Acil servislerde yapay sinir ağları ile tahminleme ve kaynak planlaması

Abstract

Acil ve ölümcül hastaların, hastanede ilk tedavi gördükleri birim olan acil servis (AS) biriminin çok etkin olması gerekir. AS biriminin etkin olabilmesi için de sahip olduğu kaynakların çok verimli kullanılması gerekir. Genellikle, sağlık sistemlerinde kaynak optimizasyonu yapabilmek için simülasyon modellerinden faydalanılır. AS'de ideal yatak sayısının tespit edilmesi çok önemlidir, çünkü bir çok kaynak yatak sayısına göre planlanır. Bu çalışmada ideal yatak sayısını bulmak amacıyla bir simülasyon modeli geliştirilmiştir. Simülasyon modelinin tasarlanması için gerçek sistemle ilgili bilgilere gereksinim vardır ve bu bilgilerden en önemli girdi parametresi hasta geliş sıklıklarının tahminidir. 10 farklı makine öğrenme algoritması kullanılarak hasta geliş sıklığı tahmin edilmeye çalışılmış, makine öğrenme algoritmalarının girdi olarak kullanacağı ideal öznitelik kümesi de kapsamlı öznitelik seçim yöntemi ile belirlenmiş ve en önemli öznitelik verisi ortalama geliş oranı olarak belirlenmiştir. Uzun Kısa Vadeli Hafıza (LSTM) modeli tahminde mutlak ortalama hata yüzde oranı %46,7 ile en başarılı algoritma olmuş ve simülasyon metodu yardımıyla acil serviste hasta kalış süresi %7 azalmıştır.

Emergency Department (ED) must be managed effectively since it is the first point of care in hospitals for urgent and critically ill patients. ED can be effective, only by using resources efficiently. Generally, simulation model is used in healthcare systems to optimize resources. In ED, the optimum number of bed resource is crucial, since most of the resources in ED can be planned according to the number of bed resource. This study has devoloped a simulation model to determine the optimum number of beds. This simulation model needs some inputs and the most important input for this model is patient's arrival rate. 10 different machine learning algorithms are utilized to predict the patient's arrival rate. These machine learning algorithms need optimum feature subsets and this optimum subset has been determined by using exhaustive feature selection method. The most significant feature is identified as mean arrival rate. The long short-term memory (LSTM) model has the best accuracy with a MAPE value of 46,7%, and by the help of the simulation method, the length of stay (LOS) has been minimized by 7% and the number of beds at the ED has been optimized.