Making the hospital smart: using a deep long short-term memory model to predict hospital performance metrics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Abundant studies of outpatient visits apply traditional recurrent neural network (RNN) approaches; more recent methods, such as the deep long short-term memory (DLSTM) model, have yet to be implemented in efforts to forecast key hospital data. Therefore, the current study aims to reports on an application of the DLSTM model to forecast multiple streams of healthcare data. Design/methodology/approach As the most advanced machine learning (ML) method, static and dynamic DLSTM models aim to forecast time-series data, such as daily patient visits. With a comparative analysis conducted in a high-level, urban Chinese hospital, this study tests the proposed DLSTM model against several widely used time-series analyses as reference models. Findings The empirical results show that the static DLSTM approach outperforms seasonal autoregressive integrated moving averages (SARIMA), single and multiple RNN, deep gated recurrent units (DGRU), traditional long short-term memory (LSTM) and dynamic DLSTM, with smaller mean absolute, root mean square, mean absolute percentage and root mean square percentage errors (RMSPE). In particular, static DLSTM outperforms all other models for predicting daily patient visits, the number of daily medical examinations and prescriptions. Practical implications With these results, hospitals can achieve more precise predictions of outpatient visits, medical examinations and prescriptions, which can inform hospitals' construction plans and increase the efficiency with which the hospitals manage relevant information. Originality/value To address a persistent gap in smart hospital and ML literature, this study offers evidence of the best forecasting models with a comparative analysis. The study extends predictive methods for forecasting patient visits, medical examinations and prescriptions and advances insights into smart hospitals by testing a state-of-the-art, deep learning neural network method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle