基于机器学习方法的急性护理医院护理工作量预测模型开发与验证研究

《Journal of Medical Internet Research》：Development of a Data-Based Method for Predicting Nursing Workload in an Acute Care Hospital: Methodological Study

本研究针对传统护理工作量预测方法不准确的问题，开发了一种基于机器学习的数据驱动预测模型。研究人员利用瑞士苏黎世大学医院2017-2021年的护理活动记录数据，采用Lasso回归、随机森林和XGBoost等算法，成功实现了提前72小时的护理工作量精准预测。最佳模型相比基线方法平均绝对误差降低25.0%，严重误分类率仅为0.17%，为医院护理人员调度提供了可靠决策支持。

　　

在医院管理中，如何科学合理地配置护理人员一直是个棘手难题。传统的护理工作量预测方法往往依赖于专业判断或简单的基于患者数量的方法，这些方法存在明显局限性，无法准确反映动态变化的临床需求。随着医疗资源日益紧张，同时要保障患者安全和护士职业吸引力，开发有效的护理人员排班系统显得尤为重要。

苏黎世大学医院的研究团队开展了一项创新性研究，旨在利用机器学习技术改进护理工作量预测方法。这项发表在《Journal of Medical Internet Research》的研究，基于五年的护理活动记录数据，开发了一种能够提前72小时预测护理工作量的数据驱动模型。

研究人员采用了回顾性观察研究设计，主要关键技术方法包括：使用LEP系统记录的护理活动数据，将数据转换为按病区和班次汇总的工作量指标，采用时间序列交叉验证方法评估模型性能，比较了Lasso回归、随机森林和XGBoost三种机器学习算法的预测效果。研究数据来源于苏黎世大学医院8个病区2017-2021年期间的住院患者护理记录。

研究结果

数据提取与转换

研究共分析了28,930名患者的39,361次住院记录，包含约1,120万项护理活动。数据显示，不同病区的工作量模式存在显著差异，早班工作量普遍最高，特别是泌尿科和产科病区。中间护理病房的工作量在各班次间相对均衡，体现了持续护理的特点。

护理工作量预测

所有机器学习模型均优于基线方法，其中Lasso回归模型表现最佳，平均绝对误差从345.1分钟降至258.8分钟，改善幅度达25.0%。在分类预测方面，模型对工作量变化的分类表现出色，严重误分类情况仅占0.17%。

变量重要性分析

模型预测主要依赖于历史工作量趋势数据，其中班次平均工作量和病区平均工作量是最重要的预测变量。患者用药信息、星期几和病区患者数量也具有重要预测价值。

讨论与结论

这项研究证明了机器学习在护理工作量预测中的巨大潜力。相比传统方法，数据驱动的方法能够更准确地预测未来护理需求，为医院管理人员提供可靠的决策支持。尽管存在数据质量、模型复杂度和预测不确定性等限制因素，但研究结果为智能化护理管理开辟了新途径。

研究的实际意义在于，准确的护理工作量预测可以帮助医院优化人员配置，提高运营效率，同时保障护理质量和护士工作满意度。未来研究需要进一步探索更复杂的时间序列模型，整合更多元化的数据源，并通过实际应用验证这些方法的效果。

值得注意的是，该研究首次在如此广泛的临床背景下应用机器学习进行工作量预测，为后续研究奠定了重要基础。随着医疗数据的不断积累和人工智能技术的进步，数据驱动的护理管理方法有望成为医院标准化运营的重要组成部分。