基于社会健康决定因素与天气变量的急诊科短期需求预测模型比较研究

《npj Digital Medicine》：AI-based hourly prediction of emergency department demand integrating social determinants of health

　　

摘要

急诊科（ED）拥挤与治疗延误和死亡率增加相关，主动的人员配置需要可靠的短期需求预测。大多数运营模型依赖于时间或天气模式，但可能无法充分捕捉潜在的群体脆弱性。我们评估了在使用 XGBOOST 模型时，与天气因素相比，社区层面的健康社会决定因素（SDoH）是否能改善近期急诊科需求的预测，并开发了一个可解释模型以指导资源分配。该研究包括中国武汉一家三级教学医院的 213,138 次就诊记录，汇总为 22,883 个每小时观测值。各社区在年龄结构和诊断概况方面存在显著差异，表明服务区域内的医疗需求具有异质性。纳入动态 SDoH 特征的模型表现始终优于仅使用天气变量的模型。总体而言，综合模型表现最佳，每小时就诊次数均方根误差（RMSE）为 3.48，平均绝对误差（MAE）为 2.62，R2 为 0.68。各场景下的平均绝对预测误差约为每小时 2 至 3 名患者，表明其对于短期人员配置和容量规划具有实用价值。研究表明，对于预测短期急诊科需求，社区层面的社会脆弱性可能比天气条件提供更具信息量的信号。将基于 SDoH 的预测整合到医院运营中，可能实现更早的人员调整，并有助于减轻拥挤相关的风险。