基于机器学习的急诊科患者未就诊离院风险预测模型构建与验证

本研究针对急诊科(ED)过度拥挤导致患者未就诊离院(LWBS)率升高的问题，通过机器学习(ML)技术分析80,614例急诊就诊数据，构建了LWBS风险预测模型。研究团队采用随机森林(RF)等算法，发现候诊时间、分诊评分和就诊模式是关键预测因子，模型AUC达0.65。该成果为优化急诊资源配置、改善患者流管理提供了数据支持，对提升急诊服务质量具有重要实践价值。

　　

急诊科过度拥挤已成为全球医疗系统面临的严峻挑战，当急诊需求超过服务能力时，患者等待时间延长、满意度下降，最直接的后果就是"未就诊离院"(Left Without Being Seen, LWBS)现象激增。这些患者在登记后因等待过久而放弃治疗，不仅可能延误病情（尤其对潜在急症患者），还会导致72小时内返诊率升高，甚至引发医患冲突。意大利Maresca医院的统计显示，LWBS率在2022年高达16.14%，远超2-3%的"可接受"标准。如何通过科学预测提前识别高风险患者，成为优化急诊流程的关键突破口。

意大利那不勒斯"费德里科二世"大学公共卫生系的研究团队联合当地卫生局，创新性地将机器学习技术应用于这一领域。研究人员回顾性分析了2019-2023年间80,614例急诊就诊数据，通过随机森林(RF)、朴素贝叶斯(NB)、决策树(DT)和逻辑回归(LR)四种算法构建预测模型，最终RF模型以72%的准确率和0.65的AUC值表现最优，相关成果发表在《BMC Emergency Medicine》上。

研究采用的关键技术包括：1) TRIPOD指南指导的多变量预测模型构建；2) 10折交叉验证结合网格搜索(GridSearchCV)优化超参数；3) SMOTE过采样技术处理数据不平衡；4) 置换特征重要性分析与SHAP值解释模型。所有数据均来自意大利Torre del Greco地区Maresca医院的急诊信息系统，排除了"黑色代码"(到院死亡)等无效记录。

主要研究结果

患者特征分析

LWBS患者平均年龄较非LWBS组年轻3.4岁(47.4 vs 50.8)，自主就诊比例高达93.5%，绿色分诊代码占比80.7%。最易发生LWBS的时间段为18:00-20:59(16.9%)，周一发生率显著高于其他工作日(p<0.001)。

等待时间差异

LWBS组平均等待医疗评估时间达210分钟，是非LWBS组的1.7倍。箱线图分析显示其时间分布离散度更大，存在大量极端值。

模型性能比较

RF模型在少数类识别上表现最佳，召回率(Recall)达55%，显著优于NB(53%)和LR(28%)。其混淆矩阵显示对LWBS病例的正确识别数为1,067例，但仍有3,557例假阴性。

关键预测因子

特征重要性分析揭示：救护车转运(OR=0.23)、男性性别、12:00-17:59时段就诊是前三位预测变量。SHAP值证实，救护车转运与低离院风险强相关，而长等待时间与高风险显著关联。

讨论与意义

这项研究首次在超高负荷(占用率>100%)的城市急诊科环境中验证了机器学习预测LWBS的可行性。与既往研究相比，其创新性体现在：1) 纳入就诊时段、星期等时序特征；2) 通过SMOTE技术改善类别不平衡问题；3) 结合全局特征重要性和局部SHAP解释增强模型可解释性。

研究发现急诊流程中存在两个关键瓶颈：一是低 acuity（低紧急程度）患者因感知等待时间过长而离院，二是资源配置与患者到达模式不匹配。这提示医院需建立快速分诊复核机制，并在晚间高峰时段增加人力。研究局限性包括单中心数据缺乏外部验证，且未考虑EMS分诊决策对后续急诊流量的影响。

该模型的实际应用价值在于：1) 实时预警高风险患者，便于医护人员提前干预；2) 为动态调整人力资源提供数据支撑；3) 辅助制定差异化的患者沟通策略。未来研究可探索将预测系统嵌入医院HIS系统，并与物联网候诊提示相结合，从技术和人文双维度降低LWBS率。正如作者Arianna Scala在讨论部分强调的："预测分析不应仅作为技术展示，而应转化为改善患者体验的操作化工具。"这一理念为全球急诊质量改进提供了新思路。