Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Deep Learning-Based Forecasting of Boarding Patient Counts to Address ED Overcrowding

Created by
  • Haebom

저자

Orhun Vural, Bunyamin Ozaydin, James Booth, Brittany F. Lindsey, Abdulaziz Ahmed

개요

본 연구는 환자 개인 정보 없이 운영 및 상황 데이터만을 사용하여 응급실 대기 환자 수를 6시간 전에 예측하는 심층 학습 기반 프레임워크를 제시합니다. 응급실 추적 시스템, 입원 환자 수, 날씨, 공휴일, 지역 행사 등의 데이터를 시간 단위로 집계하고, 포괄적인 특징 공학을 통해 처리했습니다. 평균 응급실 대기 환자 수는 28.7명(표준편차 = 11.2)이었습니다. ResNetPlus, TSTPlus, TSiTPlus를 포함한 여러 심층 학습 모델을 Optuna를 사용하여 훈련 및 최적화했으며, TSTPlus가 최상의 결과(평균 절대 오차 = 4.30, 평균 제곱 오차 = 29.47, R2 = 0.79)를 달성했습니다. 이 프레임워크는 극단적인 기간을 포함하여 대기 환자 수를 정확하게 예측했으며, 더 넓은 입력 특징이 예측 정확도를 향상시킨다는 것을 보여주었습니다. 이 방법은 사전 예방적 병원 관리를 지원하고 응급실 과밀을 완화하기 위한 실용적인 방법을 제공합니다.

시사점, 한계점

•
시사점:
◦
환자 개인 정보 없이 응급실 대기 환자 수를 정확하게 예측하는 심층 학습 기반 프레임워크 제시.
◦
다양한 데이터 소스(운영 데이터, 상황 데이터)를 활용하여 예측 정확도 향상.
◦
사전 예방적 병원 관리 및 응급실 과밀 완화에 기여.
◦
TSTPlus 모델의 우수한 예측 성능 확인 (MAE=4.30, MSE=29.47, R²=0.79).
•
한계점:
◦
본 연구에서 사용된 데이터의 일반화 가능성에 대한 추가 연구 필요.
◦
다른 유형의 병원이나 응급실 환경에 대한 적용 가능성 검증 필요.
◦
장기적인 예측 정확도 및 예측의 안정성에 대한 추가 연구 필요.
◦
특정 지역 및 시점의 데이터에 기반한 결과이므로, 다른 지역이나 상황에 대한 일반화 가능성은 제한적일 수 있음.
👍
Made with Slashpage