מסגרת קונפורמלית היררכית לחיזוי משכיות אשפוז עם מודעות לאי־ודאות בהקשרים של מרובות בתי חולים

מדוע תחזיות משך אשפוז חשובות

כאשר מטופל מתקבל לבית חולים, אחת השאלות הראשונות שממשפחתו וצוות הטיפול נשאלת היא: "כמה זמן יהיה כאן?" התשובה משפיעה על הרבה יותר מסקרנות בלבד: היא קובעת זמינות מיטות, לוחות זמנים של כוח אדם, תכנון חדרי ניתוח ואפילו האם המטופל יכול לחזור לביתו בבטחה או זקוק לתמיכה נוספת. מאמר זה מתאר שיטה חדשה לחיזוי משך אשפוז שאינה מספקת רק מספר יחיד, אלא גם טווח ריאלי שמשקף עד כמה החיזוי אינו ודאי — דבר קריטי לטיפול בטוח ויעיל.

האתגר בחיזוי משך השהייה בבית חולים

חיזוי משך אשפוז קשה יותר ממה שזה נראה. בתי חולים מטפלים בתערובת רחבה של מטופלים, ממקרים שגרתיים ועד מצבי חירום מורכבים, והנוהגים שלהם משתנים לפי גודל, סוג בעלות, מעמד הוראה ואזור. משמעות הדבר היא שמטופלים "מוקבצים" בתוך בתי חולים ואזורים, ולכן התוצאות שלהם אינן בלתי תלויות. רבים מהמודלים של למידת מכונה הנוכחיים נותנים ניחוש מיטבי אך מספקים מעט מידע אמין על מידת הטעות האפשרית. למנהלי בתי חולים שאם נמנעים ממחלקות צפופות או מיטות ריקות, חוסר האי־ודאות הזה עלול להוביל לשחרורים לא בטוחים, ביטולים מיותרים או מרווחי בטחון בזבזניים של "במקרה הצורך".

שילוב שתי אסכולות חשיבה על אי־ודאות

המחברים בחנו שתי דרכים פופולריות ללכידת אי־ודאות ומצאו שלכל אחת יש חסרונות משמעותיים כשהיא עומדת בפני עצמה. שיטות בייזיאניות ממודללות את האי־ודאות ישירות ויכולות לשקף מבנים מורכבים כמו בתי חולים המוטמעים בתוכם באזורים, אך בפועל טווחי האי־ודאות שלהן עלולים להיות בטוחים מדי כאשר הנחות המודל מסטות אפילו במעט. לעומת זאת, שיטות חיזוי קונפורמליות כמעט ואינן מניחות דבר לגבי הנתונים ויכולות להבטיח שהטווחים שלהן יכילו את התוצאה האמיתית באחוז זמן נבחר, אך בדרך כלל הן מנפקות מרווחים ברוחב זהה לכל מטופל, ומתעלמות עד כמה מקרה מסוים קשה או קל לחיזוי. הרעיון המרכזי בעבודה זו הוא ליצור היבריד המשתמש בכל גישה במה שהיא טובה: מודלינג בייזיאני להעריך אילו מטופלים פחות או יותר בלתי ודאיים, וחיזוי קונפורמלי לשמור על אמינות כוללת של הטווחים.

כיצד המערכת ההיברידית פועלת בפועל

המערכת מתחילה ב"יער אקראי היררכי", מודל למידת מכונה מבוסס עצים שלומד דפוסים בשלושה רמות: מטופלים בודדים, בתי החולים שלהם והאזורים הרחבים שאליהם שייכים בתי החולים. משכבת הבסיס הזו, שכבה בייזיאנית מתמקדת בשגיאות השאריות ומעריכה עד כמה כל חיזוי חדש אינו ודאי, תוך התחשבות בייחודיות של בתי החולים והאזורים. בנפרד, שלב כיול קונפורמלי בוחן שגיאות חיזוי מהעבר על פני אלפי אשפוזים וקובע כמה רחבים צריכים להיות המרווחים כדי להשיג רמת אמינות רצויה — כ־95 אחוזים במחקר זה. ההיבריד לאחר מכן מתאם את התאמות הקונפורמה באופן יחסי: הוא מגדיל אותן למקרים שהשכבה הבייזיאנית מעריכה כסכנתיים ומקטין אותן למקרים שנראים לה פשוטים, ובכך יוצר מרווחים מותאמים למטופל שהם גם זהירים וגם חסכוניים בגודל.

מה הנתונים אומרים על הביצועים

המחברים בחנו את המסגרת שלהם על יותר מ‑61,000 אשפוזים מ‑כמעט 3,800 בתי חולים בארה"ב מבסיס נתונים ארצי של אשפוזים. חיזוי קונפורמלי טהור היכה כמעט בדיוק במטרה של 95 אחוז אך השתמש בעצם באותו טווח רחב לכולם. תוספת בייזיאנית טהורה ייצרה מרווחים צרים מאוד אך לכדה את משך האשפוז האמיתי רק בכ‑14 אחוז מהמקרים — נמוך מאוד לשימוש בטוח. הגישה ההיברידית התקרבה למטרה, כיסתה כ‑94.3 אחוז מהמקרים, תוך צמצום מתון של המרווח הממוצע וחשוב מכך — הפצת רוחב מחדש: כ‑21 אחוז מרווחים צרים יותר עבור המטופלים הפחות בלתי ודאיים וכ‑6 אחוז מרווחים רחבים יותר עבור אלו הבלתי ודאיים ביותר. מרווחים אדפטיביים אלו נשארו יציבים על פני סוגים שונים של בתי חולים ואפילו כשהמודל נבדק על מוסדות שלא נראו כלל קודם.

מה המשמעות עבור מטופלים ובתי חולים

ללא מומחיות טכנית, המסקנה המרכזית היא שהשיטה הזו הופכת חיזויים שחורים לכלים עם שולי שגיאה מובנים ואמינים. במקום מספר יחיד תמוה, בתי חולים מקבלים מרווחים שתומכים בהם בסטטיסטיקה ומשתנים לפי קושי המקרה: צרים יותר עבור מטופלים שגרתיים ורחבים יותר עבור אלו שעשויים להפתיע את הקלינאים. זה מקל על תכנון מיטות וכוח אדם באופן ריאלי תוך הדגשה אילו מטופלים ראויים לתשומת לב נוספת ותכנון מגירות חירום. על אף שהמרווחים הנוכחיים עדיין רחבים יחסית בימים קלנדריים, המסגרת מראה כיצד סטטיסטיקה זהירה יכולה להעביר את בתי החולים מניחושים להחלטות אמינות יותר, המודעות לאי־ודאות ותומכות גם בבטיחות וגם ביעילות.

ציטוט: Shahbazi, M.A., Baheri, A. & Azadeh-Fard, N. A hierarchical conformal framework for uncertainty-aware length of stay prediction in multi-hospital settings. Sci Rep 16, 6564 (2026). https://doi.org/10.1038/s41598-026-37450-w

מילות מפתח: משך אשפוז בבית חולים, כימות אי־ודאות, חיזוי קונפורמלי, מודלים בייזיאניים, אנליטיקה בריאותית