马来西亚三级医院基于机器学习的住院时长预测模型开发与比较分析

《Scientific Reports》：Development and comparative analysis of predictive length of stay models using machine learning in Malaysian tertiary hospitals

　　

摘要

住院天数（LOS）是衡量医疗效率和资源配置的关键指标。尽管预测建模在全球范围内得到了广泛发展，但利用马来西亚公共卫生体系中的大规模真实世界数据的文献却相对匮乏。本研究开发并评估了本地化机器学习模型，用于预测马来西亚吉兰丹州三级公立医院中的住院天数，并针对区域运营动态进行了校准。研究采用回顾性队列设计，利用2017年至2024年共八年的住院记录数据。从初始队列849,593例住院记录中，经过系统性排除和分层抽样后，最终保留251,321例分析样本，以应对异质性记录并针对极度偏斜的住院天数分布优化模型。四种监督回归模型的预测性能进行了比较：决策树、弹性网络、随机森林和极端梯度提升（XGBR）。XGBR模型表现最优（R² = 0.305，MAE = 5.075）。SHAP分析显示临床科室是住院天数最重要的决定因素，而公共假期和夜间入院等系统性因素也显著影响了住院时长。本研究为马来西亚医院资源管理的数字化转型奠定了实证基础，为优化床位管理、保障医疗可持续性提供了可行路径。