住院时间是指住院和出院之间以天为单位的时间，对于大多数医疗保健系统来说，如果处理不当，住院时间可能是昂贵的。 另一方面，优化患者流动可促进有益的治疗，减少等待时间，减少与住院相关的风险暴露，并有效利用医院床位、医疗设备和现有临床人员等资源。  

当医疗保险和医疗补助服务中心(Centers for Medicare & Medicaid Services)的信息显示，美国三分之一的医疗支出可归因于住院治疗时，对住院患者的住院时间保持同样大的控制至关重要。 不过，事情变得复杂了。 患者的年龄、性别、病史和其他一些因素对住院和出院期间的天数都有不同程度的影响。

值得庆幸的是，像Minitab这样的预测分析工具可以使用大量的可用数据来预测患者的个体结果。 在下面的示例中，我们将研究一家医疗机构优化患者住院时间的举措。

医院使用预测分析预测病人到达后会待多久

假设俄勒冈州的一家中型医院正在制定一个目标，更好地规划和利用他们的资源。 他们的卓越运营团队拥有一个数据集，其中包含过去两年访问该医院的大约8500名患者的信息。 它包括21个预测因子或相关变量，从年龄、性别和婚姻状况等一般信息到疼痛程度、肿瘤大小、白细胞和红细胞计数等医疗信息。请查看Minitab工作表。

注意，工作表有22列数据。前21列表示用于预测病人住院时间的预测因子或变量。，第22栏代表逗留时间。

利用回归树分析住院时间数据

机器学习算法“教”计算机利用可用数据识别模式。Minitab的预测分析工具包括分类和回归树(CART®)。 回归树是一种决策树算法，它通过创建一组yes/no规则将数据分割成多个分区，这些分区基于预测器设置，将数据最好地分割成相似的响应值。 通过使用这个工具，他们将能够:  

1. 确定影响住院时间长短的最重要的变量。

2. 发现最可能导致平均住院时间缩短或延长的预测器设置组合。

3. 想象他们的发现。

4. 创建易于理解、使用并实时应用于流程的业务规则。

若要创建回归树，卓越运营团队的成员可以点击Stat > Predictive Analytics > CART®Regression…  

Minitab在输出窗格中显示一个树形图，如下所示。 它有两种不同的形状，称为节点。 请注意，有些节点被分割成其他节点，而其他节点不再进一步分割。 未分割的节点称为终端节点。 回归树中的每个终端节点表示预测器设置的特定组合。 终端节点的数量表示树的大小。 在我们的示例中，Minitab提供的树有10个终端节点。 树的大小是10。  

输出还显示相对变量重要性下图。这个图表对每个预测变量在解释病人住院时间变异性方面的相对重要性进行了排序。在我们的例子中，请注意，在预测逗留时间时，年龄是最重要的变量。癌症分期、婚姻状况、吸烟史、肿瘤数目和白细胞计数也可预测住院时间。

用模型预测病人住院时间

使用Minitab中的预测…选项，这个模型很容易做出预测。 在这里我们预测一个新的案例:  

结果如下：

注意，在设置下，输出提供为每个预测变量输入的值。就在设置和预测之下，Minitab提供了合适的值，在这种情况下，这是预测的平均停留时间。

根据这些信息，医院可以预测53岁的已婚男子：

II期癌症

他从不抽烟，

说他来的时候疼痛程度是4级，  

并与上面的其他信息相匹配…  

那么预计会在医院里待一段时间5.43天

OPEX团队现在可以更好地预测病人的住院时间。

在Minitab的CART回归的帮助下，医院卓越的运营团队有了他们需要的数据，根据他们知道的患者到达时的信息，准确预测患者将停留多长时间。 当他们知道不同情况的病人平均要在医院呆多久，他们就可以调整他们的计划，以确保在需要的时候有足够的资源。  

本文最初出现在Minitab博客上。

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删