实时人群管理：一种基于人工智能的急诊科人群管控模型（CRAMMED研究）

《BMC Emergency Medicine》：Crowding in real-time: an artificial intelligence-based model to manage crowding in the emergency department (CRAMMED Study)

　　

摘要

背景

急诊科拥挤状况是全球面临的难题，会对患者的治疗效果和医护人员的工作状态产生不良影响。传统的拥挤程度评估指标，如国家急诊科拥挤状况研究（NEDOCS）评分，其在预测即将出现的拥挤状况方面的能力较为有限。本研究旨在利用长短期记忆（LSTM）神经网络开发并验证一种实时的人工智能驱动预测模型，以预测急诊科的拥挤情况，同时以救护车调度状态作为参考标准，并将该模型的性能与（修正后的）NEDOCS评分进行比较。

方法

在这项单中心回顾性队列研究中，我们从电子健康记录和人力资源数据中提取与拥挤状况相关的参数。救护车调度状态被用作判断拥挤程度的参考标准。该LSTM模型通过向前滚动验证方式进行训练和评估，其性能则通过接收者操作特征曲线下面积（AUC）来衡量。模型校准情况则通过布里尔分数和预期校准误差（ECE）来进行评估。

结果

最优的LSTM模型利用前一小时的数据来预测一小时后的拥挤状况，其AUC值为0.84（95%置信区间为0.81–0.86）。影响该模型预测准确性的关键因素包括提前通知的到院患者数量、处于黄色和橙色分级类别的患者数量以及急诊科主管的人数。与修正后的NEDOCS评分（AUC值为0.73，95%置信区间为0.70–0.76）相比，该LSTM模型在本次单中心研究的内部验证中展现了更高的区分能力。

结论

在我们的内部验证中，这种人工智能驱动的预测模型在预测急诊科拥挤状况方面表现良好。这些研究结果凸显了实时预测模型在辅助急诊科临床工作流程方面的潜力。