| Titre : | Predicting Patient Length of Stay Using Artificial Intelligence to Assist Healthcare Professionals in Resource Planning and Scheduling Decisions |
| Titre original: | Prédire la durée du séjour des patients à l'aide de l'intelligence artificielle pour aider les professionnels de la santé à planifier les ressources et à prendre des décisions en matière d'horaires |
| Titre de série : | NBER Working Paper, 19242 |
| Auteurs : | Y ALNSOUR ; A ALBIZRI ; M. JOHNSON, Auteur ; National Bureau of Economic Research. (N.B.E.R.). Cambridge CA. USA |
| Type de document : | Document de travail |
| Année de publication : | 2023 |
| Format : | 14p., tabl., fig. |
| Langues: | Anglais |
| Catégories : |
[BDSP5] Etablissement sanitaire > Structure curative > Hôpital [BDSP5] Etudes méthodes et statistiques [NI] > Méthodologie > Modèle [BDSP5] Etudes méthodes et statistiques [NI] > Méthodologie > Théorie [BDSP5] Géographie politique > Monde [BDSP5] Groupe population > Patient [BDSP5] Organisation hospitalière > Gestion hospitalière > Indicateur gestion hospitalière > Séjour [BDSP5] Pratique médicale [BDSP5] Système soins > Accès soins [BDSP5] Système soins > Santé communautaire > Soins santé primaire [BDSP5] Technologie > Informatique > Informatique appliquée > Informatique médicale [BDSP5] Technologie > Informatique > Informatique appliquée > Intelligence artificielle |
| Résumé : | Artificial intelligence (AI) significantly revolutionizes and transforms the global healthcare industry by improving outcomes, increasing efficiency, and enhancing resource utilization. The applications of AI impact every aspect of healthcare operation, particularly resource allocation and capacity planning. This study proposes a multi-step AI-based framework and applies it to a real dataset to predict the length of stay (LOS) for hospitalized patients. The results show that the proposed framework can predict the LOS categories with an AUC of 0.85 and their actual LOS with a mean absolute error of 0.85 days. This framework can support decision-makers in healthcare facilities providing inpatient care to make better front-end operational decisions, such as resource capacity planning and scheduling decisions. Predicting LOS is pivotal in today's healthcare supply chain (HSC) systems where resources are scarce, and demand is abundant due to various global crises and pandemics. Thus, this research's findings have practical and theoretical implications in AI and HSC management. |
| En ligne : | https://hal.science/hal-04263512/document |