍然是全球范围内持续存在的运营挑战，导致医疗护理延迟和下游拥堵。急诊科滞留时间，定义为已收治患者在等待住院床位期间在急诊科停留的时间，是这种拥堵的关键指标。提前预测急诊科滞留时间可以在拥堵升级之前实现主动运营决策。我们开发并评估了一个多时间尺度时间序列预测框架，用于预测6、8、10、12和24小时时间窗口的急诊科滞留时间。利用了来自美国一所大学附属城市医院的真实世界数据，并与外部情境数据源（包括天气、节假日和主要本地事件）进行整合。基于分解的线性（DLinear）和基于归一化的线性（NLinear）时间序列预测深度学习模型在多个时间尺度上表现出优越性能。还在以高滞留时间为特征的极端拥堵场景下评估了模型。此外，开发了一个机器学习运营（MLOps）网页应用原型，通过集成数据摄取、预测可视化、实验和重新训练，支持将预测框架转化为实践。
查看原文

相似文章

评估基础模型在时间序列预测中的运行可行性

arXiv cs.LG

本文对基础模型在时间序列预测中的应用进行了评估，与四种操作领域中的监督学习方法进行了比较，并提出了一种复杂性路由器，用于选择性地将序列分配给最优模型类别，以平衡准确性和推理成本。

算法度量学：算法反馈下的预测

arXiv cs.LG

本文介绍了算法度量学（algometrics），一个在算法反馈下进行时间序列预测的框架，证明了部署风险与历史风险不同，且无法仅从被动数据中识别。它提供了通过干预或随机化行动来估计部署风险的方法。