Hybridmodelle steigern Genauigkeit der Vorhersage von Notaufnahme‑Patienten

USA: Hybridmodelle steigern Genauigkeit der Vorhersage von Notaufnahme‑Patienten

Eine aktuelle Studie von Tabesh, Abbaszadeh‑Mozaffari, Ebnehoseini und Saki präsentiert zwei hybride Vorhersagealgorithmen, die Auto‑Regressive Integrated Moving Average (ARIMA) mit Artificial Neural Network (ANN) kombinieren, um die tägliche Zahl der Patientenankünfte in Notaufnahmen genauer zu prognostizieren.

Einbeziehung von Umwelt‑ und Kalenderfaktoren

Die Forschenden integrierten meteorologische Daten sowie kalendarische Einflüsse, etwa Wochentage und Feiertage, um sowohl lineare als auch nichtlineare Zusammenhänge mit den Ankunftszahlen abzubilden.

Hybrid‑Algorithmus 1

Der erste hybride Ansatz nutzt die von ARIMA gelieferten Modellwerte als Eingabe für ein ANN, kombiniert mit den ANN‑Modellwerten der ARIMA‑Residuen und den ANN‑Modellwerten der Zeitreihe selbst, wobei nichtlineare Eingabefeatures aus ARIMA ausgeschlossen werden.

Hybrid‑Algorithmus 2

Der zweite Ansatz fügt die Vorhersagewerte von ARIMA und ANN direkt zusammen, um eine kombinierte Schätzung der Patientenankünfte zu erzeugen.

Leistungsbewertung gegenüber Einzelmodellen

Zur Validierung wurden die hybriden Modelle mit reinen ARIMA‑, ANN‑, LSTM‑ und GLM‑Prognosen verglichen. Die gemessenen Genauigkeitsindizes lauteten: RMSE = 37,43 (ARIMA), 44,33 (ANN), 39,33 (Hybrid 1), 33,82 (Hybrid 2), 55,53 (LSTM), 34,96 (GLM); ME = ‑16,38, 22,08, 13,93, 2,85, ‑36,24, 5,65; SMAPE = 5,32 %, 6,57 %, 6,00 %, 5,18 %, 8,27 %, 4,62 %.

Ergebnisse und praktische Bedeutung

Der Hybrid‑2‑Algorithmus erzielte die beste Gesamtleistung über kurze, mittlere und gesamte Vorhersagehorizonte, während das ARIMAX‑Modell bei langfristigen, wenig volatilen Zeiträumen überlegen war. Die Ergebnisse ermöglichen eine präzisere Planung von Personal und Ressourcen in Notaufnahmen und unterstützen strategische Entscheidungen zur Optimierung des Patient:innenflusses.

Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.