文摘

本研究旨在分析性能的四个预测模型在预测方面的医疗需求在急诊部每日访问(ED)处理高复杂度的情况下,测试的影响气候和历法的因素对需求的行为。我们测试了不同数学模型预测艾德在医院日常访问丹尼·德·阿雷格里港(HCPA),这是一个三级护理教学医院位于巴西南部。模型精度评估使用平均绝对百分误差(日军),考虑预测地平线1、7、14、21、30天。时间序列分层根据病人的需求分类使用曼彻斯特分类系统(MTS)的标准。模型测试是简单的季节性指数平滑法(SS)、季节性乘法Holt-Winters (SMHW),季节性自回归综合移动平均(SARIMA)和多元自回归移动平均(MSARIMA)集成。性能的模型根据病人不同分类,这样学生是最好的选择当所有类型的患者共同考虑,和SARIMA是最准确的建模需求很紧急(VU)和紧急(U)患者。MSARIMA模型考虑气候因素没有改善的性能SARIMA模型,独立于病人分类。

1。介绍

急诊室拥挤的结果不匹配现有能力和各种输入,吞吐量和输出因素。在这样的背景下,预测规划可用资源的需求可能提供有用的输入(1]。ED需求预测,表示在日常拜访,已经被不同的时间序列方法用来评估开发预测模型,没有霸权的一个方法(2]。研究几种不同方法相比ED日常访问包括ARIMA预测SARIMA、多元线性回归、时间序列回归,和指数平滑法(2- - - - - -4]。

发表的文献对ED需求评估气候变量的影响(即。ED每日访问)提供了相互矛盾的结果。而一些研究表明气候变量,如积极的意思是白天气温与对教育服务的需求(4,5),其他显示气候变量添加小预测价值模型的日常病人卷(2,6]。温度和日历变量可能提供不同的预测能力,虽然总体上预测模型精度包括这些变量往往是更适合短期地平线(提前7天)比长期(提前30天)2]。几项研究表明,每天对ED的特点是季节性的需求,每周模式(2,4,6,7]。每天病人的数量显示每周季节性分布,特别是在星期一(4,6),虽然出版研究证明小参拜月每天的变化(2,7]。

在这样的背景下,准确地预测教育服务的要求成为一个强大的工具来支持资源规划决策(8,9]。例如,长期需求预测可以用来分析基础设施和人员的扩张计划(6),虽然短期预测可能支持的业务规划每天可用资源(10]。使用预测模型来估计对教育服务的需求可能会提高(提供给病人护理的质量9,11]。ED经理可能,例如,确定本周一天最重的需求并使材料和人力资源达到更好的病人服务水平(12]。预测的准确性越高越好;因此,EDs的因素可能会影响需求应该被视为潜在的预测模型中解释变量(13]。

正如上面报道的,研究表明,需求预测在EDs可能改进模型考虑的因素如天,星期,月和接近假期(11,12),除了气候特征(2,14,15];然而,其他研究显示相反的(4,16]。原因之一,是每个ED分析都有自己的特点。气候变量的影响,例如,依赖于地理位置的ED的数据收集。在任何情况下总是明智的测试潜在的解释变量的影响在开发一个艾德需求预测模型(2]。准确预测根据类别的病人敏锐(这表明医疗保健服务的程度将会要求提供适当的护理病人)也可能为资源规划提供一个有价值的工具。艾德在新加坡举行的一项研究中,上座率低敏度与星期患者显著相关,今年月,公共假期,和环境空气质量14]。

在本文中,我们分析的性能四个预测模型在预测根据病人对医疗的需求分类使用曼彻斯特分类系统(MTS)的ED巴西大学医院。

2。方法

2.1。研究设计和设置

这是一个回顾性研究,使用历史数据在医疗保健上的要求从一个艾德开发和比较预测模型能够预测未来的需求。这项研究是在医院进行丹尼·德·阿雷格里港(HCPA), 842床,三级护理教学公立医院在巴西南部。HCPA伦理委员会批准了这项研究和作者的建议符合《赫尔辛基宣言》。数据提取从医院的管理系统。病人的个人数据被保存了下来。

2.2。选择的参与者

这项研究是在HCPA的ED。一天24小时运行,每周7天,全年。它接收病人的城市阿雷格里港及其都市地区,对应于一个约200万人口。每日数据数量的病人承认艾德由周期从1月1日开始,2013年,直到5月31日,2015年,包括所有病人00:00至放送小时处理。医疗保健是提供给57128人在此期间。

历史气象数据被从西班牙获得de Meteorologia (INMET) [17),负责监控天气全年每天24小时在巴西。我们每天使用天气信息聚合,与因变量的预测模型(即。ED日常需求)。INMET方法符合国际标准定义为世界气象组织。

2.3。研究协议

输入数据的日常和ED患者接受护理。分类的病人寻求医疗援助在MTS ED遵循标准(18]。这个系统组织保健五个层次的优先级。类别是由颜色、案例描述和估计时间服务(ETS);他们是(我)红色:紧急(EM),需要立即援助紧急服务,ETS = 00分钟;(2)橙色:很紧急(VU),需要护理的紧急服务,ETS≤10分钟;(3)黄色:紧急(U),病人临床状况显示,使等待护理的紧急服务,ETS≤60分钟;格林(iv):标准(ST),病人可能是针对门诊等动态协商,ETS≤120分钟;和蓝色(v): nonurgent(ν),病人应该针对门诊等动态协商,ETS≤240分钟。白色的颜色也用来表示病人没有分类和案例的描述或ETS是可用的。

ED的数据库访问分为两个时期,一个用于培训,另一个用于测试。第一个时期,从2013年1月1日,3月2日,2015年,被用来分析数据和测试预测模型(训练集)。第二个时期,从2015年3月3日,5月31日,2015年,用于验证模型和精度检查(postsample预测集)。大约94%的病人在两个时期的ED筛选分类类别VU或美国我们分析系列组成的所有类别的患者,除了个别系列只包含病人类别VU或U。

postsample预测集分为三个测试间隔30天:(i) 03/03/15 04/01/15, (2) 04/02/15 05/01/15, (3) 05/02/15 05/31/15。预测模型精度评估考虑视野,7、14、21日和30天。最初预测模型的精度验证第一间隔30天。然后,第一个测试间隔添加到训练集,考虑到新数据模型调整,第二个测试间隔和准确性验证。相同的过程重复测试第三区间。这里的想法是与最近的需求不断更新训练集值。

2.4。数据分析

考虑到一个给定的预测模型的优越性对他人依赖于数据分析(19,20.),我们选择评估性能的几个模型和寻找解释变量可能会影响对护理的需求。我们的性能评估四个预测模型基于时间序列的分析数据的需求。他们包含(a)简单的季节性指数平滑法(SS), (b)季节性乘法Holt-Winters (SMHW), (c)季节性自回归综合移动平均(SARIMA)和(d)多元自回归移动平均(MSARIMA)集成。MSARIMA模型测试结合气候和历法的影响因素作为独立变量,如表所示1。模型(a) (c)作为输入数据的时间序列过去的需求,而模型(d)测试的好处包括气候和历法的预测精度的因素进行了讨论。所有分析使用PASW 18到一款统计软件统计14。

第一次和第二次测试模型是基于指数平滑系数。这样的模型能够捕捉系统由于季节性时间序列的变化和/或趋势,以及需求的突然变化模式,在ED是常见的数据(4]。最好在这研究中,模型拟合数据简单的季节性指数平滑法(SS),和季节乘法Holt-Winters (SMHW) [4]。SMHW提出了两种变体:添加剂模型形式是首选的季节性变化时不断通过系列,而乘法模型形式是首选的季节性变化时改变成正比系列的水平(7,21,22]。在我们的工作中,乘法形式显示一个更好的适合数据,与较小的相关预测错误。

SARIMA,扩展传统的ARIMA(自回归综合移动平均)模型,占季节性组件,是第三种方法进行了分析。模型捕获需求的行为变量利用时间序列的历史数据,被最广泛应用于医药相关预测(2,15,23]。SARIMA模型所描述的七个参数:,在那里代表的自回归(AR)因素,代表订单所需的分化减少非平稳数据(I),和代表的顺序移动平均(MA)模型。参数,,类似于,,然而,描述的季节性部分模型;最后,代表了季节性滞后(24]。定义模型参数的最佳值可能进行分析自相关函数(ACF)和偏自相关函数(PACF)的阴谋。的模型提供了最适合的培训时间序列历史ED的医疗保健需求当所有的病人被认为,只考虑VU类别病人,和只考虑U类别病人。

SARIMA的延伸,MSARIMA模型,也是测试来预测ED患者。MSARIMA包含独立的变量(解释)SARIMA寻找更好的描述时间序列的需求(14,15]。在我们的研究中ED需求作为因变量和气候和历法的因素作为独立的变量。除了气候变量在桌子上1的影响,我们测试了这些变量在1 - 7天滞后。因此,共有64个气候变量和2历法的变量进行了测试作为独立变量在MSARIMA模型;只有那些显示值≤0.05。

预测模型的精度是衡量比较实际值和预测值在测试期间。为此,我们计算预测平均绝对误差(日军)为每个预测地平线(1、7、14、21、30天)。作为一个与比例无关的测量,日军允许来自不同模型的比较结果应用于不同的时间序列。统计代表了绝对的平均预测和观测值之间的差异,给予的比例;一个小日军值表示一个模型拟合数据。考虑一个系列的预测的值()和相应的观测值();日军的统计计算如下:

3所示。结果

间隔期间被认为在这项研究中57128例ED寻求医疗,是51046年755天组成培训期间和6082年90天组成测试期间。每天平均有68名患者寻求医疗,从26岁到119年。在相同的时间间隔内平均温度为21.08°C,不同从0°C到40.6°C,平均日较差9.68°C。

每日的散点图对医疗保健的需求(图1)显示一系列的变化水平约165天(2013年7月14日)。相对应的开始一个新的机制,题为“对病人在正确的地方,”小急性疾病患者的转诊(低敏度)零售诊所和紧急护理中心。该协议被实现为一个合作医院,阿雷格里港的卫生部门。在新的协议采用了时间序列的需求仍然静止不动的,没有明显的趋势。

图2在本周(图提出了需求变化2(一个)(图)和年2 (b)箱形图的形式。单向方差分析被用来检测工作日和几个月的差异,产生的结果在图2。周一在峰值需求,其次是减少到周三;周四再次上升,直到周日稳步下降。然而,统计上显著差异只能发现在工作日和周末。

分析ED全年需求(图的变化2 (b))我们使用数据系列从2013年8月开始,当系列意味着稳定后引入新的机制为轻微的急性疾病患者转诊零售诊所和紧急护理中心。我们也从分析2014年10月,当维护部门的空调系统进行需求减少导致非典型连续15天的期间。没有差异的需求在整个月,除了十月,分配给它的事实,只有2013年的数据被用来分析本月。我们还检查差异需求在假期和常规工作日;没有发现差异。

表2给每个模型的日军价值,考虑所有的病人(总),和非常紧迫(VU)和紧急(U)类别,和5个不同预测视野(1、7、14、21、30天)。一般来说,短的地平线,更准确的预测。模型的性能根据MTS病人分类多样,这样学生显示当所有的病人被认为是获得最佳的性能,和SARIMA是最准确的建模要求的高灵敏度(VU和U病人)。参数的模型给每个病人最适合分类表3。MSARIMA模型考虑气候因素没有改善的性能SARIMA模型,独立于病人分类。换句话说,最好的MSARIMA模型每一个病人的组合类别和范围不包括气候变量。是这样,MSARIMA减少SARIMA收益率相同的日军值,最好和我们选择SARIMA模型。表4给出了值所有气候因素纳入模型,在不同的时间滞后。

4所示。讨论

在这项研究中,我们分析了四种预测模型的性能预测ED对医疗保健的需求,测试气候的影响和历法的因素对需求的行为。我们所知,我们的研究创新的分层时间序列的需求根据病人敏锐,据《曼彻斯特分类系统(MTS)的分类。反对其他的研究,调查使用预测技术预测EDs对医疗保健的需求(4,15,23),我们分析数据从一个只有高复杂性的情况下提供医疗保健服务。

艾德在新加坡举行的一项研究预测模型评估患者,分为三敏度类别(即。,P1, P2, P3), P1是最严重和P3最严重。P1上座率没有任何每周或每年的周期性,只有环境空气质量预测的。P2和总上座率显示每周变化和预测的假期。P3上座率与天的星期,月,假日,环境空气质量。更高的上座率周一总额贡献主要是通过P2和P3情况下,虽然周日在本质上是P3更高的上座率情况(14]。虽然在敏锐的病人是类似于我们的研究考虑构建预测模型时,使用当地的敏度量表太阳et al。(14不允许我们直接与我们比较他们的结果。此外,很明显,考虑到属于每个类别的患者数量,太阳等人的研究,病例比咨询我们的教育不太复杂。

关于模型的准确性,党卫军产生最小的日军价值观,独立于所选择的预测地平线,当所有MTS类的患者被认为是需求的系列。为一天,学生产生了2.91%的日军,琼斯认为优秀的如果结果相比et al。4];所有剩下的视野研究,模型日军平均收益率为11%,这是与结果报道在类似的工作2,4]。尽管他们的复杂性,ARIMA模型显示最贫穷的性能建模ED的要求,当所有类的患者被认为是。据Marcilio et al。2],Tandbgerg和Qualls [3),和琼斯等人。25),这取决于需求的特征时间序列分析更简单的模型,可能导致更精确的结果。

正如所料,模型预测的ED患者的需求分为VU和U显示更大的日军值,针对较小的患者数量在系列和更大的可变性。对于这类患者,SARIMA模型与最佳性能,除非VU病人需求预测地平线为7天;在这种情况下,SHWM产生最小的错误(见表2)。一天预测地平线是可能获得一个日军VU患者为7.19%,3.98%,你的病人,第二天被认为可接受的和有用的支持管理决策的。对于较大的预测视野(7 - 30天)日军值较大,从16.82%到17.21%不等的VU U患者患者和12.79%到15.21%。考虑到患者的ED资源的需求更加强烈,经常需要住院病床,分析关注这些类的患者,在实践中就像这里所做,非常相关。重要的是要注意,上述结果是类似于其他预测研究报道使用数据从EDs,提供专业和复杂的护理2,14]。

关于外部信息分析和整合的模型,只有一天的星期显示系统的影响教育需求,独立于病人的分类。星期有对需求的影响,而月没有,显示在图2。假期之后的几天假期的影响,对教育需求也不显著。需求和需求高峰星期一证实,山谷周末与结果报告的文献中出现的一些研究对ED需求(2,6,14,25]。在周末有一种强烈的需求减少,导致教育资源的优化和劳动力管理。

一些气候因素与需求显示显著相关的系列从不同类型的病人(见表4)。然而,当比较MSARIMA的日军性能模型(考虑这些因素)和SARIMA模型(不考虑他们),后者系统优于前者。这可能是由于这样的事实,艾德在分析提供医疗保健在教学医院重要的紧急情况下,这似乎不太受气候条件的影响。

表4表明,VU和U类显示大量的时间滞后项对所有延迟实例。然而,同样是不正确的模型考虑的总数。缺乏合理的可识别的模式情况下的敏度分类的到来导致重定向的病人(即其他类型的照顾。,all patient classes, except VU and U). Those are highly variable cases which, although representing a small percentage of the total number of visits, interfere in the prediction models’ structure.

众所周知,使用预测技术预测需求EDs可能有助于减少病人离开单位的数量没有服务和投诉的数量由患者(6]。在本研究观察到需求模型拟合系列认为所有类别的患者显示较小的预测错误比安装类的患者。此外,它验证了最好的预测模型从所有类别的患者被认为是当需求(SS)是不同的模型类型,最好安装要求单独的类的患者(SARIMA)。是很重要的话,SS模型在实践中容易实现,其优异的性能在建模ED需求已经在文献中报道(7]。

这里给出的预测方法之间的比较表明,在高复杂性ED研究SARIMA模型提供了最准确的预测患者的医疗需求分为VU,换句话说,美国的气候因素预测模型中的自变量不会增加其准确性。简而言之,在这个研究结果不支持普遍认为每日艾德医疗需求受到气候因素的影响(2,14,15]。

最后,本研究的结果应在高等教学医院的角度看,通常拥挤EDs在哪里大大受到频繁的床短缺和季节性变化的病人数量的医学专业。在这样的背景下,短期地平线预测模型不仅可以提供有价值的信息来优化病人流,而且建立的干预措施,以维护和及时顺畅的病人在医院设施。

5。限制

我们调查的数据从一个医院位于巴西的特定区域。测试周期由25天的夏季和冬季的第一阶段,因此可能无法充分反映了气候的变化。因此,我们的结果是有效的为最高水平EDs位于同一地区或类似的气候特色的地区。更多可归纳的结果,这项研究应该扩展到地区不同的气候特征。此外,这项研究并没有评估病人的频率没有看到。同样的建议也适用于病人的样本。

6。结论

我们的研究证实,每天对教育服务的需求特点是季节性和每周的模式。此外,它表明,时间序列模型可用于提供准确预测的高复杂性ED患者,尤其是短期预测的视野。预测的准确性取决于使用的模型,时间长度,在MTS和分类的病人。在我们的分析中,SS产生最小的日军价值观、独立于所选择的预测地平线,当所有类的患者被认为是需求的系列。VU和U类的患者,SARIMA模型与最佳性能,除非VU病人需求预测地平线为7天;在这种情况下,SHWM产生最小的错误。显示一些气候因素显著相关系列的需求不同类型的患者但并不会增加预测的准确性纳入模型。

相互竞争的利益

作者宣称没有利益冲突。