Maschinelles Lernen prognostiziert ED-Patientenaufnahmen – XGBoost führt an

Überfüllte Notaufnahmen stellen ein ernstes Problem für Patientensicherheit und betriebliche Effizienz dar. Um die Ressourcenplanung zu verbessern, wurde in einer Studie die Vorhersagekraft von drei modernen Modellen – SARIMAX, XGBoost und LSTM – für die täglichen Ankünfte in einer australischen Tertiärklinik untersucht.

Die Analyse erstreckte sich über die Jahre 2017 bis 2021 und teilte die Nachfrage in acht spezifische Stationen auf. Zusätzlich wurden Patienten nach ihrer klinischen Komplexität differenziert, um die Genauigkeit der Prognosen zu erhöhen.

Um Verzerrungen durch die COVID‑19‑Pandemie zu kompensieren, generierte das Modell Prophet synthetische Gegenwerte für die anomalien Zeiträume. Dadurch konnten die Modelle auf einem stabilen Datensatz trainiert werden.

Alle drei Ansätze übertrafen einen saisonalen Naiv‑Baseline. XGBoost erzielte die höchste Genauigkeit für die Gesamtzahl der täglichen Aufnahmen mit einem mittleren absoluten Fehler (MAE) von 6,63. Das statistische SARIMAX-Modell zeigte sich leicht überlegen bei der Vorhersage von Fällen mit hoher Komplexität, mit einem MAE von 3,77.

Die Autoren betonen, dass die Modelle zwar die regelmäßigen Tagesmuster zuverlässig abbilden, jedoch bei plötzlichen, seltenen Anstiegen im Patientenaufkommen tendenziell unterestimmen. Diese Erkenntnisse legen den Grundstein für weiterentwickelte Prognosesysteme, die Notaufnahmen besser auf unvorhergesehene Belastungen vorbereiten können.