I. Giới thiệu vấn đề
Phòng cấp cứu là nơi bận rộn nhất trong bệnh viện, nơi cung cấp sự chăm sóc khẩn cấp cho bệnh nhân. Việc dự báo bệnh nhân nhập viện tại phòng cấp cứu là rất quan trọng để quản lý nguồn lực hiệu quả. Nghiên cứu này tập trung vào việc dự báo lượng bệnh nhân bằng các mô hình như mô hình LSTM và phương pháp Holt-Winters. Dữ liệu được thu thập từ Bệnh viện Đa Khoa Khu Vực Củ Chi từ 01/01/2018 đến 31/12/2020. Mục tiêu là phát hiện tính mùa của dữ liệu và đưa ra dự báo chính xác cho lượng bệnh nhân trong tương lai.
1.1 Tầm quan trọng của dự báo
Dự báo lượng bệnh nhân nhập viện giúp bệnh viện chuẩn bị tốt hơn cho các tình huống khẩn cấp. Việc này không chỉ giúp tối ưu hóa quy trình cấp cứu mà còn giảm thiểu tình trạng quá tải. Các phương pháp như Holt-Winters và mô hình LSTM đã được chứng minh là hiệu quả trong việc dự báo nhu cầu y tế. Nghiên cứu này sẽ so sánh hiệu quả của các mô hình này để tìm ra phương pháp tối ưu nhất cho việc dự báo bệnh nhân.
II. Cơ sở lý thuyết
Chương này trình bày các khái niệm cơ bản về dữ liệu chuỗi thời gian và các mô hình dự báo. Mô hình Holt-Winters là một phương pháp thống kê phổ biến cho dữ liệu có tính mùa. Mô hình LSTM là một loại mạng nơ-ron hồi quy, có khả năng ghi nhớ thông tin lâu dài, rất phù hợp cho việc dự báo chuỗi thời gian. Nghiên cứu này sẽ áp dụng các mô hình này để phân tích dữ liệu về lượng bệnh nhân nhập viện tại phòng cấp cứu.
2.1 Dữ liệu chuỗi thời gian
Dữ liệu chuỗi thời gian là tập hợp các giá trị được ghi nhận theo thời gian. Trong nghiên cứu này, dữ liệu về lượng bệnh nhân nhập viện được thu thập hàng ngày. Các thành phần của chuỗi thời gian bao gồm xu hướng, mùa và bất thường. Việc phân tích các thành phần này giúp xác định mô hình phù hợp cho dự báo bệnh nhân. Sử dụng các phương pháp như Holt-Winters và LSTM, nghiên cứu sẽ tìm ra cách tốt nhất để dự đoán lượng bệnh nhân trong tương lai.
III. Phương pháp nghiên cứu
Nghiên cứu này áp dụng các mô hình Holt-Winters, SANN và LSTM để dự báo lượng bệnh nhân. Dữ liệu được chia thành tập huấn luyện và tập kiểm tra. Các mô hình sẽ được đánh giá dựa trên các chỉ số như MAPE và MSE. Kết quả sẽ cho thấy mô hình nào có hiệu quả nhất trong việc dự báo lượng bệnh nhân nhập viện tại phòng cấp cứu.
3.1 Mô hình áp dụng
Mô hình Holt-Winters được sử dụng để dự báo dữ liệu có tính mùa. Mô hình SANN kết hợp giữa mạng nơ-ron và phương pháp thống kê, giúp cải thiện độ chính xác của dự báo. Cuối cùng, mô hình LSTM sẽ được áp dụng để so sánh hiệu quả dự báo. Kết quả thực nghiệm sẽ cho thấy mô hình nào là tối ưu nhất cho việc dự báo bệnh nhân tại phòng cấp cứu.
IV. Kết quả thực nghiệm
Kết quả thực nghiệm cho thấy mô hình lai giữa Holt-Winters và SANN cho hiệu quả dự báo tốt hơn so với từng mô hình đơn lẻ. Tuy nhiên, mô hình LSTM vẫn cho kết quả tốt nhất. Các chỉ số MAPE và MSE cho thấy sự khác biệt rõ rệt giữa các mô hình. Điều này chứng tỏ rằng việc kết hợp các phương pháp có thể nâng cao độ chính xác trong dự báo lượng bệnh nhân.
4.1 Đánh giá mô hình
Mô hình lai cho sai số dự báo thấp hơn trung bình 3.5% so với mô hình SANN và thấp hơn 4.5% so với mô hình Holt-Winters. Tuy nhiên, mô hình LSTM cho sai số cao hơn 1.2% so với mô hình lai. Kết quả này cho thấy rằng việc áp dụng mô hình LSTM có thể mang lại lợi ích lớn trong việc dự báo nhu cầu y tế tại phòng cấp cứu.
V. Kết luận
Nghiên cứu đã chỉ ra rằng việc dự báo lượng bệnh nhân nhập viện tại phòng cấp cứu là một nhiệm vụ quan trọng và cần thiết. Các mô hình như Holt-Winters, SANN và LSTM đều có những ưu điểm riêng. Tuy nhiên, mô hình LSTM cho kết quả dự báo tốt nhất. Nghiên cứu này mở ra hướng đi mới cho việc ứng dụng các mô hình học sâu trong lĩnh vực y tế.
5.1 Hướng nghiên cứu tiếp theo
Các nghiên cứu tiếp theo có thể tập trung vào việc cải thiện mô hình LSTM hoặc kết hợp thêm các yếu tố khác như thời tiết, ngày lễ để nâng cao độ chính xác trong dự báo bệnh nhân. Việc này sẽ giúp các bệnh viện chuẩn bị tốt hơn cho các tình huống khẩn cấp và tối ưu hóa quy trình cấp cứu.
