Can we accurately forecast non-elective bed occupancy and admissions in the NHS? A time-series MSARIMA analysis of longitudinal data from an NHS Trust
Notice bibliographique
Résumé
OBJECTIVES: The main objective of the study was to develop more accurate and precise short-term forecasting models for admissions and bed occupancy for an NHS Trust located in Bristol, England. Subforecasts for the medical and surgical specialties, and for different lengths of stay were realised DESIGN: Autoregressive integrated moving average models were specified on a training dataset of daily count data, then tested on a 6-week forecast horizon. Explanatory variables were included in the models: day of the week, holiday days, lagged temperature and precipitation. SETTING: A secondary care hospital in an NHS Trust in South West England. PARTICIPANTS: Hospital admissions between September 2016 and March 2020, comprising 1291 days. PRIMARY AND SECONDARY OUTCOME MEASURES: The accuracy of the forecasts was assessed through standard measures, as well as compared with the actual data using accuracy thresholds of 10% and 20% of the mean number of admissions or occupied beds. RESULTS: The overall Autoregressive Integrated Moving Average (ARIMA) admissions forecast was compared with the Trust's forecast, and found to be more accurate, namely, being closer to the actual value 95.6% of the time. Furthermore, it was more precise than the Trust's. The subforecasts, as well as those for bed occupancy, tended to be less accurate compared with the overall forecasts. All of the explanatory variables improved the forecasts. CONCLUSIONS: ARIMA models can forecast non-elective admissions in an NHS Trust accurately on a 6-week horizon, which is an improvement on the current predictive modelling in the Trust. These models can be readily applied to other contexts, improving patient flow.
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.
Comment cette classification a été obtenuedéplier
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 | 0,002 | 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».