编辑推荐：
为解决准确预测患者住院时长（LOS）以优化医院资源配置的问题，研究人员开展了运用人工神经网络（ANN）、自适应神经模糊推理系统（ANFIS）和多元线性回归分析（MLR）预测 LOS 的研究。结果显示 ANN-LM 模型表现最佳，该研究有助于卫生管理者合理分配资源3。
在医疗领域，医院住院时长（Length of Stay，LOS）的管理一直是个棘手的问题。想象一下，医院就像一个繁忙的大型商场，每天人来人往，患者们在这个 “商场” 里接受各种检查、治疗。然而，每个患者停留的时间却大不相同，有的短则一两天，有的却长达数周。这不仅影响患者的就医体验，还对医院的资源分配带来巨大挑战。如果能提前准确预测患者的住院时长，医院就能像高效的商场管理者一样，合理安排病床、调配医护人员，提高服务质量，降低运营成本。但目前，这方面的研究还存在不足，尤其是针对不同科室患者住院时长的预测研究较少。为了填补这一空白，来自 Ondokuz May?s University 的研究人员开展了一项极具意义的研究，相关成果发表在《BMC Health Services Research》杂志上。
研究人员使用了多种先进的技术方法来开展这项研究。他们收集了 2012 - 2020 年 Ondokuz May?s University 健康应用和研究中心成人医院的 162,140 名 18 岁及以上住院患者的数据。然后运用人工神经网络（ANN）、自适应神经模糊推理系统（ANFIS）以及多元线性回归分析（MLR）等人工智能技术，对数据进行深入分析。在分析前，还进行了数据预处理，包括数据合并、缺失值处理和特征选择等操作12。
在研究结果部分，研究人员首先对患者的基本信息进行了详细统计。在这 162,140 名患者中，男性占 54%，43.53% 的患者入住外科，平均年龄为 55.1 岁。住院时长方面，39.7% 的患者住院 2 - 7 天，30.9% 超过 7 天，29.4% 为 1 天。此外，大多数患者（25.1%）因肿瘤相关诊断入院，60.1% 的患者有 secondary diagnosis。通过 Pearson 相关分析，研究人员发现如 CT 扫描次数、直接 X 射线次数、血常规检查次数、超声检查次数以及是否有 secondary diagnosis 等变量与住院时长存在显著相关性。
接着，研究人员构建了多种预测模型。运用不同训练算法（Levenberg - Marquardt - LM、Bayesian Regularization - BR 和 Scaled Conjugate Gradient - SCG）的 ANN 模型，结合 Grid Partitioning（GP）训练算法和多种隶属函数的 ANFIS 模型，以及 MLR 模型。在众多模型中，ANN - LM（3 - 9 - 11 - 1）模型表现最为出色，其在测试期的 R2 达到 0.807，RMSE 为 2.774 天，MAE 为 1.994 天。该模型输入参数为血常规检查次数、secondary diagnosis 和超声检查次数。ANFIS - GP 模型中，采用三个三角形隶属函数（Trimf (3)）且输入为血常规检查次数、secondary diagnosis 和超声检查次数的模型表现较好，测试期 R2 为 0.807，RMSE 为 2.778 天，MAE 为 1.998 天。MLR 模型中，M6 模型在测试数据集上具有最低的 RMSE（2.845 天）和 MAE（2.105 天），最高的决定系数（0.797）。
综合比较三种模型，ANN - LM 模型性能最优，它能更准确地捕捉数据中的非线性关系，在预测住院时长方面表现出更高的准确性。这一结果对于医院管理来说意义重大，它为卫生管理者提供了有力的决策依据，帮助他们更公平地在各个科室分配资源，提高医院的运营效率和服务质量。然而，该研究也存在一定的局限性，如受特定输入变量和单机构数据源限制，无法推广到其他医疗机构，且影响住院时长的因素会随时间变化。
总的来说，这项研究利用人工智能技术在预测住院时长方面取得了重要成果，验证了 ANN - LM 模型在预测住院时长方面的有效性。虽然存在局限性，但为后续研究指明了方向。未来研究可以扩大数据集，纳入更多临床、经济和社会人口学数据；探索更多人工智能模型，进行实时应用并与电子健康记录（EHRs）集成，开展成本效益分析；开展多机构研究，以提高研究结果的普遍性，从而更好地优化医院资源管理，推动医疗服务质量的提升。
