Forecasting Emergency Department Arrivals via \nRegression with ARIMA errors and Facebook Prophet: \nThe Case of a Montreal Hospital
Notice bibliographique
Résumé
This thesis is motivated by a practical problem in emergency department (ED) operations management. Prolonged waiting times and overcrowding are prevalent in EDs as a result of the mismatch between demand (i.e., patient arrivals) and supply of ED services (Morley, Unwin, Peterson, Stankovich, & Kinsman, 2018). As the gateway to modern healthcare systems, EDs are faced with the arrival of patients with urgent and complex care needs, increased arrivals of the elderly, and high volume of low-acuity patient arrivals. To improve the operational efficiency and healthcare delivery, ED administrators have to make informed decisions about efficient allocation of resources; demand forecasting is a first step towards informing such decisions. Using a Montreal hospital ED as a basis for our investigation, we evaluate the effectiveness of the rarely used regression with autoregressive integrated moving average errors (regARIMA) model in forecasting future daily and hourly ED arrivals. We also experimentally evaluate the performance of Facebook Prophet (fbprophet) and demonstrate its competitiveness with established forecasting methods. This insight is particularly valuable given that in the ED arrival forecasting literature, it is viewed as a “Blackbox” or “off-the-shelf” method and has not been used for comparison with other established methods. Furthermore, we investigate the hypothesis that public sporting events, particularly hockey, lead to increased arrivals to the ED by using hockey games as a predictor within our forecasting models.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».