用于预测住院死亡和违医嘱出院的时间序列模型比较评价

为何医院数据很重要

当我们住进医院时，会信任医生和护士尽一切可能保障我们的安全。两个可能表明出现问题的预警信号是医院内的死亡人数和违医嘱出院人数——即患者在医生建议继续留院时选择离开。能够提前几个月预测这些数字，有助于医院及早发现问题、准备足够的人员与病床，并在问题恶化前改进护理。

两家医院，两个预警信号

本研究聚焦中国不同地区的两家大型转诊医院。研究者对每家医院从2018年到2024年每月跟踪两个关键结果：住院死亡（在住院期间死亡的患者）和违医嘱出院（尽管有医学警示仍选择提前离开的患者）。这些指标通常被用作护理质量和系统压力的信号。研究团队有意避免过度清理或调整数据，以便预测能够反映医院管理者实际看到的、混乱的真实世界信息。

将预测工具置于实测

作者比较了六种在统计学和人工智能领域常被讨论的预测方法。其中一些如ARIMA和灰色模型是传统统计工具；另一些如NNETAR和LSTM则使用神经网络，试图从历史数据中学习模式。Prophet用于建模趋势和季节性波动，例如常见的年度周期。最新的参与者Chronos是一个大型预训练模型，已从大量时间序列数据中学习，可通过很少的微调应用于新问题。所有六种方法均在2018–2023年的数据上进行训练，然后预测2024年的实际情况，准确性通过预测值与每月真实数字的偏差来评判。

何者表现最佳、何时如此

在两家医院中，Chronos对住院死亡的预测最为可靠。其误差小于其他方法，统计检验也确认这些优势不太可能是偶然的，尤其是与一种流行的深度学习模型LSTM相比。对于违医嘱出院，情况更为复杂。在违医嘱出院频繁且随时间相对稳定的医院中，Chronos再次表现最佳。但在另一家此类出院较少且每月波动不定的医院，更简单的神经网络NNETAR比更复杂的模型给出了更准确的预测。

复杂性并非总是王道

这项研究的一个显著教训是，增加复杂性并不保证更好的预测。LSTM模型理论上很强大但有许多可调参数，在这里相对较小的数据集上容易过拟合——捕捉到噪声而非真实模式。相比之下，Chronos受益于预训练阶段在其他时间序列上获得的广泛经验，使其即便在每家医院仅有数年数据时也能保持稳健。同时，NNETAR在噪声较大的出院数据中取得成功，表明在某些情形下，假设更少、结构更轻的模型更适合处理不稳定、低量级的信号。

对患者和医院的意义

对非专业读者而言，结论很直接：更智能的预测工具能帮助医院提前看到潜在问题。通过选择适合其数据特征的模型——对稳定指标使用像Chronos这样的预训练系统，对数据量小且波动大的情况使用像NNETAR这样的简单网络——医院管理者可以更早获得有关死亡上升或违医嘱出院突变的预警。这些预测并非水晶球，尤其是在处理小且易变的数字时，但它们是有价值的仪表盘。明智使用时，它们可促使更仔细地审查护理实践、更灵活的人员与床位管理，以及更快速地应对新出现的问题，最终有助于为患者提供更安全、更可靠的护理。

引用: 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

关键词: 医院预测, 住院死亡率, 违医嘱出院, 时间序列模型, 医疗质量