مقاله پیش بینی تخلیه بیمارستان برای شرایط تنفسی در کاستاریکا با استفاده از داده های آب و هوا و آلودگی

چکیده

Respiratory diseases represent one of the most significant economic burdens on healthcare systems worldwide. The variation in the increasing number of cases depends greatly on climatic seasonal effects, socioeconomic factors, and pollution. Therefore, understanding these variations and obtaining precise forecasts allows health authorities to make correct decisions regarding the allocation of limited economic and human resources. This study aims to model and forecast weekly hospitalizations due to respiratory conditions in seven regional hospitals in Costa Rica using four statistical learning techniques (Random Forest, XGboost, Facebook’s Prophet forecasting model, and an ensemble method combining the above methods), along with 22 climate change indices and aerosol optical depth as an indicator of pollution. Models are trained using data from 2000 to 2018 and are evaluated using data from 2019 as testing data. Reliable predictions are obtained for each of the seven regional hospitals

چکیده به فارسی (ترجمه ماشینی)

بیماریهای تنفسی یکی از مهمترین بار اقتصادی در سیستم های مراقبت های بهداشتی در سراسر جهان را نشان می دهد.تغییر در تعداد فزاینده موارد تا حد زیادی به اثرات فصلی آب و هوایی ، عوامل اقتصادی اقتصادی و آلودگی بستگی دارد.بنابراین ، درک این تغییرات و به دست آوردن پیش بینی های دقیق به مقامات بهداشتی امکان می دهد تا در مورد تخصیص منابع اقتصادی و انسانی محدود تصمیمات صحیح بگیرند.این مطالعه با هدف مدل سازی و پیش بینی بستری های هفتگی به دلیل شرایط تنفسی در هفت بیمارستان منطقه ای در کاستاریکا با استفاده از چهار تکنیک یادگیری آماری (جنگل تصادفی ، XGBOOST ، مدل پیش بینی پیامبر فیس بوک و یک روش گروهی که ترکیب روشهای فوق) را به همراه 22 آب و هوا با استفاده از 22 آب و هوا انجام می دهد.شاخص ها و عمق نوری آئروسل را به عنوان شاخص آلودگی تغییر دهید.مدل ها با استفاده از داده های 2000 تا 2018 آموزش داده می شوند و با استفاده از داده های سال 2019 به عنوان داده های آزمایش ارزیابی می شوند.پیش بینی های قابل اعتماد برای هر یک از هفت بیمارستان منطقه ای بدست می آید