Modelli di Deep Learning Prevedono i Tempi di Attesa in Pronto Soccorso
Un recente studio pubblicato su arXiv introduce un framework di previsione per serie temporali multi-orizzonte volto a stimare il tempo di boarding nei dipartimenti di emergenza (ED), ovvero il tempo di attesa per i pazienti ricoverati per ricevere un letto di degenza. Il team di ricerca ha valutato i modelli a intervalli di 6, 8, 10, 12 e 24 ore, utilizzando dati reali di un ospedale urbano universitario negli Stati Uniti, insieme a fattori esterni come meteo, festività ed eventi locali. I modelli di deep learning DLinear e NLinear, basati rispettivamente su decomposizione e normalizzazione, hanno dimostrato prestazioni eccezionali su tutti gli orizzonti temporali. Questo framework mira a facilitare strategie operative proattive per mitigare il problema globale del sovraffollamento dei pronto soccorso.
Fatti principali
- Il tempo di boarding in ED è la durata che i pazienti ricoverati rimangono in attesa di un letto di degenza.
- Il framework di previsione stima il tempo di boarding a orizzonti di 6, 8, 10, 12 e 24 ore.
- Sono stati utilizzati dati reali di un ospedale urbano universitario negli Stati Uniti.
- I dati contestuali esterni includevano meteo, festività e principali eventi locali.
- I modelli di deep learning DLinear e NLinear hanno mostrato prestazioni superiori.
- Lo studio è pubblicato su arXiv con identificativo 2605.18839.
- Il framework supporta decisioni operative proattive.
- Il sovraffollamento dei pronto soccorso è una sfida operativa persistente a livello mondiale.
Entità
Istituzioni
- arXiv
- university-affiliated urban hospital in the United States
Luoghi
- United States