把社会决定因素并入急诊需求预测，逐小时误差压到2到3名患者

数据视角 × 医疗数据从业者 ｜ 趋势前瞻 × 医院信息化/临床医生 ｜ 深度研报

开场：急诊拥挤的代价是延迟与死亡率，主动排班需要提前量

急诊科（Emergency Department, ED）拥挤长期被当作一道运维难题，但它最终会落到临床结局上：已有证据把急诊拥挤与治疗延迟、死亡率上升联系在一起。对一线管理者而言，真正的难点在于拥挤往往是既成事实之后才被看见的，等分诊台前排起长队、留观床位全部占满，可调配的人手与时间窗口都已经收窄。

这正是主动排班的意义所在。所谓主动排班，是指在需求真正到达之前就调整医护班次与开放床位，而它的前提是要有提前量，即可依赖的短期需求预测（demand forecast）。没有提前量，排班只能被动跟随实时到达量；有了提前量，才有可能在高峰到来之前完成人员与空间的调度。

问题在于，现有多数运营模型的输入相对单薄，主要依赖时间规律或天气模式。论文作者指出，这类模型可能不足以捕捉背后的人群脆弱性（population vulnerability），也就是一个社区在怎样的结构条件下更容易产生就诊需求。这正是本次研究试图补上的一环。该论文在线发表于 npj Digital Medicine，页面 datePublished 为 2026 年 10 月 12 日，研究目标被明确设定为急诊科需求的逐小时预测。

数据怎么来的：21万余次就诊压成2万余个小时观测

数据来自中国武汉的一家三甲教学医院，研究共纳入 213138 次就诊记录。这些记录并非以单次就诊为单位直接进入模型，而是被聚合为 22883 个小时观测，也就是把连续的就诊流压缩成一条以小时为刻度的时间序列，用于逐小时预测任务。

在建模之外，作者还做了一层描述性观察：不同社区在年龄结构与诊断谱（diagnostic profiles）上差异明显，说明这家医院所覆盖的服务区域内，医疗需求本身是高度异质的。这一步为后续引入社区层面变量提供了直接依据，如果各社区的需求结构本就趋同，额外变量能带来的边际信息会非常有限。

把粒度定在小时，本身是一次取舍。以天为单位的预测太粗，无法指导班次切换；以分钟为单位则噪声过大，且运营上难以响应。小时刻度既贴合排班的调整节奏，也让就诊量在时间轴上具备可建模的规律。21万余次就诊被压成2万余个小时观测，意味着平均每个小时观测背后是接近十次的就诊，这为逐小时建模提供了足够的样本密度。

需要提醒的是，这是一项回顾性研究。数据反映的是这家医院在特定时间段内的历史就诊情况，因此模型学到的是这一场景下到达量的规律，而非某种普适的物理定律。

加了什么：社会决定因素变量进入模型

本次研究的核心变量增量是健康社会决定因素（Social Determinants of Health, SDoH）。与常见的个体层面风险因子不同，SDoH 在研究中被处理为社区层面的结构性信息，用于刻画人群所处的社会条件，并作为动态特征（dynamic features）进入模型。研究采用 XGBoost 构建预测框架，并同时给出可解释模型，以支撑后续的资源分配决策。

在对比设计上，作者把纳入动态 SDoH 特征的模型与仅使用天气变量的模型放在一起比较，结果是前者持续优于后者。整体表现最好的复合模型在均方根误差（Root Mean Square Error, RMSE）指标上表现最佳，其数值为每小时 3.48 次就诊；对应的平均绝对误差（Mean Absolute Error, MAE）为每小时 2.62 次就诊，决定系数 R² 为 0.68。

论文的结论表述相当克制：在预测短期急诊需求这件事上，社区层面的社会脆弱性可能比天气条件提供了更具信息量的信号。对数据从业者来说，这句话的分量在于它提示了一类新的可用特征来源，即把人群结构信息接入运营预测。

误差意味着什么：每小时2到3名患者对排班够不够用

真正应该带走的指标不是 R²，而是误差的量纲。研究给出的平均绝对预测误差在各类情景下约为每小时 2 到 3 名患者，这个口径可以直接换算成排班所需的人力余量：如果系统对下一小时需求量的估计偏差稳定落在两三人以内，管理者就能据此设定弹性班次与备用人力，而不必按照最坏情形超额配置。

换算背后的逻辑并不复杂。逐小时预测的误差如果以十人计，排班表只能留出大量冗余，人力成本难以承受；如果以两三人计，排班的缓冲量就可以被精确设定，既避免过度配置，也避免配置不足。对科室管理者而言，这种可量化的余量比一个抽象的准确率数字更有操作意义，因为它能直接写进排班规则。

研究也因此把自身定位为支持主动排班的需求预测工具，其价值链条被描述为预测、排班与容量规划三段：把融合 SDoH 的预测接入医院运营，或许能让班次调整发生得更早，从而有助于缓解与拥挤相关的风险。

冷静观察：预测准不等于能调配，资源约束才是下一道关

研究的边界需要被明确标注。数据来自单一医院、单一地区，且为回顾性数据，因此该模型不能被推广为跨区域通用的需求预测模型。不同城市、不同层级医院在服务人群结构与就诊行为上的差异，都可能在模型迁移时放大误差。

同样重要的是，预测精度的提升不能被解读为拥挤状况已经缓解，也不能被解读为患者结局已经改善。误差变小只说明估计值更接近实际到达量，它并不会自动带来更多医生、更多床位或更短的等待时间，中间仍隔着资源配置这道实体环节。

从预测到调配之间，横着资源约束这一关。当模型提示下一小时将多来三名患者，而科室既没有可调配的护士、也没有可开放的留观床位时，再准的预测也只能停留在看板上。对医院信息化团队与临床团队而言，下一步真正值得验证的，是把逐小时预测接入排班与床位调度流程之后，等待时间、滞留时间与拥挤指标是否随之发生变化。

原文链接：npj Digital Medicine

千方医数集编辑部 出品