Сравнительная оценка моделей временных рядов для прогнозирования внутрибольничных смертей и выписок против медицинских рекомендаций

Почему показатели больницы важны

Когда мы попадаем в больницу, мы рассчитываем, что врачи и медсестры сделают всё возможное, чтобы сохранить нашу безопасность. Два тревожных сигнала о возможных проблемах — это количество пациентов, скончавшихся в больнице, и количество тех, кто уходит вопреки медицинским рекомендациям, покидая стационар, хотя врачи советуют оставаться. Умение прогнозировать эти показатели на несколько месяцев вперёд помогает больницам раньше заметить проблемы, подготовить достаточное количество персонала и коек и улучшить уход до того, как ситуация обострится.

Две больницы, два тревожных индикатора

В исследовании изучались две крупные консилиумные больницы в разных регионах Китая. Для каждой больницы исследователи ежемесячно отслеживали два ключевых показателя с 2018 по 2024 год: внутрибольничные смерти (пациенты, умершие во время госпитализации) и выписки против медицинских рекомендаций (пациенты, решившие уйти раньше, несмотря на медицинские предупреждения). Эти показатели широко используются как индикаторы качества ухода и нагрузки на систему. Команда сознательно избегала серьёзной очистки или корректировки данных, чтобы прогнозы отражали ту самую неидеальную, реальную информацию, которую видят управленцы больниц.

Испытание инструментов прогнозирования

Авторы сравнили шесть различных подходов к прогнозированию, часто обсуждаемых в статистике и искусственном интеллекте. Некоторые, такие как ARIMA и Серая модель, — традиционные статистические инструменты. Другие, например NNETAR и LSTM, используют нейронные сети, которые пытаются выучить закономерности на исторических данных. Prophet моделирует тренды и сезонные колебания, например регулярные годовые циклы. Самый новый участник, Chronos, — крупная предобученная модель, которая уже «набила руку» на огромных наборах временных рядов и может применяться к новым задачам с минимальной настройкой. Все шесть методов обучались на данных с 2018 по 2023 год и затем предсказывали фактические события 2024-го; точность оценивалась по отклонению прогнозов от реальных ежемесячных чисел.

Что работало лучше и когда

Во всех двух больницах Chronos дал наиболее надёжные прогнозы для внутрибольничных смертей. Его ошибки были меньше, чем у других подходов, и статистические тесты подтвердили, что эти преимущества вряд ли случайны, особенно в сравнении с популярной глубокой моделью LSTM. Для выписок против медицинских рекомендаций картина оказалась сложнее. В больнице, где такие выписки были частыми и относительно стабильными во времени, Chronos снова показал лучшие результаты. Но в больнице, где такие выписки встречались реже и вели себя непредсказуемо от месяца к месяцу, более простая нейронная сеть NNETAR дала более точные прогнозы, чем более сложные модели.

Почему сложность не всегда побеждает

Одно из наглядных наблюдений исследования — добавление сложности не гарантирует более качественных прогнозов. Модель LSTM, мощная в теории, но имеющая много настраиваемых параметров, испытывала трудности на относительно небольших наборах данных и часто переобучалась — подхватывала шум вместо истинных закономерностей. Chronos, напротив, выиграл от широкого опыта, полученного на этапе предобучения на других временных рядах, что позволяло ему оставаться устойчивым даже при наличии всего нескольких лет данных от каждой больницы. В то же время успех NNETAR на более «шумных» данных по выпискам показывает, что в некоторых ситуациях более лёгкие модели с меньшим числом предположений могут лучше справляться с нестабильными, малочисленными сигналами.

Что это значит для пациентов и больниц

Для неспециалистов вывод прост: более умные инструменты прогнозирования помогают больницам заглядывать вперёд. Подбирая модели, соответствующие форме их данных — предобученные системы вроде Chronos для стабильных показателей и более простые сети вроде NNETAR, когда числа малы и скачут — руководители больниц могут получать ранние предупреждения о росте смертности или внезапных изменениях в количестве пациентов, уходящих против советов врачей. Эти прогнозы не являются хрустальным шаром, особенно при малых и волатильных числах, но они представляют собой ценные приборные панели. При разумном использовании они могут стимулировать более тщательный анализ практик ухода, гибкое управление персоналом и коечным фондом и более оперативные реакции на возникающие проблемы, в конечном счёте поддерживая более безопасный и надёжный уход для пациентов.

Цитирование: 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

Ключевые слова: прогнозирование в больницах, внутрибольничная смертность, выписка против медицинских рекомендаций, модели временных рядов, качество медицинской помощи