Een vergelijkende evaluatie van tijdreeksmodellen voor de prognose van in het ziekenhuis overleden patiënten en ontslagen tegen medisch advies

Waarom ziekenhuiscijfers ertoe doen

Als we een ziekenhuis betreden, vertrouwen we erop dat artsen en verpleegkundigen alles zullen doen om ons veilig te houden. Twee waarschuwingssignalen dat er iets mis kan gaan, zijn hoeveel patiënten in het ziekenhuis overlijden en hoeveel het ziekenhuis verlaten tegen medisch advies, dus vertrekken ondanks het advies van de artsen om te blijven. Deze aantallen enkele maanden vooruit kunnen voorspellen helpt ziekenhuizen problemen vroeg te signaleren, voldoende personeel en bedden in te plannen en de zorg te verbeteren voordat de problemen escaleren.

Twee ziekenhuizen, twee waarschuwingssignalen

Deze studie richtte zich op twee grote verwijzende ziekenhuizen in verschillende regio’s van China. Voor elk ziekenhuis volgden de onderzoekers maandelijks twee belangrijke uitkomsten van 2018 tot 2024: sterfgevallen onder opgenomen patiënten (patiënten die tijdens opname overleden) en ontslagen tegen medisch advies (patiënten die ervoor kozen vroeg te vertrekken ondanks medische waarschuwingen). Deze maatstaven worden veel gebruikt als indicatoren voor zorgkwaliteit en systeembelasting. Het team vermijdde opzettelijk zware datacorrecties of aanpassingen, zodat de prognoses de rommelige, real-world informatie weerspiegelden die ziekenhuismanagers daadwerkelijk zien.

Voorspellingsinstrumenten aan de tand voelen

De auteurs vergeleken zes verschillende voorspellingsmethoden die vaak in de statistiek en kunstmatige intelligentie worden besproken. Sommige, zoals ARIMA en het Grey Model, zijn traditionele statistische instrumenten. Andere, zoals NNETAR en LSTM, gebruiken neurale netwerken die proberen patronen uit historische data te leren. Prophet modelleert trends en seizoensschommelingen, zoals regelmatige jaarlijkse cycli. De nieuwste deelnemer, Chronos, is een groot voorgetraind model dat al heeft geleerd van enorme verzamelingen tijdreeksen en met weinig afstemming op nieuwe problemen kan worden toegepast. Alle zes methoden werden getraind op data van 2018 tot en met 2023 en vervolgens gevraagd te voorspellen wat er daadwerkelijk in 2024 gebeurde, waarbij de nauwkeurigheid werd beoordeeld op basis van hoe ver de voorspellingen afweken van de echte maandelijkse cijfers.

Wat werkte het beste, en wanneer

Over beide ziekenhuizen heen leverde Chronos de meest betrouwbare voorspellingen voor sterfgevallen onder opgenomen patiënten. De fouten waren kleiner dan bij de andere benaderingen en statistische tests bevestigden dat die winst waarschijnlijk niet aan toeval te wijten was, vooral vergeleken met een populair deep-learningmodel genaamd LSTM. Voor ontslagen tegen medisch advies was het beeld genuanceerder. In het ziekenhuis waar deze ontslagen frequent en redelijk stabiel over de tijd waren, presteerde Chronos opnieuw het best. Maar in het ziekenhuis waar zulke ontslagen minder vaak voorkwamen en maand op maand onvoorspelbaar varieerden, gaf een eenvoudiger neuraal netwerk, NNETAR, nauwkeurigere voorspellingen dan de complexere modellen.

Waarom complexiteit niet altijd heerst

Een opvallende les uit de studie is dat meer complexiteit geen garantie is voor betere voorspellingen. Het LSTM-model, dat in theorie krachtig is maar veel instelbare onderdelen heeft, had moeite met de relatief kleine datasets die hier beschikbaar waren en overfitte vaak—het ving ruis op in plaats van echte patronen. Chronos profiteerde daarentegen van de brede ervaring die het tijdens de voortraining op andere tijdreeksen had opgedaan, waardoor het robuust bleef, zelfs wanneer elk ziekenhuis slechts een paar jaar aan data leverde. Tegelijk toont het succes van NNETAR bij de rumoeriger ontslaggegevens aan dat in sommige situaties lichtere modellen met minder aannames beter kunnen omgaan met instabiele, laagvolume signalen.

Wat dit betekent voor patiënten en ziekenhuizen

Voor niet-specialisten is de conclusie eenvoudig: slimmere voorspellingsinstrumenten kunnen ziekenhuizen helpen om verder vooruit te kijken. Door modellen te kiezen die passen bij de vorm van hun gegevens—voorgetrainde systemen zoals Chronos voor stabiele indicatoren, en eenvoudigere netwerken zoals NNETAR wanneer aantallen klein en springerig zijn—kunnen ziekenhuisleiders eerder waarschuwingen krijgen over toenemende sterfte of plotselinge verschuivingen in ontslagen tegen medisch advies. Deze voorspellingen zijn geen kristallen bol, vooral niet bij kleine, volatiele aantallen, maar ze vormen waardevolle dashboards. Bij verstandig gebruik kunnen ze leiden tot nader onderzoek van zorgpraktijken, flexibelere personeels- en bedbeheermaatregelen en snellere reacties op opkomende problemen, wat uiteindelijk bijdraagt aan veiligere, betrouwbaardere zorg voor patiënten.

Bronvermelding: Pang, C., Jiayong, D., Jiang, D. et al. A comparative evaluation of time-series models for forecasting inpatient deaths and discharges against medical advice. Sci Rep 16, 6607 (2026). https://doi.org/10.1038/s41598-026-37913-0

Trefwoorden: ziekenhuisprognoses, sterfte onder opgenomen patiënten, ontslag tegen medisch advies, tijdrijmodellen, kwaliteit van de gezondheidszorg