Predicting patient admission using machine learning to enable reduction in emergency department wait times
Notice bibliographique
Résumé
Emergency Departments (EDs) serve as critical access points for patients requiring urgent and complex medical care, yet sustained overcrowding continues to threaten the quality, safety, and efficiency of service delivery across Canadian healthcare systems.Urban tertiary care centres, in particular, face mounting operational pressures due to increasing patient volumes and limited inpatient bed availability, resulting in significant delays for patients requiring hospital admission.Existing approaches to mitigate ED overcrowding have yielded limited success, often addressing downstream symptoms rather than upstream causes.Early identification of patients likely to require hospitalization could enable proactive resource allocation, streamline care pathways, and improve patient outcomes.This study aimed to develop and evaluate machine learning (ML) models capable of predicting hospital admission using only the information available after completion of the initial triage.We performed a retrospective cohort analysis of 629,737 adult ED visits to the Montreal General Hospital and Royal Victoria Hospital, two academic sites within the McGill University Health Centre network, spanning eight years from 2015 to 2022.After excluding visits with ambiguous or non-comparable disposition outcomes, 526,145 unique visits were included for model development.Several ML classifiers, including logistic regression, decision trees, random forests, gradient boosting machines (XGBoost, LGBM, CatBoost), and artificial neural networks, were trained on structured triage-level data encompassing demographic variables, presenting complaints, arrival mode, vital signs, and healthcare utilization history.Among all models, XGBoost demonstrated the best overall performance, achieving an AUC-ROC of 0.8608 (95% CI: 0.8580-0.8635),with strong sensitivity (0.6691), specificity (0.8589), and a favourable balance of discrimination and calibration.SHAP-based interpretability analysis identified age, Canadian Triage Acuity Scale (CTAS), arrival mode, vital signs (pulse rate, temperature), and prior hospitalizations as the most influential predictors of admission.These findings suggest that meaningful and clinically relevant predictions can be made within minutes of ED arrival, using only routinely collected triage data.Our results demonstrate the potential for ML-based tools to support early
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».