Porównawcza ocena modeli szeregów czasowych do prognozowania zgonów hospitalizowanych i wypisów pomimo zaleceń lekarza

Dlaczego liczby ze szpitali mają znaczenie

Kiedy trafiamy do szpitala, ufamy, że lekarze i pielęgniarki zrobią wszystko, by nas chronić. Dwa sygnały ostrzegawcze, że coś może być nie w porządku, to liczba pacjentów umierających w szpitalu oraz liczba osób, które opuszczają placówkę wbrew zaleceniom lekarza, wychodząc mimo zaleceń, by zostać. Możliwość prognozowania tych wartości na kilka miesięcy do przodu pomaga szpitalom wcześnie zauważyć problemy, przygotować odpowiednią liczbę personelu i łóżek oraz poprawić opiekę, zanim sytuacja się pogorszy.

Dwa szpitale, dwa sygnały ostrzegawcze

Badanie koncentrowało się na dwóch dużych szpitalach referencyjnych w różnych regionach Chin. Dla każdego szpitala badacze rejestrowali co miesiąc w latach 2018–2024 dwa kluczowe wyniki: zgony pacjentów hospitalizowanych (pacjenci, którzy zmarli podczas pobytu) oraz wypisy pomimo zaleceń lekarza (pacjenci, którzy zdecydowali się odejść wcześniej mimo ostrzeżeń medycznych). Te miary są powszechnie używane jako wskaźniki jakości opieki i obciążenia systemu. Zespół celowo unikał intensywnego oczyszczania lub korygowania danych, aby prognozy odzwierciedlały nieuporządkowane, rzeczywiste informacje, jakie widzą menedżerowie szpitali.

Testowanie narzędzi prognostycznych

Autorzy porównali sześć różnych podejść do prognozowania, które są powszechnie omawiane w statystyce i sztucznej inteligencji. Niektóre, jak ARIMA i model Grey, to tradycyjne narzędzia statystyczne. Inne, takie jak NNETAR i LSTM, wykorzystują sieci neuronowe, które starają się wyuczyć wzorce z danych historycznych. Prophet modeluje trendy i wahania sezonowe, na przykład regularne cykle roczne. Najnowszy uczestnik, Chronos, to duży model uprzednio wytrenowany, który nauczył się na ogromnych zbiorach danych szeregów czasowych i można go zastosować do nowych zadań przy niewielkim dostrajaniu. Wszystkie sześć metod trenowano na danych z lat 2018–2023, a następnie poproszono o przewidzenie rzeczywistości w 2024 roku; dokładność oceniano na podstawie odległości prognoz od rzeczywistych miesięcznych wartości.

Co działało najlepiej i kiedy

We wszystkich badanych szpitalach Chronos dostarczał najbardziej wiarygodnych prognoz dotyczących zgonów hospitalizowanych. Jego błędy były mniejsze niż w przypadku pozostałych metod, a testy statystyczne potwierdziły, że te korzyści raczej nie wynikały z przypadku, zwłaszcza w porównaniu z popularnym modelem głębokiego uczenia LSTM. W przypadku wypisów pomimo zaleceń obraz był bardziej zniuansowany. W szpitalu, gdzie takie wypisy występowały często i były dość stabilne w czasie, Chronos znów wypadł najlepiej. Natomiast w szpitalu, gdzie te wypisy były rzadsze i skakały nieprzewidywalnie z miesiąca na miesiąc, prostsza sieć neuronowa NNETAR dawała dokładniejsze prognozy niż bardziej złożone modele.

Dlaczego złożoność nie zawsze jest królem

Jedna z wyraźnych lekcji z badania jest taka, że zwiększanie złożoności nie gwarantuje lepszych prognoz. Model LSTM, który teoretycznie jest potężny, ale ma wiele regulowanych elementów, miał trudności przy relatywnie małych zbiorach danych dostępnych w tym badaniu i często przeuczał się — odzwierciedlał szum zamiast prawdziwych wzorców. Chronos, przeciwnie, skorzystał na szerokim doświadczeniu zdobytym podczas pretrenowania na innych szeregach czasowych, co pozwoliło mu pozostać odpornym nawet przy kilku latach danych z każdego szpitala. Jednocześnie sukces NNETAR przy danych o większym hałasie pokazuje, że w niektórych sytuacjach lżejsze modele, które stawiają mniej założeń, lepiej radzą sobie z niestabilnymi, niskoseryjnymi sygnałami.

Co to oznacza dla pacjentów i szpitali

Dla osób niebędących specjalistami wniosek jest prosty: inteligentniejsze narzędzia prognostyczne mogą pomóc szpitalom spojrzeć w przyszłość. Wybierając modele dopasowane do charakteru danych — systemy uprzednio wytrenowane, takie jak Chronos, dla stabilnych wskaźników, oraz prostsze sieci jak NNETAR, gdy liczby są niskie i niestabilne — kadra kierownicza szpitali może uzyskać wcześniejsze ostrzeżenia o rosnącej liczbie zgonów lub nagłych zmianach w liczbie wypisów pomimo zaleceń. Te prognozy nie są kryształową kulą, szczególnie przy małych, zmiennych liczbach, ale stanowią wartościowe pulpity informacyjne. Rozsądnie wykorzystywane mogą sprowokować dokładniejszą analizę praktyk opieki, bardziej elastyczne planowanie personelu i łóżek oraz szybsze reakcje na pojawiające się problemy, co ostatecznie wspiera bezpieczniejszą i bardziej niezawodną opiekę nad pacjentami.

Cytowanie: 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

Słowa kluczowe: prognozowanie szpitalne, śmiertelność hospitalizowanych, wypis pomimo zaleceń lekarza, modele szeregów czasowych, jakość opieki zdrowotnej