机器学习引导的主动式满负荷应对预案能否缓解急诊科拥挤？一项基于仿真的评估
Do Machine Learning-Guided Proactive Full Capacity Protocols Mitigate Emergency Department Overcrowding? A Simulation-Based Evaluation
精选理由
研究模拟显示，机器学习预测可提前启动满负荷方案，减少急诊拥堵时长与极端拥堵，为主动容量管理提供依据。
AI 摘要
arXiv:2610.30148v1 公告类型：交叉发布 摘要：目的：急诊科（ED）过度拥挤威胁医疗服务质量，但满负荷应对预案（FCP）通常仅在超过拥挤阈值后才会启动。本研究评估了与传统的被动响应式启动相比，机器学习引导的主动式 FCP 启动能否改善急诊科拥挤控制。材料与方法：我们开发并验证了一个集成机器学习与离散事件仿真的框架，用于模拟急诊科患者流转和容量管理。框架中嵌入的机器学习模型提前六小时预测每小时的候诊室拥挤情况，并触发主动式 FCP 启动。利用美国一家大型医院的实证数据校准运行参数后，我们在为期 365 天的仿真中进行了 10 次独立重复实验，比较主动式与被动响应式部署策略。结局指标包括急诊科停留时间、等待时间、超过拥挤阈值的时间占比、FCP 启动次数及预案持续时间。结果：在所有阈值设置下，主动式部署均使超过拥挤阈值的时间占比和预案平均持续时间显著降低，且差异具有统计学意义。它还减少了拥挤程度的波动和极端拥堵事件，使急诊科运行更加平稳。尽管主动式部署总体上缩短了急诊科停留时间和等待时间，但这些差异并无统计学意义。结论：将机器学习预测嵌入运行仿真，可在严重拥堵发生前实现由预测引导的主动式容量管理。这些发现支持将主动式 FCP 部署作为改善急诊科拥挤控制的决策支持策略，表明其具有可行性和潜在价值，并为在临床实践中开展前瞻性实施提供了证据。