Building and Prospectively Evaluating a Prediction Model to Forecast Urgent Dialysis Needs across Four Tertiary Hospitals
Notice bibliographique
Résumé
INTRODUCTION: Urgent dialysis is labor-intensive and expensive because it requires specialized nursing staff. Most hospitals schedule a fixed number of nurses daily for urgent dialysis needs, but daily dialysis demand fluctuates, leading to inefficiencies. METHODS: We developed statistical, machine learning, and deep learning models to predict the next 7 days' dialysis needs. Our study included a retrospective (April 1, 2018, to March 31, 2023) and prospective component (November 1 to 30, 2023, and May 31 to June 27, 2024) across four hospitals (hospital A for one hospital and hospital B for three hospitals combined). To avoid model over-fitting, we divided our data into three sets: training, testing, and validation. The latter was performed prospectively during two silent deployment periods. The primary outcome measure was the mean absolute error (MAE). RESULTS: The mean daily dialysis volume in the retrospective data was 16.0 (standard deviation [SD], 5.7) for hospital A and 4.5 (SD, 2.3) for hospital B. The best performing models were autoregressive integrated moving average (ARIMA) and temporal convolutional network; both resulted in an MAE of 3.0 procedures for hospital A and 1.5 procedures for hospital B, compared to 4.4 and 1.9, respectively, for the benchmark. During our two prospective evaluations, the mean daily dialysis volume was 16.8 (SD, 4.5) for hospital A and 4.2 (SD, 2.5) for hospital B. The ARIMA model resulted in the lowest MAE at 2.2 and 1.5 procedures, respectively. CONCLUSIONS: Our multicenter, 6-year study demonstrated that urgent in-hospital dialysis needs can be accurately forecasted.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».