预测英国国家卫生服务对非选择性医院病床的需求:模型开发研究

介绍

背景和原理

在2011-2012年至2019-2020年期间，英国国家卫生服务(NHS)主要(1类)急诊科(ed)的患者就诊人数增加了约20%。在此期间，急诊科入院的病人数量甚至有更大的增长。这类入院人数增加了三分之一以上，现在占所有非选择性入院患者的近四分之三(图1）.

由此造成的对NHS床位容量的压力导致急诊科人满为患，病人在住院病房入院前等待时间过长。到2019-2020年，超过3.2%的急诊科患者在到达后在急诊科停留超过12小时[1]。已知如此长时间的延误会导致患者预后不良，包括全因30天死亡率的增加[2]。

为了使卫生保健系统满足其服务人群日益增长的需求，并提供更好的护理，必须优化现有卫生保健资源的分配，包括医院床位。健康预测是预测的一个新领域，它可以通过向保健服务提供者提供医院床位占用情况预测来促进这一点，使他们能够将风险降到最低并管理需求[3.]。

目前的模型，包括nhs推荐的系统，预测医院床位利用率有很大程度的误差，不同医院之间有明显的差异。更准确及可靠的长期病床需求预测，有助预测本地人口的需要[4从而获得效率和患者预后的双重收益。

许多研究已尝试进行时间序列分析，以提前数天或数周预测床位入住率[5]。这些模型大多使用逗留时间的估计[6]或ED招生[7-9]。我们使用更直接的基于时间序列的方法开发了模型，该方法利用历史入院数据而不需要任何识别患者信息，来模拟非选择性医院床位需求。对未来非选择性床位占用情况的了解允许适当安排选择性程序，以优化容量和资源分配[6]。此外，据我们所知，以前没有研究为整个国家卫生保健系统生成准确的模型。在这项研究中，我们创建了一个建模框架，该框架在英国的NHS中是自动化的和可推广的。它可以被管理员和关键决策者使用，他们对统计技术知之甚少，以更有效地评估和响应临床需求。

‎ 查看此图

目标

我们的目标是:(1)测试和比较一套广泛使用的自动化时间序列预测技术，以预测每天短期(最多42天)的非选择性床位占用情况;(2)开发一个简单而准确的系统级预测和建模框架，用于预测不同季节入院模式下的急诊床位占用情况。研究的基本原理和目的摘要载于文本框1．

方法

数据

我们的数据集包含了2011年4月至2017年3月英格兰每个地区121个NHS信托的每日非选择性午夜信托占用数据。我们承认，这与通常发生在工作日中间的入住高峰不同。没有提供患者或工作人员的个人信息。由于这些数据不包含任何识别患者的信息，因此不需要机构审查委员会的伦理批准。此外，我们利用了行政资料，患者和公众没有参与我们的研究。我们使用RStudio(版本1.1.442,RStudio Inc)进行所有分析。所有生成的预测都考虑了入住率或季节性的模式，即预测的是一周中的哪一天。一项预测还考虑了一年中的哪一天、公共假期的发生率和历史上的床位可用性。

研究设计

对于采用的每种预测技术，数据准备和分析分4个步骤进行(图2）.

‎ 查看此图

数据管理

我们提取了121个NHS信托机构的每日非选择性占用数据。为了将我们的数据限制在普通和急性床位占用情况，我们排除了咨询师的专业与心理健康、学习障碍或产妇相关的入院。每个信托的前10天和最后20天的占用数据从我们的数据集中删除，以解释任何导致数据报告不准确的边缘效应。以下支持变量也包括在内，因为它们可能会产生波动或季节性，在床位占用[11]:(1)星期几，(2)一年中的哪一天，(3)公众假期，(4)历史床位情况。

数据分离

考虑到医院在冬季的负担更大，这可能会在预测过程中引入并发症，因此将每个信托的医院入住率数据分为夏季和冬季2个季节性数据集。每个季节数据集被进一步细分为用于开发模型的训练数据集和用于交叉验证模型的验证数据集。夏季的验证数据集包含2016年7月中旬至8月中旬最后6周的入住数据，冬季的验证数据集包含2017年2月至3月中旬最后6周的入住数据。衍生数据集包含从2011年4月到验证数据集开始日期的所有剩余数据，并用于开发模型。

模型生成与评价

我们通过使用三种最广泛使用的自动预测技术为每个信托开发了一组模型:指数平滑(ES);季节自回归综合移动平均线;以及三角函数、Box-Cox变换、自回归移动平均误差和趋势和季节分量(TBATS) (表1）.有关此模型的详细信息载于多媒体附录1．这些模型与NHS现代化机构最新发布的先进预测技术概述一致，这些技术可用于模拟NHS服务[12]。我们还复制了NHS现代化机构之前推荐的预测方法，尽管已经过时了。13]。

因此，我们为NHS的121个信托机构中的每一个开发了4个模型。用R语言开发了一个程序，使整个过程自动化，以尽量减少重复和提高效率。对每个预测应用了两个测试:Ljung-Box测试输出(多媒体附录2)来测量模型误差的剩余模式，这些模式可以通过额外的建模参数来纠正，以及交叉验证的均方根误差(RMSE)值。然后将绝对均方根误差值转换为百分比误差，表示与符号(多媒体附录2）.分子为预测方法的均方根误差中位数，分母为医院普通床位和急症床位总数。因此，所有方法的分母都是一样的。通过比较预测的每周样本外数据集中的每日非选择性入住率与实际非选择性入住率，进行了预测准确性的比较分析。

已编制夏季和冬季的天气预报。鉴于英国的暑期学校假期通常从7月下旬持续到9月初，而英格兰的NHS数据表明，冬季压力主要持续到1月初到3月底，我们在这些时间框架内预测了时间段。夏季预报为2016年7月至8月中旬，冬季预报为2017年2月中旬至3月中旬。预测结果相互比较，并与NHS现代化机构推荐的方法进行比较。

我们没有使用Prophet和人工神经网络生成模型，这是现代化机构概述中推荐的另外两种模型，因为它们不能自动化并应用于多个信托[12]。

结果

使用我们的建模框架自动开发了总共484个模型(每个信任n=4) (图3）.我们的Ljung-Box测试验证了自相关是最小的，从而验证了我们选择的模型。

我们模型的准确性根据我们预测入住率的季节而变化。每个模式的RMSE百分比值在夏季预测的6周内保持相对稳定，表明夏季是可预测的(图4）.此外，只有我们的TBATS模型(6周的中位数误差=2.45%)优于NHS现代化机构推荐的方法(6周的中位数误差=2.63%)。TBATS对第一个预测周的中位数误差为1.98%，对第六周的中位数误差为3.01%，而NHS现代化机构推荐的方法对第一个预测周的中位数误差为2.32%，对第六周的中位数误差为3.17%。

相反，RMSE值的百分比随着我们对冬季未来的进一步预测而增加(图5）.因此，我们的研究表明，在冬季，我们只能对未来4周的天气做出相对准确的预测。重大天气事件和疾病暴发可能助长这种不可预测性。然而，由于目前的天气预报方法无法准确预测超过10天的重大事件，因此计算超过10天的天气是不切实际的。ES表现最好(4周内的中位数误差=4.91%)，但所有模型都优于NHS现代化机构推荐的方法(4周内的中位数误差=8.5%)。ES对第一个预测周的中位数误差为2.17%，对第四个预测周的中位数误差为9.38%，而NHS现代化机构推荐的方法对第一个预测周的中位数误差为5.12%，对第六周的中位数误差为13.62%。

五个或更少的信托未能通过TBATS和SARIMA模型的Ljung-Box自相关检验，这表明模型的准确性无法进一步提高。然而，由于很大比例的信托未能通过ES模型(夏季预测为40%，冬季预测为42%)，我们开发了一个TBATS模型来预测我们预测的残差，并将这些预测的残差纳入我们的原始模型。然而，这种修正并没有显著提高预报的准确性。我们还怀疑，对于未达到最大床位可用性(不到总床位的95%)的信托机构，预测可能更准确。因此，我们在最大床位可用性的基础上对信托进行了子集设置，并为每个组生成了单独的SARIMA预测。这提高了冬季预报的准确性，但对夏季的预报影响不大。

‎ 查看此图

‎ 查看此图

‎ 查看此图

讨论

主要研究结果

我们的研究结果表明，与NHS现代化机构先前推荐的方法相比，有可能创建自动化模型来预测非选择性床位入院，其准确性和可靠性更高。

使用nhs推荐的方法导致能力不足，程序在最后一刻被取消(图3）.虽然其中一些问题在如此庞大和分散管理的系统中是不可避免的，但通过改进预测方法(如本研究中描述的方法)可以减少此类取消的频率。

其他关注英国医院的组织已经为单个站点或一组信托机构，或为更容易预测的特定医院服务(如急诊科)建立了预测模型[14]。然而，据我们所知，他们都没有利用整个NHS的数据来产生更准确的预测模型[14]。虽然个别的、特定地点的模型有可能优于国家模型，但我们认为，大多数医院没有资源、时间或所需的专业知识来生成自己的预测方法。因此，更通用、更容易实现的建模框架是可取的——尽管准确性略低。此外，我们的模型是自动化的，并且需要最小的努力来实现一致的执行。

即使采用简化的方法和适当的最终用户教育，执行方面的若干障碍也可能限制使用已开发的国家预测模型。在NHS系统中，人员轮岗缺乏在短时间内减少人员所需的灵活性。虽然预测需求增加的错误预测会导致经济损失，但预测需求减少的错误预测可能导致不良临床事件。因此，谨慎要求用户更有可能对需求增加的预测做出反应，而不是那些预测相反的预测。因此，常规预测可能会增加成本，至少在初始阶段是这样。

如果要将这样的建模框架合并到策略中，那么必须考虑是否可能有效地实现。最近一项关于ED升级计划的研究[15在需求增加的时候支持病人护理报告说，在管理意图和实际执行之间可能存在重大差距。

限制

潜在的偏见可能源于地方一级不准确的数据收集和报告。此外，我们的入住数据是作为午夜普查收集的，而不是在白天医院入住高峰时收集的。这可能会限制模型的适用性。虽然我们的模型考虑了各种时间模型，但我们没有明确考虑气象条件，如天气或空气污染等可能影响预测准确性的因素[16，17]。

我们研究的另一个限制是，我们无法模拟门诊服务或选择性手术的需求，这可能对住院资源的可用性有重大影响，包括卫生保健专业人员本身[18]。然而，这是一个临床医生和管理人员在很大程度上可以控制的领域[13]。此外，在根据接近最大产能的模型预测总床位利用率的实际影响时，需要谨慎，因为小的随机效应可能会产生不可预测的后果。

由于这些模型需要自动化，我们还没有利用最先进的预测技术。自激阈值自回归模型和人工神经网络在充分优化后可能会产生更准确的预测。我们探索了这个模型，但最终拒绝了它，因为自激阈值自回归系统需要高度个性化才能正确使用。因此，这对于统计知识有限的医院工作人员(或没有时间获得统计知识)来说是不切实际的，无法有效实施。

结论

没有迹象表明对所有医院服务的需求会立即减少。因此，提高卫生资源利用效率至关重要。我们相信，据我们所知，这是第一个为整个卫生保健系统生成准确预测模型的研究。此外，我们的模型是自动化的，需要最小的努力来一致和准确地执行;因此，它们与NHS现代化机构关于先进预测技术的最新指导方针是平行的[12]。随着非选择性床位占用预测准确性的提高，医院管理人员可以制定更可靠的选择性手术时间表。这种效率的提高应该会带来对患者更好的护理，并为医护人员提供更一致的工作流程模式。我们相信，类似的方法可以应用于包括美国在内的其他国家的NHS以外的医院系统，我们希望在未来更广泛地应用这些模型。