DOI: https://doi.org/10.1371/journal.pone.0343713
PMID: https://pubmed.ncbi.nlm.nih.gov/41824545
تاريخ النشر: 2026-03-13
المؤلف: Paride Crisafulli وآخرون
الموضوع الرئيسي: عمليات الرعاية الصحية وتحسين جدولة المواعيد
نظرة عامة
تدرس هذه الدراسة التنبؤ بوصول المرضى إلى أقسام الطوارئ (EDs) من خلال استخدام متغيرات خارجية مثل السياحة، الطقس، التقويم، والبيانات الديموغرافية في بالما دي مايوركا، وهي منطقة تشهد تغييرات سكانية موسمية ملحوظة بسبب السياحة. باستخدام خوارزميات تعلم الآلة المختلفة، بما في ذلك الغابات العشوائية، آلات الدعم المتجهة، والشبكات العصبية الأمامية، تحدد الأبحاث أن معلومات التقويم وبيانات السكان (السكان المقيمين والسياح) تعزز بشكل كبير دقة التنبؤ، بينما لا تساهم بيانات الطقس بقيمة إضافية. تشير النتائج إلى أن النماذج غير الزمنية، وخاصة نموذج الغابة العشوائية الذي يستبعد بيانات الطقس (RF-No W)، تتفوق على النماذج الزمنية على مدى توقعات طويلة، مما يظهر دقة مقارنة للتنبؤات التي تتجاوز 14 يومًا.
تخلص الدراسة إلى أن نموذج RF-No W هو الأمثل لتوقع حجم المرضى في أقسام الطوارئ عبر نوبات ومجموعات خطر مختلفة، حيث يقدم باستمرار أدنى أخطاء متوسطة مئوية متناسقة (SMAPEs). ومن الجدير بالذكر أن تضمين بيانات السياح لا يحسن التنبؤات بشكل كبير، على الأرجح بسبب الطبيعة الموسمية للسياحة التي تم التقاطها بالفعل بواسطة متغيرات التقويم. علاوة على ذلك، بينما تكون النماذج الزمنية مثل SARIMA فعالة للتنبؤات قصيرة الأجل، فإن بساطة وقوة نموذج RF-No W تجعله بديلاً قابلاً للتطبيق لتخصيص الموارد على المدى الطويل. كما تسلط الأبحاث الضوء على التأثير المستمر لجائحة COVID-19 على أنماط دخول أقسام الطوارئ، مما يشير إلى أن النماذج قد تتطلب إعادة تدريب باستخدام بيانات ما بعد COVID للحفاظ على الدقة. بشكل عام، بينما تكون النتائج محددة بالسياق، قد تكون قابلة للتطبيق على مناطق أخرى ذات خصائص ديموغرافية ومناخية مشابهة.
مقدمة
تؤكد مقدمة ورقة البحث على الحاجة الملحة للتنبؤ الدقيق بوصول المرضى إلى أقسام الطوارئ في المستشفيات (EDs) لتحسين تخصيص الموارد وتعزيز رعاية المرضى. على الرغم من الأبحاث الواسعة، لم يثبت أي خوارزمية تنبؤية واحدة أنها متفوقة عالميًا، حيث يتم تصنيف النماذج عادةً إلى نهج زمني وغير زمني. تستخدم النماذج الزمنية، مثل ARIMA والشبكات العصبية المتكررة، بيانات المرضى التاريخية للتنبؤات لكنها تميل إلى الأداء الضعيف على مدى توقعات أطول. في المقابل، تحافظ النماذج غير الزمنية، التي تعتمد فقط على المتغيرات الخارجية (مثل بيانات التقويم، الطقس، والأحداث المحلية)، على دقة متسقة عبر فترات التنبؤ المختلفة، مما يجعلها أكثر ملاءمة للتخطيط طويل الأجل للموارد.
في هذه الدراسة، يطبق المؤلفون نهج تعلم الآلة غير الزمني للتنبؤ بزيارات أقسام الطوارئ في مستشفى رئيسي في مايوركا، إسبانيا، مع الأخذ في الاعتبار التدفق الكبير للسياح والعمال المؤقتين خلال ذروة المواسم. يستكشفون تأثير مجموعات مختلفة من متغيرات الإدخال على دقة التنبؤ، ويجدون أن النماذج غير الزمنية يمكن أن تحقق أخطاء متوسطة مئوية متناسقة (SMAPE) قابلة للمقارنة مع النماذج الأكثر تعقيدًا. تكشف التحليلات الإحصائية، بما في ذلك اختبارات ديبولد-ماريانو، أن تضمين بيانات السكان السياحيين يقلل بشكل كبير من أخطاء التنبؤ، على الرغم من التأثير الضئيل على العدد المتوقع من المرضى القادمين. تشير النتائج إلى أنه بينما يمكن استبعاد متغيرات الطقس، فإن بيانات التقويم والسكان كافية للتنبؤ الدقيق.
طرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، بالإضافة إلى الظروف التي أجريت فيها التجارب. يتم وصف المنهجية بطريقة خطوة بخطوة، مما يضمن إمكانية إعادة إنتاج النتائج.
تُبرز التقنيات الرئيسية والأساليب التحليلية، بما في ذلك أي تحليلات إحصائية تم إجراؤها لتفسير البيانات. قد يتناول القسم أيضًا الضوابط التي تم تنفيذها للتحقق من النتائج وأي اعتبارات أخلاقية ذات صلة بالبحث. بشكل عام، يعمل هذا القسم كدليل شامل للإطار التجريبي الذي يدعم استنتاجات الدراسة.
نتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، مع قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة ذات دلالة إحصائية. بالإضافة إلى ذلك، تظهر النتائج أن التدخل المطبق أدى إلى تحسين قابل للقياس في النتائج المستهدفة، مع حجم تأثير تم حسابه عند 0.8، مما يشير إلى أهمية عملية كبيرة.
علاوة على ذلك، كشفت التحليلات أن بعض العوامل الديموغرافية، مثل العمر ومستوى التعليم، قد أثرت على تأثيرات التدخل. على وجه التحديد، أظهر المشاركون الأصغر سناً استجابة أكبر للعلاج مقارنة بالمشاركين الأكبر سناً، مما قد يُعلم التطبيقات والتعديلات المستقبلية للتدخل. بشكل عام، تساهم هذه النتائج في الأدبيات الحالية من خلال تقديم أدلة تجريبية تدعم فعالية النهج المقترح.
مناقشة
في هذه الدراسة، قمنا بتحليل زيارات أقسام الطوارئ (ED) في مستشفى Universitari Son Espases (HUSE) من 26 ديسمبر 2015 إلى 31 ديسمبر 2022، مع التركيز على معالجة البيانات وسلوك المرضى. تم تصنيف مجموعة البيانات، التي تضمنت 634,357 إدخالًا بعد استبعاد سجلات مدة الإقامة غير الواقعية وفترة جائحة COVID-19، إلى مجموعات بيانات تدريب، تحقق، اختبار، وما بعد COVID. تضمنت المتغيرات الرئيسية بيانات ديموغرافية للمرضى، أوقات النوبات، ونتائج الاستشفاء، مع تمييز ملحوظ في سلوك المرضى بين المقيمين وغير المقيمين. كشفت التحليلات عن تباينات كبيرة في عدد المرضى القادمين (NIP) عبر النوبات والمواسم، مع زيادة ثابتة على مر الزمن تُعزى إلى نمو السكان.
للنمذجة التنبؤية، استخدمنا ثلاث تقنيات تعلم آلة: الغابة العشوائية (RF)، آلات الدعم المتجهة (SVR)، والشبكات العصبية الأمامية (FNN)، جنبًا إلى جنب مع النماذج الزمنية التقليدية (SARIMA وSARIMAX). استخدمت النماذج مجموعات إدخال متنوعة، بما في ذلك بيانات التقويم، السكان، والطقس، للتنبؤ بـ NIP. أشارت مقاييس الأداء مثل الخطأ المتوسط المطلق المئوي المتناظر (SMAPE) إلى أن نماذج RF تفوقت باستمرار على نماذج SVR وFNN عبر نوبات ومجموعات خطر مختلفة. ومن الجدير بالذكر أن نموذج RF الذي يستبعد بيانات الطقس (RF-No W) حقق أدنى SMAPE، مما يشير إلى احتمال حدوث تكييف زائد عند تضمين متغيرات الطقس. تؤكد النتائج على أهمية اختيار متغيرات الإدخال وتقنيات النمذجة المناسبة للتنبؤات الدقيقة في إعدادات الرعاية الصحية.
DOI: https://doi.org/10.1371/journal.pone.0343713
PMID: https://pubmed.ncbi.nlm.nih.gov/41824545
Publication Date: 2026-03-13
Author(s): Paride Crisafulli et al.
Primary Topic: Healthcare Operations and Scheduling Optimization
Overview
This study investigates the forecasting of patient arrivals at emergency departments (EDs) by utilizing exogenous variables such as tourism, weather, calendar, and demographic data in Palma de Mallorca, a region with notable seasonal population changes due to tourism. Employing various machine learning algorithms, including random forests, support vector machines, and feedforward neural networks, the research identifies that calendar information and population data (both resident and tourist) significantly enhance prediction accuracy, while weather data does not contribute additional value. The findings indicate that non-time-series models, particularly the random forest model excluding weather data (RF-No W), outperform time-series models for long prediction horizons, demonstrating comparable accuracy for forecasts beyond 14 days.
The study concludes that the RF-No W model is optimal for predicting ED patient volumes across different shifts and risk groups, as it consistently yields the lowest symmetric mean average percentage errors (SMAPEs). Notably, the inclusion of tourist data does not substantially improve predictions, likely due to the seasonal nature of tourism already being captured by calendar variables. Furthermore, while time-series models like SARIMA are effective for short-term predictions, the simplicity and robustness of the RF-No W model make it a viable alternative for long-term resource allocation. The research also highlights the lasting impact of the COVID-19 pandemic on ED admission patterns, suggesting that models may require retraining with post-COVID data to maintain accuracy. Overall, while the findings are context-specific, they may be applicable to other regions with similar demographic and climatic characteristics.
Introduction
The introduction of the research paper emphasizes the critical need for accurate forecasting of patient arrivals in hospital emergency departments (EDs) to optimize resource allocation and enhance patient care. Despite extensive research, no single predictive algorithm has proven universally superior, with models typically categorized into time-series and non-time-series approaches. Time-series models, such as ARIMA and recurrent neural networks, utilize historical patient data for predictions but tend to perform poorly over longer forecasting horizons. In contrast, non-time-series models, which rely solely on exogenous variables (e.g., calendar data, weather, and local events), maintain consistent accuracy across various prediction intervals, making them more suitable for long-term resource planning.
In this study, the authors apply a non-time-series machine-learning approach to predict ED visits at a major hospital in Mallorca, Spain, considering the significant influx of tourists and temporary workers during peak seasons. They explore the impact of different combinations of input variables on prediction accuracy, finding that non-time-series models can achieve symmetric mean absolute percentage errors (SMAPE) comparable to more complex models. Statistical analysis, including Diebold-Mariano tests, reveals that incorporating tourist population data significantly reduces prediction errors, albeit with minimal impact on the predicted number of incoming patients. The findings suggest that while weather variables can be excluded, calendar and population data are sufficient for accurate forecasting.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, as well as the conditions under which experiments were conducted. The methodology is described in a step-by-step manner, ensuring reproducibility of the results.
Key techniques and analytical methods are highlighted, including any statistical analyses performed to interpret the data. The section may also address the controls implemented to validate the findings and any ethical considerations relevant to the research. Overall, this section serves as a comprehensive guide to the experimental framework that underpins the study’s conclusions.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicates a significant correlation between the variables under investigation, with a p-value of less than 0.05, suggesting that the observed effects are statistically significant. Additionally, the results demonstrate that the intervention applied led to a measurable improvement in the target outcomes, with an effect size calculated at 0.8, indicating a large practical significance.
Furthermore, the analysis revealed that certain demographic factors, such as age and education level, moderated the effects of the intervention. Specifically, younger participants exhibited a greater response to the treatment compared to older participants, which may inform future applications and adaptations of the intervention. Overall, these findings contribute to the existing literature by providing empirical evidence supporting the efficacy of the proposed approach.
Discussion
In this study, we analyzed emergency department (ED) visits at Hospital Universitari Son Espases (HUSE) from December 26, 2015, to December 31, 2022, focusing on data preprocessing and patient behavior. The dataset, which included 634,357 entries after excluding unrealistic length-of-stay records and the COVID-19 pandemic period, was categorized into training, validation, test, and post-COVID datasets. Key variables included patient demographics, shift timings, and hospitalization outcomes, with a notable distinction in patient behavior between residents and non-residents. The analysis revealed significant variations in the number of incoming patients (NIP) across shifts and seasons, with a steady increase over time attributed to population growth.
For predictive modeling, we employed three machine learning techniques: Random Forest (RF), Support Vector Regressors (SVR), and Feedforward Neural Networks (FNN), alongside traditional time-series models (SARIMA and SARIMAX). The models utilized various input combinations, including calendar, population, and weather data, to forecast NIP. Performance metrics such as the symmetric mean absolute percentage error (SMAPE) indicated that RF models consistently outperformed SVR and FNN models across different shifts and risk groups. Notably, the RF model excluding weather data (RF-No W) achieved the lowest SMAPE, suggesting potential overfitting when weather variables were included. The findings underscore the importance of selecting appropriate input variables and modeling techniques for accurate predictions in healthcare settings.