综述：急诊科住院时间预测模型的系统综述：传统统计与机器学习方法的比较及方法学异质性分析

《BMC Medical Informatics and Decision Making》：Scoping review of models predicting emergency department length of stay

　　

摘要

背景

急诊科（ED）住院时间（LOS）是医疗系统中的关键绩效指标，影响着患者预后、过度拥挤和资源利用情况。预测LOS可以改善患者流动和资源管理。虽然传统统计方法已被广泛使用，但机器学习（ML）的出现引入了更为精细的分析方法，尽管其相对于传统方法的优势仍取决于具体情境。

方法

使用与急诊科LOS和预测建模相关的术语，在PubMed、Embase、Web of Science和Scopus数据库中进行系统性检索。符合条件的研究为2014年1月至2024年9月期间发表的英文研究，这些研究开发或验证了使用传统统计、机器学习或深度学习方法构建的急诊科LOS预测模型。若研究未开发或验证符合条件的急诊科LOS预测模型，或急诊科LOS非预测目标，则予以排除。两名审稿人独立筛选所有标题和摘要，三名审稿人独立评估潜在符合条件报告的全文。两名审稿人独立提取所有纳入研究的数据，分歧由担任研究主管的急诊科医师进行裁决。

结果

在识别的4,773条记录中，18项符合纳入标准。这些研究横跨多个大洲，大多数研究在2020年后进行。决策树模型评估频率最高，其次是随机森林、逻辑回归和支持向量机或支持向量回归。受试者工作特征曲线下面积（AUROC）和准确率是最常用的绩效指标；然而，由于存在显著的方法学异质性（例如，不同的LOS截断值、患者群体和验证方法），无法进行直接的跨研究统计比较。提取的预测因子通常代表实验室检查和急诊科运营因素，但不一致的特征重要性报告使得无法比较其预测重要性。校准报告很少，仅两项研究提供了校准评估。

结论

报告的绩效因建模方法、预测因子集、LOS结局定义、验证程序和急诊科环境而异。由于显著的方法学异质性限制了直接的绩效比较，未来研究应采用标准化报告框架（如TRIPOD），并探讨不同LOS截断值的影响，以促进有意义的证据综合并改善资源分配。

临床试验编号

不适用。