Belangrijkste concepten
병원 환자 수요 예측의 정확도를 높이기 위해 시간 변화에 따른 선형 모델과 LSTM 신경망 모델을 제안하고, 기존 모델들과 비교 분석하였다.
Samenvatting
이 연구는 병원 환자 수요 예측 향상을 위한 두 가지 방법을 제안하고 있다.
첫 번째는 시간 변화에 따른 선형 모델로, 요일과 지난 7일간의 시간별 도착 패턴을 기반으로 1주일 동안의 시간별 환자 도착 수를 예측한다.
두 번째는 LSTM 신경망 모델로, 지난 1주일 데이터와 3일 예측 구간 사이의 비선형 관계를 학습한다.
이 두 모델은 모두 시간별 변동성을 잘 포착하지만, LSTM 모델이 주간 계절성을 더 잘 설명하여 예측 오차가 가장 낮게 나타났다.
연구 결과, 기계 학습 기법을 활용하면 병원 환자 수요를 3일 또는 1주일 전에 약 4명 정도의 오차로 예측할 수 있음을 보여준다. 이는 병원 자원 관리에 유용한 정보를 제공할 것으로 기대된다.
Statistieken
주 단위 환자 도착 수는 주말에 크게 감소한다.
하루 중 오전 8시 이후 환자 도착이 급증한다.
연간 환자 도착 수는 큰 변동 없이 일정하다.
Citaten
"병원 환자 수요 예측의 정확도를 높이는 것은 효과적인 자원 배분과 임상 의사 결정, 환자 경험에 큰 영향을 미친다."
"제안한 두 모델 모두 시간별 변동성을 잘 포착하지만, LSTM 모델이 주간 계절성을 더 잘 설명하여 예측 오차가 가장 낮게 나타났다."