一项关于影响医疗领域紧急事件发生的外部因素的分析研究

《Healthcare and Rehabilitation》：An analytical study of external factors influencing emergency occurrences in healthcare

本研究基于瑞士CHUV医院2015-2021年的急诊数据，分析了19个外部因素（天气、交通、空气质量等）对小时级急诊事件的影响。结果显示，仅小时变量能显著预测急诊发生（p<0.01），其他因素如温度、交通流量等虽与急诊存在相关性，但实际预测贡献有限（信息值均低于0.1）。XGBoost和MLP模型与仅用小时的Prior模型相比，AUC提升不足1%，且模型解释性未增强。结论指出，基于小时的时间序列模型足以支持急诊资源调度，无需复杂外部数据整合。

　　在这项研究中，我们探讨了19个外部因素对每小时紧急情况发生频率的影响。这些外部因素包括天气、道路交通状况、空气质量以及时间相关的变量。研究数据来源于瑞士法语区的Centre Hospitalier Universitaire Vaudois（CHUV）医院的6年（2015年至2021年）调度记录，覆盖了该地区18个救护车站点。研究首先利用经典的统计方法，如卡方检验、学生t检验和信息价值（IV）来分析这些参数与紧急情况发生之间的依赖关系。此外，我们还使用了XGBoost和Multilayer Perceptron（MLP）模型计算了SHAP值和排列重要性，以评估各个因素对模型预测的贡献。2015年至2020年的数据被用于模型训练和超参数优化，而2021年的数据则被保留用于模型评估和解释性指标的计算。研究结果表明，时间特征，特别是一天中的小时，是紧急情况发生的主导因素，而其他外部因素在考虑时间效应后对紧急情况的影响相对较小。随后，将一个仅考虑小时的简化模型与XGBoost和MLP模型进行性能比较，结果显示，更为复杂的机器学习方法在此背景下提供的预测价值有限。这一结果支持在紧急医疗服务体系（EMS）规划中使用简单的时间依赖性需求曲线，从而指导人员配置和救护车的调度，无需引入外部数据或维护复杂的预测流程。本研究还强调了外部预测因子在EMS资源分配中的实际应用价值有限，为寻求高效、数据驱动资源分配方法的EMS组织提供了实用的指导。

研究的背景在于，紧急医疗服务在医疗体系中扮演着至关重要的角色，长期以来一直受到研究人员的关注。研究者们对EMS的多个方面进行了探讨，包括分诊系统、疲劳训练的影响以及危机管理等。特别是在资源管理方面，EMS的资源配置和调度在战略和运营两个层面都受到了广泛关注。在战略层面，救护车站点的最优位置被确定；而在运营层面，资源可以在不同站点之间重新分配，以减少响应时间或提高覆盖率。然而，无论在战略还是运营层面，资源重新配置的有效性都依赖于对未来紧急情况发生的准确预测。

此前的研究表明，诸如热浪或空气质量等外部条件可能影响救护车的需求。然而，系统性地将这些因素纳入预测模型是否能显著提高预测能力仍不清楚。此外，开发和维护自动化数据获取与更新的管道可能需要大量的技术资源和工程工作。这引发了研究的核心问题：在预测EMS需求方面，外部因素是否能提供超出时间变量之外的额外预测价值？解决这一问题对于判断是否值得投入额外的工程和运营资源至关重要。

为了回答这一问题，我们对19个不同的外部因素进行了系统分析，这些因素涉及道路交通状况、天气、空气质量以及时间。研究数据来源于CHUV的6年调度记录，包括2015年至2021年期间的紧急情况发生数据。这些参数被详细描述并列在表格中。我们首先采用经典的统计方法，如相关性分析、卡方检验、学生t检验和信息价值（IV）来评估这些参数对紧急情况发生的影响。随后，我们使用XGBoost和MLP模型计算了SHAP值和排列重要性，以从模型解释的角度进一步评估各个因素的重要性。在训练和优化模型时，我们使用了2015年至2020年的数据，而2021年的数据被保留用于模型评估和解释性指标的计算。最后，我们比较了仅考虑小时的简化模型与XGBoost和MLP模型的性能。

我们的实验结果表明，时间因素，尤其是小时，对紧急情况的发生具有显著影响。相比之下，其他外部因素的影响则较为有限。这一发现表明，虽然外部条件可能在某些情况下对紧急情况的发生产生一定影响，但它们的预测价值可能不如时间因素显著。因此，在EMS的资源配置和调度中，优先考虑时间因素可能是更为有效的策略。

研究的贡献在于以下几个方面：首先，我们系统评估了19个外部因素对EMS需求的影响，利用了六年的实际调度数据。其次，我们结合了统计测试和模型解释方法，以量化各因素的重要性。第三，我们直接比较了复杂的机器学习模型与一个透明的时间基准模型，以评估外部预测因子的边际价值。第四，我们为EMS规划提供了实用指导，强调了在某些情况下外部数据整合可能不会带来显著的操作优势。

在实验部分，我们采用了多种方法来分析这些外部因素的影响。首先，我们计算了各参数与紧急情况之间的相关性。相关性分析显示，小时和与交通状况相关的参数显示出较高的相关性。然而，值得注意的是，Road 1和Road 2也与小时相关。天气参数中，只有阳光辐射（Sun rays）在白天出现，因此其相关性也较高。相比之下，降水、雷电等参数的相关性较低。此外，我们还使用了卡方检验来分析分类变量对紧急情况发生的影响，结果表明，所有时间参数（小时、星期几、月份）对紧急情况发生都有一定影响，但小时的影响最为显著。接着，我们采用学生t检验来评估连续变量对紧急情况发生的影响，结果显示，某些参数如阳光辐射、温度、风速和雷电等对紧急情况发生具有显著影响，而其他参数如降水、雪深等的影响则相对较小。

信息价值（IV）作为另一个评估因素影响的指标，显示了参数在区分不同类别的能力。信息价值越高，表示该参数对目标变量的影响越强。根据这一指标，我们发现大部分参数的信息价值较低，只有小时、Road 1和Road 2的信息价值较高。此外，我们还通过SHAP值和排列重要性来进一步分析模型中各个参数的贡献。结果显示，小时在所有模型中都具有最高的贡献度，而Road 1和Road 2也具有较高的重要性。然而，这些参数的高重要性可能部分源于它们与时间因素的相关性，而非其自身的独立预测能力。

在模型评估方面，我们使用了XGBoost和MLP模型，并计算了它们的AUC（曲线下面积）和精确度（Precision）指标。结果显示，XGBoost和MLP模型的性能相近，而一个仅考虑小时的简化模型（Prior模型）的性能则与之相当。这一结果表明，虽然复杂的机器学习模型在理论上可能提供更好的预测能力，但在实际应用中，它们的额外价值可能并不显著。因此，在EMS的资源配置和调度中，可能不需要引入复杂的外部数据或模型，仅使用时间相关的因素即可有效指导资源分配。

研究还指出，尽管某些参数在统计上显示出与紧急情况发生的相关性，但它们的实际预测价值可能并不高。例如，阳光辐射、温度、风速和雷电等参数虽然在某些站点显示出一定的影响，但整体来看，它们的预测能力并不显著。此外，我们还发现，尽管一些参数在统计测试中显示出显著的依赖性，但在模型解释中，它们对预测的贡献度较低。这表明，虽然统计方法可以揭示参数与目标变量之间的关系，但它们并不能保证模型具有良好的预测能力。

从更广泛的角度来看，本研究强调了时间因素在紧急情况预测中的主导地位。这可能是因为紧急情况的发生往往具有明显的时间模式，例如某些小时段内发生率较高，而这些时间模式可能与人们的日常活动、交通流量或环境条件的变化密切相关。因此，在EMS的资源配置和调度中，优先考虑时间因素可能是一个更为高效和实用的策略。此外，研究还表明，尽管机器学习方法在理论上具有优势，但在实际应用中，它们的预测能力可能并不优于基于时间的简单模型。因此，在某些情况下，采用更简单的时间相关模型可能更加高效和实用。

总的来说，本研究通过多种统计方法和机器学习模型的结合，揭示了时间因素在紧急情况预测中的主导地位，并指出其他外部因素的预测价值有限。这为EMS组织在资源配置和调度中提供了实用的指导，即在考虑外部因素时，应优先关注时间变量。此外，研究还强调了在实际应用中，模型的可解释性和透明度的重要性，特别是在涉及人类生命安全的医疗领域。因此，未来的研究可能需要探索更为简单且可解释的模型，以在保证预测准确性的前提下，提高模型的实用性和可操作性。