پیش بینی طول مدت اقامت بیماران در اورژانس بیمارستان با استفاده از مدل های یادگیری ماشین

مقدمه: طول مدت اقامت بیماران در اورژانس بیمارستان، ابزار مهمی در جهت تخصیص بهینه ی منابع به بیماران بخش اورژانس، بهینه سازی عملیات و کاهش هزینه ها محسوب می شود.هدف: مطالعه ی حاضر با هدف پیش بینی طول مدت اقامت بیماران در بخش اورژانس با استفاده از مدل های یادگیری ماشین انجام شد.مواد و روش ها: این مطالعه از نوع کوهورت گذشته نگر است. در این مطالعه (کوهورت گذشته نگر)، اطلاعات بیماران مراجعه کننده به اورژانس یکی از بیمارستان های منتخب شهر تهران که متشکل از علائم حیاتی، تشخیص و اطلاعات دموگرافیک مانند سن و جنس بود، در بازه ی زمانی یک ماهه ی آذر 1401 جمع آوری گردید. در ادامه پس از آماده سازی داده ها از مدل های random forest- light gbm- cat boost- ada boost که از نوع مجموعه ای (ensemble) هستند برای پیش بینی طول مدت اقامت بیماران مورد استفاده قرار گرفتند.یافته ها: نتایج نشان دهنده ی آن است که علائم حیاتی، سن و شاخص شدت اضطراری سطح 1 از جمله عواملی هستند که بیشترین تاثیر را در طول مدت اقامت داشتند، همچنین مدل cat boost  با معیارهای (recall=0/83  ،precision=0/91 ، accuracy=0/87 f1-score= 0/87) بهترین عملکرد در میان دیگر مدل ها را داشت.نتیجه گیری: این مطالعه نشان داد که مدل های مجموعه ای عملکرد خوبی در پیش بینی طول مدت اقامت بیماران در اورژانس دارد همچنین در این پژوهش مدل های ی که از روش bagging پیروی می کنند در مجموع نسبت به boosting عملکرد بهتری دارند. 

predicting the length of stay of patients in the emergency department of the hospital using machine learning models

introduction: the length of patient stay in the emergency department is crucial for optimizing resource allocation, reducing costs, and enhancing operations.objective: this study aimed to predict patients’ length of stay in the emergency department using machine learning models.material and methods: this retrospective cohort study collected data from patients referred to the emergency room of a selected hospital in tehran, including vital signs, diagnoses, and demographic information such as age and gender, during december 2022. after data preparation, ensemble models—random forest, light gbm, cat boost, and ada boost—were employed to predict patients’ length of stay.results: the study found that vital signs, age, and emergency severity index level 1 significantly influence patient length of stay. the cat boost model, with an accuracy of 0.87, precision of 0.91, recall of 0.83, and f1-score of 0.87, outperformed other models in predictive performance.conclusion: this study demonstrated that ensemble models effectively predict emergency room patient length of stay, with boosting methods outperforming bagging methods.