Çoklu hastane ortamlarında belirsizlik farkındalıklı yatış süresi tahmini için hiyerarşik konformal çerçeve

Hastanede kalış süresi tahminlerinin önemi

Bir kişi hastaneye yatırıldığında, ailelerin ve personelin ilk sorularından biri genellikle “Ne kadar süre burada kalacak?” olur. Bu soru meraktan çok daha fazlasını etkiler: yatak kullanılabilirliğini, personel programlarını, ameliyathane planlarını ve hatta bir hastanın güvenle eve gidip gidemeyeceğini ya da ek desteğe ihtiyaç duyup duymayacağını belirler. Bu makale, yalnızca tek bir sayı vermekle kalmayan, aynı zamanda tahminin ne kadar belirsiz olduğunu gerçekçi bir aralıkla gösteren yeni bir yatış süresi tahmin yöntemi tanımlıyor—güvenli ve verimli bakım için kritik önemde.

Hastanede kalış süresini tahmin etmenin zorluğu

Yatış süresini tahmin etmek göründüğünden daha zordur. Hastaneler rutin vakalardan karmaşık acillere kadar geniş bir hasta karışımına hizmet eder ve uygulamaları büyüklük, mülkiyet, eğitim statüsü ve bölgeye göre değişir. Bu, hastaların hastaneler ve bölgeler içinde “kümeleştiği” ve sonuçlarının bağımsız olmadığı anlamına gelir. Mevcut birçok makine öğrenimi modeli en iyi tahmini verir, ancak yanlış olma derecesi hakkında güvenilir bilgi sunmaz. Dolu servisleri veya boş yatakları önlemek zorunda olan hastane yöneticileri için bu eksik belirsizlik, güvensiz taburculuklara, gereksiz iptallere veya maliyetli “olasılığa karşı” tamponlara yol açabilir.

Belirsizlik hakkında iki yaklaşımın birleşimi

Yazarlar belirsizliği yakalamanın iki popüler yolunu incelediler ve her birinin tek başına ciddi dezavantajları olduğunu buldular. Bayesyen yöntemler belirsizliği doğrudan modelleyebilir ve hastanelerin bölgeler içinde iç içe geçtiği gibi karmaşık yapıları yansıtabilir, ancak uygulamada model varsayımları biraz bile saparsa güven aralıkları aşırı iyimser olabilir. Konformal tahmin yöntemleri ise veriye neredeyse hiçbir varsayım getirmez ve aralıkların seçilen oranda gerçek sonucu içereceğini garanti edebilir, fakat genellikle her hasta için aynı genişlikte aralıklar verir; böylece belirli bir vakanın ne kadar zor veya kolay öngörüldüğünü görmezden gelir. Bu çalışmanın ana fikri, her yaklaşımın en iyi yaptığı işi kullanacak bir melez oluşturmak: hangi hastaların daha belirsiz olduğunu belirlemede Bayesyen modelleme ve aralıkların genel güvenilirliğini sağlamada konformal tahmini birlikte kullanmak.

Melez sistemin pratikte nasıl çalıştığı

Sistem, bireysel hastalar, onların hastaneleri ve bu hastanelerin ait olduğu daha geniş bölgeler olmak üzere üç düzeyde desenleri öğrenen ağaç tabanlı bir makine öğrenimi modeli olan “hiyerarşik rastgele orman” ile başlar. Bu temel üzerinden, Bayesyen bir katman artık hatalara bakar ve her yeni tahminin ne kadar belirsiz olduğunu, hastane ve bölgeye özgü özellikleri dikkate alarak tahmin eder. Ayrı olarak, konformal kalibrasyon adımı geçmiş tahmin hatalarını binlerce hasta boyunca inceler ve istenen güvenilirlik düzeyine ulaşmak için aralıkların ne kadar geniş olması gerektiğini belirler—bu çalışmada yaklaşık yüzde 95. Melez, konformal ayarlamaları Bayesyen katmanın riskli gördüğü vakalar için yukarı, kolay görünen vakalar için aşağı ölçeklendirir; böylece hem temkinli hem de verimli büyüklükte hasta-özgü aralıklar oluşturur.

Veriler performans hakkında ne söylüyor

Yazarlar çerçevelerini ulusal bir yatış veritabanındaki yaklaşık 3.800 Amerikan hastanesinden 61.000'den fazla yatış üzerinde test ettiler. Saf konformal tahmin yaklaşık olarak yüzde 95 hedefine tam isabet etti ancak herkes için esasen aynı geniş aralığı kullandı. Sadece Bayesyen eklenti çok dar aralıklar üretti ancak gerçek yatış süresini yalnızca yaklaşık yüzde 14 oranında yakaladı—güvenli kullanım için çok düşük. Melez yaklaşım hedefe yakın oldu; vakaların yaklaşık yüzde 94,3'ünü kapsadı, ortalama aralığı mütevazı ölçüde küçülttü ve daha da önemlisi genişliği yeniden dağıttı: en az belirsiz hastalar için yaklaşık yüzde 21 daha dar aralıklar ve en belirsiz olanlar için yaklaşık yüzde 6 daha geniş aralıklar. Bu uyarlanabilir aralıklar farklı türde hastaneler arasında ve model tamamen görülmemiş kurumlarda test edildiğinde bile istikrarlı kaldı.

Hastalar ve hastaneler için ne anlama geliyor

Uzman olmayanlar için ana çıkarım, bu yöntemin kara kutu tahminleri anlaşılabilir ve güvenilir hata paylarına sahip araçlara dönüştürmesi. Tek bir sallantılı sayı yerine, hastaneler istatistiksel olarak desteklenen ve vaka zorluğuna göre esneyen aralıklar elde eder: rutin hastalar için daha sıkı, klinisyenleri şaşırtabilecek olanlar için daha gevşek. Bu, yatak ve personel planlamasını daha gerçekçi hale getirirken hangi hastaların ekstra dikkat ve acil durum planlaması gerektirdiğini işaretlemeyi kolaylaştırır. Mevcut aralıklar hâlâ takvim günleri açısından oldukça geniş olsa da, çerçeve dikkatli istatistiğin hastaneleri tahminden daha güvenilir, belirsizlik farkındalıklı kararlara nasıl taşıyabileceğini gösteriyor.

Atıf: 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

Anahtar kelimeler: hastane yatış süresi, belirsizlik nicelleştirmesi, konformal tahmin, Bayesyen modelleme, sağlık hizmetleri analitiği