Development of Hybrid Machine Learning and Time-Series Models for Forecasting Daily Emergency Department Patient Volumes by Triage Level
Keywords:
Time-series forecasting, Emergency department, Multiple Linear Regression, Polynomial Regressionv, ARIMA, SARIMAAbstract
This research aimed to (1) develop a hybrid model integrating machine learning and time series analysis for forecasting daily patient volumes in the emergency department, and (2) evaluate the performance of the model using forecasting error metrics across six triage levels, namely critical, emergency, urgent, semi-urgent, non-urgent, and unspecified urgency. The study employed emergency department visit data collected between January 2020 and December 2022, comprising a total of 1,096 records that included patient volume variables and temporal factors. The data were divided into training and testing sets to develop and compare four forecasting models: Multiple Linear Regression, Polynomial Regression, Autoregressive Integrated Moving Average (ARIMA), and Seasonal ARIMA (SARIMA). The results showed that Polynomial Regression provided the highest overall forecasting accuracy and stability, with the lowest root mean squared error (RMSE) observed across all triage levels, including critical (RMSE = 0.4699), emergency (RMSE = 1.5568), urgent (RMSE = 4.8947), semi-urgent (RMSE = 5.3972), non-urgent (RMSE = 4.9101), and unspecified urgency (RMSE = 0.5225). In contrast, ARIMA and SARIMA models produced acceptable results for triage groups with relatively stable temporal patterns but exhibited higher forecasting errors in groups with high volatility. It can therefore be concluded that Polynomial Regression is the most appropriate model for the characteristics of the dataset used in this study and can be effectively applied to support resource planning and management in emergency departments.
References
กระทรวงสาธารณสุข. (2566). คู่มือการประเมินโรงพยาบาลอัจฉริยะ (พิมพ์ครั้งที่ 4). กรุงเทพมหานคร: กระทรวงสาธารณสุข.
คชาภรณ์ ศรีพารัตน์, และวัฒนา ชยธวัช. (2567). การพยากรณ์อัตราผู้สูงอายุที่มีปัญหาความเครียดในจังหวัดลพบุรี. วารสารสถาบันจิตเวชศาสตร์สมเด็จเจ้าพระยา, 18(2), 30–38.
ณพฐ์ โสภีพันธ์. (2564). การประเมินมูลค่าความเสี่ยงในการลงทุนในทองคำโดยใช้แบบจำลอง ARIMA-GARCH. วารสารวิจัยวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏนครราชสีมา, 6(2), 45–55.
ณพฐ์ โสภีพันธ์, นฤเบศ ลาภยิ่งยง, ขนิษฐา ชมภูวิเศษ, วิวรรณ กาญจนวจี, สุภาวดี สุวธิรรมา, และนิภาดา จรัสเอี่ยม. (2567). การพยากรณ์ปริมาณน้ำฝนโดยใช้เทคนิคการปรับให้เรียบ เทคนิค ARIMA และเทคนิค Support Vector Machine. วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏนครราชสีมา, 9(1), 34–45.
ณัฏฐ์พัชร์ วณิชย์กุล. (2566). การประยุกต์เทคนิคการพยากรณ์สำหรับการวางแผนความต้องการเตียงผู้ป่วย: กรณีศึกษาแผนกอายุรกรรม โรงพยาบาลศรีสะเกษ. วารสารสหศาสตร์ศรีปทุม ชลบุรี, 9(2), 45–60.
นงเยาว์ ในอรุณ. (2564). การเปรียบเทียบประสิทธิภาพของแบบจำลองการทำนายความเสี่ยงโรคหัวใจและหลอดเลือดโดยใช้อัลกอริธึมเหมืองข้อมูล. วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยมหาสารคาม, 40(2), 45–55.
พรทิวา วิศิษฎ์สรอรรถ. (2564). ระบบวิเคราะห์ข้อมูลอนุกรมเวลาด้วยเทคนิคทางสถิติและการเรียนรู้ของเครื่อง. วิทยานิพนธ์ปริญญามหาบัณฑิต, มหาวิทยาลัยธุรกิจบัณฑิตย์.
สายชล สินสมบูรณ์ทอง. (2561). การเปรียบเทียบประสิทธิภาพในการทำนายผลการเป็นโรคเบาหวาน. วารสารวิทยาศาสตร์และเทคโนโลยี, 26(2), 12–18.
สุรัตน์ รุ่งสว่าง. (2561). พยาบาลคัดแยกประเภทผู้ป่วย: จากกระบวนการหลักสู่การปฏิบัติ. วารสารวิชาการสุขภาพภาคเหนือ, 5(2), 45–55.
Boyle, J., Jessup, M., Crilly, J., Green, D., Lind, J., Wallis, M., & Fitzgerald, G. (2012). Predicting emergency department crowding using time-series analysis. American Journal of Emergency Medicine, 176(6), 540–548.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning. New York, NY: Springer.
Lawrance, A. J. (2013). Exploratory graphics for financial time series volatility. Journal of the Royal Statistical Society: Series C (Applied Statistics), 62(5), 669–686.
Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to linear regression analysis (5th ed.). Hoboken, NJ: Wiley.
Sakchan, L., & Boonlueo, N. (2021). Studying characteristics of Huay Saneng and predicting water levels by comparison with regression models. Information Technology Journal, 17(2), 34–45.
Zarei, E., Daneshkohan, A., Pouragha, B., Marzban, S., & Arab, M. (2015). An empirical study of the impact of service quality on patient satisfaction in private hospitals. Global Journal of Health Science, 7(1), 1–9.
