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, Khalid Y. Aram, James Booth, Brittany F. Lindsey, Abdulaziz Ahmed

개요

본 연구는 응급실 대기 환자 수를 6시간 전에 예측하는 심층 학습 모델을 개발하여 선제적인 운영 의사결정을 지원하고자 하였다. 응급실 추적 시스템, 입원 환자 기록, 기상 보고서, 공휴일 달력, 지역 행사 일정 등 5가지 출처의 비임상적, 운영적, 상황적 특징만을 사용하였다. 시간 단위로 데이터를 집계하고 정제하여 통합 데이터셋을 생성하고, ResNetPlus, TSTPlus, TSiTPlus, N-BEATSx 등 여러 시간 순차 심층 학습 모델을 Optuna 및 그리드 서치를 이용하여 훈련시켰다. 평균 응급실 대기 환자 수는 28.7명(표준편차 11.2)이었으며, N-BEATSx 모델이 평균 절대 오차 2.10, 평균 제곱 오차 7.08, 제곱근 평균 제곱 오차 2.66, 결정 계수 0.95를 달성하여 가장 우수한 성능을 보였다. 극도로 높은 대기 환자 수에도 안정적인 정확도를 유지했다. 환자 수준의 임상 데이터 없이도 6시간 전 정확한 예측이 가능함을 보여주며, 기본적인 특징 집합으로도 강력한 성능을 보였지만, 추가적인 특징을 포함하면 극단적인 상황에서 예측 안정성이 향상됨을 확인하였다. 이는 병원 시스템이 대기 수준을 예측하고 응급실 과밀을 완화하는 데 도움이 되는 실용적이고 일반화 가능한 접근 방식을 제공한다.

시사점, 한계점

시사점:
비임상 데이터만을 사용하여 응급실 대기 환자 수를 6시간 전에 정확하게 예측하는 심층 학습 모델 개발.
N-BEATSx 모델의 우수한 예측 성능 확인 (낮은 오차, 높은 결정 계수).
극단적인 상황에서도 안정적인 예측 성능 유지.
병원 운영의 효율성 증대 및 응급실 과밀 완화에 기여 가능성 제시.
일반화 가능한 예측 프레임워크 제시.
한계점:
사용된 데이터의 특정 병원 또는 지역적 한계. 다른 병원이나 지역으로의 일반화 가능성에 대한 추가 연구 필요.
추가적인 특징 변수를 포함하면 예측 성능이 더 향상될 수 있음을 시사하지만, 구체적인 추가 변수 및 그 효과에 대한 자세한 분석 부족.
장기적인 예측 정확도에 대한 검증 부족.
모델의 해석 가능성에 대한 추가적인 연구 필요.
👍