條文本
文摘
客觀的急診室人滿為患被公認為全球日益重要的問題。醫院管理者越來越關注ED擁擠為了為患者提供更高質量的醫療服務。好的管理策略的關鍵因素之一是需求預測。我們的研究試圖構造一個適當的模型和預測每月訪問。
方法我們回顧性收集從2009年1月至2016年12月月度ED訪問進行時間序列自回歸移動平均(ARIMA)分析集成。初始模型的開發是基於過去的訪問從2009年到2016年。最佳模型進一步用來預測明年ED的月度數據訪問(2016)。最後,我們評估確定模型的預測精度與平均絕對百分誤差(日軍)。軟件SAS / ETS V.9.4和Office Excel 2016是用於所有統計分析。
結果一係列的統計檢驗表明,六個模型,包括ARIMA (0, 0, 1), ARIMA (1,0,0), ARIMA (1,0, - 1), ARIMA (2 0 1), ARIMA(0, 1)和ARIMA(5 0 1),候選人模型。模型,給出了最小Akaike信息標準和施瓦茨貝葉斯標準和遵循剩餘獨立性的假設被選為適當的模型。最後,一個合適的ARIMA(0, 0, 1)結構,產生8.91%的日軍,是識別和獲得訪問t= 7111.161 + (at+ 0.37462t−1)。
結論ARIMA(0, 0, 1)模型可以被認為是足夠的預測未來ED訪問及其預測結果可以用於輔助決策過程。
- 華宇電腦
- 急診科擁擠
- 時間序列分析
- 預測
這是一個開放的分布式條依照創作共用署名非商業性(4.0 CC通過數控)許可證,允許別人分發,混音,適應,建立這個工作非商業化,和其派生作品在不同的條款進行許可,提供了最初的工作是正確地引用和非商業使用。看到的:http://creativecommons.org/licenses/by-nc/4.0/
來自Altmetric.com的統計
本研究的優點和局限性
不到三個研究用自回歸綜合移動平均(ARIMA)模型預測急診(ED)在台灣訪問。我們的研究結果顯示,ARIMA(0, 0, 1)可以預測即將到來的月2017年,精度高。
確定模型相比,成分通過情節模式,我們也應用其他算法確定模型(例如,最小信息標準,最小的典型相關和擴展樣本自相關函數)。
模型不包含可能的影響因素與ED訪問,如大氣變化(如濕度和溫度)、流行病學信息(如流行)和政治問題,包括醫療政策、資源分配和醫療融資策略。
介紹
急診室擁擠一直是一個重大公共衛生問題。幾項研究已經表明,ED擁擠對患者有害,因為它會導致延遲治療,增加潛在的醫療錯誤1 - 4,最重要的是,院內感染。因此,醫院管理者越來越注重ED擁擠為了提供更好的優質服務和治療環境。
擁擠的ED的定義是擁有比治療更多的病人房間或比員工應該照顧更多的病人,和擁擠的定義是危險的擁擠,海量的患者在ED治療領域力量超出了其運營能力。5 - 7ED文獻描述了幾個使用ED聚集指標,如快速緊急進入目的地計劃,工作成績,急診室工作指數和國家急診科擁擠。這些指標涉及許多因素(ED患者的總數占領床,呼吸機病人的總數,病人等待錄取的總數,床在ED的數量等等)。然而,這些指標隻反映實時情況或過去的擁擠程度,他們無法預測未來ED訪問統計理論的基礎上。因此,為了調整適當容量的ED和安排教育資源部署,我們必須預測未來ED下個月或者明年訪問。
最重要的和廣泛使用的時間序列模型是自回歸移動平均(ARIMA)模型集成。這個模型已經采用不同的研究領域(例如,流行病學,8經濟學9和地球科學10)。對ED的主題訪問預測,米爾納10年隨訪評估ARIMA預測1986年埃德上座率。11幾年後,研究人員試圖估計埃德客流量的協會與其他變量,如氣候、經濟、環境和人口因素。例如,陳等顯示應用程序的ARIMA模型的預測每月病人協會訪問和調查訪問與溫度和股票指數波動。12太陽等應用表明,多元ARIMA方法預測了ED上座率和ED上座率和環境空氣質量之間的關係。13更重要的是,梅等證明了ED需求預計將超過人口增長通過多元vector-ARIMA技術,尤其是在複雜的患者護理需求。14然而,在教育中的應用訪問預測在台灣醫療機構是非常有限的。出於這個原因,因為好奇心,我們決定建立一個適當的模型來預測每月使用ARIMA方法訪問。
材料和方法
我們回顧性收集ED從醫院信息係統訪問數據的醫療中心在台灣南部通過WebFOCUS(信息建築商,紐約,紐約,美國)。我們收集了月度ED訪問數據的2009年1月到2016年12月(96個月)進行ARIMA模型分析。這個造型是由兩個重要的程序:(1)識別模型,在模型的初始開發是基於從2009年1月至2015年12月,(2)適合模型的驗證,最佳適合的模型被用來預測ED訪問期間從2016年1月至2016年12月。預測的準確性是預測的評估相比之下訪問與實際訪問。
評估很重要的平穩性係列之前,任何估算。增廣Dickey-Fuller (ADF)單位根測試,由確定語句的PROC ARIMA過程,被用來評估序列數據的平穩性(即均值和協方差保持不變的96個月)。Ljung-Box測試是用來評估一係列的觀察是否隨著時間是隨機的和獨立的(也稱為白噪聲)。ARIMA方法的下一步是檢查的情節模式的自相關函數(ACF)和偏自相關函數(PACF)來確定組件的ARIMA (p d q), p代表AR部分的順序,d代表執行常規的順序差異和q代表馬的部分。15數學上,純粹的ARIMA模型編寫如下16W:t=μ+(θ(B) /ψ(B))t,其中t表示索引時間;WtY代表反應級數t或一係列的不同響應(Wt= (1−B)dYt);μ代表意味著術語;B表示二次變換算子;也就是說,軟t= Xt−1;θ(B)對應於移動平均算子,在二次變換算符表示為多項式θ(B) = 1−θ1(B)−…−θ問(B)問;ψ(B)對應於自回歸算子,在二次變換算符表示為多項式ψ(B) = 1−ψ1(B)−…−ψp(B)p和一個t代表了獨立的擾動,也稱為隨機誤差。
ACF是一種統計工具,評估是否值係列的早些時候與後值相關聯。PACF捕捉的數量之間的相關性的變量和滯後變量表示,不是解釋為低階滯後相關。17此外,我們還用試探性的順序選擇算法,包括最低信息準則(MINIC),最小的典型相關(掃描)和擴展樣本自相關函數(ESACF),幫助我們過濾其他試探性的ARIMA模型。一旦完成過濾,我們比較了Akaike標準(AIC)和施瓦茲貝葉斯信息準則(SBC)值18在剩下的候選人ARIMA模型。適當的預測模型是伴隨著AIC和南方浸信會的最小值。擬合模型的識別後,正常測試和獨立模型殘差進行評估(也稱為白噪聲自相關檢查)。隨後,我們估計的參數建立ARIMA公式使用最大似然方法的算法。最後,模型的預測精度驗證了基於平均絕對百分誤差(日軍),定義如下19:
X我在上個月我代表觀察到的ED訪問, 表示預測ED訪問在月。統計分析進行了使用PROC ARIMA過程在SAS / ETS V.9.4和Office Excel 2016。
結果
時序分析
共有84個月(從2009年1月至2015年12月)的數據導入到情景應用程序庫。ED訪問原始數據所示的陰謀圖1。均值,SD和數量的觀察undifferenced係列7108、547和84年,分別。觀察圖顯示嚴重的振蕩周期後跟一個輕微的振蕩周期。隨後,一個溫和的振蕩周期出現了。此外,一個戲劇性的海拔在ED訪問發生在2012年1月。
ADF單位根測試顯示,沒有單位根的特征多項式模型擬合ED訪問數據滯後0,1或2(所有P < 0.001為單身的意思是測試和測試的趨勢,網上看到的補充表1)。此外,白噪聲的假設是支持(P > 0.05),如網上所示補充表2。因為我們假定序列數據是固定的(即均值、方差、自相關是通過時間常數),不同的程序是可忽略的,ARIMA的d順序是等於零。
補充文件1
模型擬合
的ACF的情節圖2一個顯示了顯著積極的峰值滯後1,揭示長期馬組件的一個訂單(q = 1)。所示的PACF情節圖2 b揭示了一個顯著的正峰值滯後1,表明長期基於“增大化現實”技術的組件的一個訂單(p = 1)。此外,我們發現沒有季節性延遲ED訪問序列數據檢查。因此,該模型ARIMA(1,0, - 1),除了依靠ACF和PACF的模式,我們還使用了下列識別技術來確定馬的順序和AR (1) MINIC。方法:這個矩陣的最小等於12.41575,強調了在網上補充表3,對應於一個基於“增大化現實”技術的0和1的馬位置(0,1)。(2)掃描方法:有兩個(最大的)矩形區域中所有的元素都微不足道的95%可信區間,如網上所示補充表4;這個方法顯示兩個頂點在(0,1)和(1,0)。(3)ESACF方法:有五個三角形區域的所有元素都是微不足道的5%的水平;三角形的頂點,包括(0,1),(1,1),(2,1),(3,1)和在線(5 - 1)所示補充表5。Ljung-Box P值測試所有所有滯後訂單超過5%,這意味著沒有明顯背離白噪聲殘差的六個候選人模型。
然後我們計算的值相對質量度量AIC和南方浸信會六個候選人ARIMA模型,如網上所示補充表6。因此,最後選定的ED訪問數據模型ARIMA(0, 0, 1)。因此,我們下一個試圖驗證該模型的正確性。圖3顯示了殘留相關性和白噪聲測試塊;我們接受零假設,殘差不相關的。正常的情節也沒有背離常態。因此,我們得出結論:ARIMA(0, 0, 1)適合ED訪問一係列的變化。下一步是參數估計,利用估計的PROC ARIMA過程。結果報告表1。我們在分析進行檢查是否所有參數包含在模型意義重大。在模型中有兩個參數。的平均任期被貼上μ;估計價值為7111.2,P值μ表示,這一項明顯導致了模型(P < 0.0001)。移動平均線參數被貼上MA1, 1;這是變化的滯後值係數ED訪問及其估計是−0.37462 (P = 0.0003)。ARIMA(0, 0, 1)進一步選擇預測ED互訪,自回歸項p = 0的,差異項d = 0和移動平均項q = 1。根據數據集表1數學公式的擬合模型ARIMA(0, 0, 1)是由以下幾點:
改造後的運營商,方程
我們用這個方程產生的價值觀和情節預期從2009年1月至2017年12月使用PROC ARIMA預測語句的過程。預測性能的趨勢圖所示圖4。通過比較實際與預測訪問訪問,日軍值,預測方法的預測精度的測量數據,20.大約是8.91%。因此,模型的預測能力顯示高度準確的預測。模型預測在ED略有增加訪問量在2017年即將到來的月,常訪問基於擬合模型。
討論
這項研究集中在時間序列分析的過程和結果的訪問。我們的研究結果顯示,一個ARIMA(0, 0, 1)模型適合預測訪問在即將到來的2016年和2017年。此外,模型的擬合和正常模型的殘差的分布證實了模型的適應性。
雖然這並不是第一個研究通過ARIMA預測月度ED訪問方法,它是第一個預測ED互訪顯示整個統計過程。結果段落清楚地描述整個過程參與構建模型和預測數據。的過程和結果ARIMA方法扮演同樣重要的角色。除了確定模型通過ACF的模式構建和PACF,我們使用其他識別技術,如MINIC、掃描和ESACF方法。迄今為止,大多數研究隻確定p和q條款的ARIMA模型通過ACF和PACF的情節模式。
預測未來的ED訪問,作為ED監測係統一個重要的問題,提供一個舒適的醫療環境中發揮著關鍵作用,防止ED擁擠,幫助ED資源部署,甚至避免院內感染。盡管高度準確的預測,我們發現仍有ED訪問兩個月(2011年2月和2012年1月),在95%置信區間。有兩個原因的結果。流感樣疾病的主要原因是當時流行的;台灣國家傳染病統計係統顯示有兩個戲劇性的增加在2011年的第五周,第四周2012(見在線補充圖1)。峰值位於這些時間點是按照所示的山峰圖1。這些山峰的次要原因是發生在傳統的中國新年期間。因為大多數診所和醫院門診部門關閉在這段時間裏,ED訪問顯示上升趨勢。
據我們所知,隻有兩個研究小組應用ARIMA模型研究月度ED的可變性的遊客。12日13然而,我們的研究受到一些限製。首先,我們采用單變量ARIMA模型預測訪問。然而,台灣國家傳染病統計係統證明了流行明顯影響ED訪問的數量。此外,流感病毒的傳播依賴於相對濕度和溫度,21和我們的模型並不包含某些因素與ED訪問,如大氣變化(如濕度和溫度)和流行病學信息(如流行)。第二,一些政治問題,包括醫療政策、資源分配和醫療融資策略,值得考慮一下。然而,我們的ARIMA模型不能反映的影響。第三,這個最佳模型準確預測了擁有高的特異性。它可以最大化的百分比變化解釋但普遍限製結果的能力。22這應該被認為是在總結研究發現其他醫院。最終限製是,不管統計預測方法,出乎意料的緊急情況無法預測(如食物中毒在社區和燃燒災難)。一旦事故發生,醫務人員緊急召回隻取決於相應的指導方針。在未來,我們將招聘上述因素達到通過多個ARIMA模型更準確的預測。
結論
每月ED訪問被證明遵循ARIMA(0, 0, 1)模型。該模型可以被認為是足夠的對於預測未來ED訪問醫院和可以用來幫助決策過程。我們的發現提供了新的見解的原因ED過度擁擠,可能有助於進一步發展ARIMA(0, 0, 1)模型預測過度擁擠的原因。
確認
作者欣然承認技術援助和無價的輸入和S-JH的支持。
引用
腳注
貢獻者WC-J SR-W構思和設計研究。FD-H大多數研究在PW-C協助下進行的。從PW-C SJ-H寫了論文的貢獻。所有作者都參與修訂手稿的重要知識內容。
資金這項工作是支持由高雄榮民總醫院(vghks106 vghks106 - 198 - 031和vghks106 - 168)提供給SR-W WC-J。
相互競爭的利益沒有宣布。
倫理批準醫學倫理委員會的機構審查委員會高雄榮民總醫院同意(高雄,台灣;IRB沒有VGHKS17-CT5-15),使用的急診疾病監測係統不涉及個人私密信息,和本研究回顧性沒有任何生物對人類或動物實驗相關。委員會因此放棄需要倫理批準數據的利用率。
出處和同行評議不是委托;外部同行評議。
數據共享聲明沒有額外的數據是可用的。