编辑推荐：
为解决急诊科（ED）资源分配难题，研究人员开展利用日历、气象、互联网搜索及股市数据预测 ED 就诊量的研究。结果显示 LSTM 预测能力强，本地股市指数有预测潜力，日历和气象数据预测较准确，有助于优化资源配置。
在现代医疗体系中，急诊科（ED）作为众多危急重症患者的首要救治场所，其高效运转至关重要。可如今，随着人口数量的不断增长、老龄化程度的日益加深以及人们对医疗保健需求的持续变化，急诊科面临着前所未有的挑战。患者就诊人数显著增加，这不仅给医疗资源带来了沉重的负担，导致急诊科人满为患，还极大地影响了医疗服务的质量和效率。长时间的等待可能会延误病情，对于一些如脓毒症、创伤和急性心肌梗死等时间敏感性疾病来说，每一分钟都关乎生死。同时，医院也因患者的意外涌入而承受着巨大的经济压力。因此，准确预测急诊科患者就诊量成为了亟待解决的关键问题。
为了攻克这一难题，新加坡的研究人员展开了深入的探索。他们开展了一项回顾性、单中心研究，旨在确定将互联网搜索数据和股票市场价格与日历和气象数据相结合，是否能够提升深度学习对急诊科患者就诊量的预测能力，以及混合深度学习架构在预测方面是否更具优势。最终，他们得出了一系列重要结论，这些研究成果发表在《Computer Methods and Programs in Biomedicine》上。这一研究成果对于优化医疗资源分配，提高急诊科的医疗服务质量有着重要意义，有望为全球医疗行业提供宝贵的借鉴经验。
研究人员运用了多种关键技术方法。在数据收集方面，他们收集了 2010 年 1 月 1 日至 2012 年 12 月 31 日新加坡总医院急诊科的相关数据，包括每日患者就诊量及分诊 acuity 水平（分为 P1、P2、P3、P4，P1F、P2F、P3F代表对应分诊类别中有发热症状的患者）。在模型构建上，采用了长短期记忆网络（LSTM）、一维卷积神经网络（1D CNN）、堆叠的 1D CNN - LSTM 以及五个 CNN - LSTM 混合模块，将日历、气象、谷歌趋势搜索数据、标准普尔 500 指数、海峡时报指数（STI）等多种数据的不同排列组合作为输入变量，进行深度学习预测建模。
研究结果
- 数据特征：研究期间，急诊科总就诊人数达 437,824 人，平均每天 399.47 人，中位数为 395 人，最少 295 人，最多 539 人，标准差为 37.71。不同 acuity 水平的患者数量也呈现出一定的分布规律，这些数据为后续的模型训练和分析提供了基础。
- 模型预测性能
- 将 STI 数据与日历和气象数据相结合，能够提高 CNN - LSTM 混合模型的性能。这表明本地股票市场指数在预测急诊科就诊量方面具有一定的潜力，其背后的原因可能是经济波动会影响人们使用医疗服务的倾向，而股票市场指数可以反映经济的整体表现。
- 在日历和气象数据基础上，添加谷歌趋势绝对搜索词，能提升五个混合模型中两个的性能。互联网搜索趋势在一定程度上反映了公众对健康问题的关注和就医意向，从而对预测急诊科就诊量有积极作用。
- 在所有预测变量排列组合中，表现最佳的 LSTM 模型平均绝对百分比误差为 4.8672% ，这充分展示了 LSTM 在预测每日急诊科患者就诊量方面强大的能力。
研究结论与讨论
本研究表明，LSTM 在预测急诊科患者就诊量方面展现出了强大的能力，为后续相关研究和实际应用提供了有力的技术支持。本地股票市场指数具有预测急诊科就诊量的潜力，这为预测模型引入了新的变量，拓宽了研究思路。而且，在众多评估的预测变量中，日历和气象数据足以实现相对准确的预测，这为实际应用提供了一种较为简单且有效的方案。
这项研究的意义深远。从实际应用角度看，准确的预测能够帮助医院提前做好资源调配，合理安排人力、物力和床位，有效缓解急诊科拥堵问题，减少患者等待时间，提高医疗服务质量。从研究发展方向来看，为后续探索更多潜在预测变量以及优化深度学习模型提供了参考，有望推动医疗领域预测研究的进一步发展，为精准医疗的实现贡献力量。
