Forecasting Hospital Mental-Health Admissions with a Novel Hybrid Deep Learning Architecture
Notice bibliographique
Résumé
Forecasting hospital admissions, especially for mental health patients, is crucial for efficient resource allocation planning. This study used multivariate time-series data to forecast hospital admissions for mental health patients at the Thunder Bay Regional Health Sciences Centre in Ontario, Canada. The main contribution of this work is proposing a novel deep learning architecture, the Stacked-dilated-causal Convolutional Neural Network and Bidirectional Long Short-Term Memory (SCNN-BiLSTM), which outperformed other statistical and machine learning models. The hybrid architecture provides full history-coverage of the input window and maintains the causal structure of the input time series, making it suitable for long-term forecasting. For univariate one-week forecasting, among the commonly used methods, CNN-BiLSTM achieves the minimum Mean Absolute Percentage Error (MAPE) score (13.8). However, for 4-week forecasting, the MAPE score increases to 14.78. Modelling multivariate data reduces this score to 13.33. The multivariate model trained with the proposed architecture performs the best by achieving a MAPE score of 12.96 in 4-weeks forecasts. Training multivariate models using the SCNN-BiLSTM architecture developed in this study may be potentially utilized in other health forecasting domains to achieve improved forecasting accuracy.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».