有效的急诊科就诊预测建模及评估外生变量影响：采用可解释的元学习梯度提升算法

《ACM Transactions on Computing for Healthcare》：Effective Predictive Modelling for Emergency Department Visits and Evaluating Exogenous Variables Impact: Using Explainable Meta-learning Gradient Boosting

急诊日访问量预测模型Meta-ED通过整合CatBoost、随机森林等四类基础模型与MLP，利用23年Canberra医院数据及社会人口、气候等外部变量，实现85.7%准确率（95%CI[85.4%,86.0%]），显著优于XGBoost等模型，其中气候参数使精度提升3.25%。

　　

摘要

准确预测急诊科（ED）的就诊情况对于优化资源配置至关重要，包括人员调整和手术室排班。尽管基于人工智能的模型已经大量涌现，但由于模型的泛化能力有限、容易过拟合或欠拟合、可扩展性不足以及超参数调优的复杂性，有效的急诊就诊预测仍然具有挑战性。为了解决这些问题，我们提出了一种新颖的元学习梯度提升算法（Meta-ED）来预测每日急诊就诊人数。Meta-ED利用了堪培拉医院23年的综合数据集，其中包含了社会人口统计特征、医疗使用情况、慢性疾病、诊断结果和气候参数等外生变量。该算法结合了四种基础学习器——CatBoost、随机森林（Random Forest）、Extra Trees和LightGBM——以及一个多层感知器（MLP）作为核心学习器，通过整合多种基础模型的优势来提高预测精度。我们的对比分析测试了23种模型，并根据一系列预定义的标准进行了评估，结果表明Meta-ED的表现更为出色，准确率达到了85.7%（95%置信区间[85.4%，86.0%]），比XGBoost、随机森林（Random Forest）、AdaBoost、LightGBM和Extra Trees等主流模型高出多达106.3%。此外，加入气候因素后，预测准确率提高了3.25%，有效捕捉了影响患者流量的季节性变化。这些结果凸显了Meta-ED在复杂医疗环境中推进预测分析的潜力。