Разработка AI-системы прогнозирования загрузки стационара
Прогнозирование потока пациентов в больнице — задача с прямым влиянием на качество помощи. Недостаток персонала в пиковые моменты ведёт к задержкам лечения и ошибкам, избыток — к неэффективным расходам. Точная модель нагрузки позволяет планировать смены, операционные залы и запасы расходных материалов.
Что нужно прогнозировать
Входящий поток:
- Обращения в скорую помощь / приёмное отделение: по часам, дням
- Плановые госпитализации: по профилям (хирургия, терапия, кардиология)
- Выписки: для освобождения коек
- Длительность пребывания (LOS): для расчёта доступных коек
Ресурсные потребности:
- Потребность в медсестринском персонале по отделениям
- Загрузка операционных блоков
- Потребность в расходных материалах (ИВЛ, медикаменты)
- Потребность в лабораторных исследованиях
Факторы, влияющие на нагрузку
| Фактор | Примеры | Горизонт влияния |
|---|---|---|
| Сезонность | Грипп зимой, травмы летом | Недели/месяцы |
| День недели | Пн пик обращений, Вс минимум | 1-7 дней |
| Праздники | Новый год — рост травм | Конкретные даты |
| Погода | Мороз → сердечно-сосудистые | 1-3 дня |
| Эпидемиология | ОРВИ-волны, вспышки | 1-4 недели |
| Демография | Постарение населения | Годы |
Данные погоды (температура, влажность, атмосферное давление) — статистически значимые предикторы для кардио и пульмонологических отделений.
Модели прогнозирования
Базовые подходы:
- SARIMA: хорошо для регулярных паттернов (недельная + годовая сезонность)
- Prophet: простота и интерпретируемость, праздничные регрессоры
ML-подходы:
- LightGBM с лаговыми фичами + погода + эпидемиологические индексы (Flu Index от Яндекс/Google)
- Gradient Boosting показывает MAPE 6-10% для недельного горизонта
Специфика:
- Нельзя допускать look-ahead bias при обучении
- Задержка эпидемиологических данных: flu index публикуется с задержкой 1-2 недели, нужны прокси-признаки (поисковые запросы)
- Пропуски данных: ночные часы с нулевыми значениями ≠ пропуски
Прогноз длительности госпитализации (LOS)
LOS prediction позволяет рассчитывать доступность коек:
Features для LOS модели:
- Диагноз (МКБ-10 код)
- Возраст, пол, коморбидности (CCI — Charlson Comorbidity Index)
- Тип поступления (плановое / экстренное)
- Отделение
- Данные первичного осмотра (лабораторные показатели при поступлении)
Алгоритм: Survival analysis (AFT — Accelerated Failure Time) или квантильная регрессия. Метрика: MAE в днях (типично 1.5-2.5 дня при средней LOS 5-7 дней).
Планирование ресурсов
Staffing расчёт:
Nurses_needed(hour) = ceil(Expected_Patients(hour) / Nurse_Patient_Ratio)
Nurse_Patient_Ratio: зависит от отделения (ОАиР: 1:2, терапия: 1:8)
Операционные залы: Прогноз плановых операций по профилям + срочность экстренных (история + seasonality). Оптимизация расписания OR через CP-SAT с учётом команд, оборудования, длительности операций.
Запасы: Consumables прогноз = f(expected patient volume, procedure mix). Интеграция с аптечной системой (АПТЕКА 2.0, 1С:Больничная аптека) для автоматических заявок при достижении ROP.
Дашборд и алерты
Операционный дашборд (для начмеда и старших медсестёр):
- Текущая загрузка vs. прогноз по отделениям в реальном времени
- Прогноз на следующие 24/48/72 часа
- Алерт при ожидаемой нехватке персонала/коек
Стратегический дашборд (для администрации):
- Forecast accuracy метрики
- Сезонные паттерны по годам
- Capacity planning: нужна ли дополнительная госпитальная мощность
Интеграция с МИС: ЕМИАС (Москва), SAMSON, MedElement, 1С:Больница — API или HL7 FHIR для получения данных о поступлениях и выписках.
Сроки: базовая модель прогноза поступлений + планирование смен — 8-10 недель. Полноценная система с LOS прогнозом, OR scheduling и дашбордом — 4-5 месяцев.