Использование методов машинного обучения для прогнозирования потоков пациентов в медицинских учреждениях

На текущий момент системы здравоохранения многих государств столкнулись с распространением вируса SARS-CoV-2. К сожалению, большинство стран не смогли сдержать эпидемию, и единственным сценарием окончания пандемии является выработка коллективного иммунитета, т. е. количество переболевших должно составить примерно 75% от населения, при условии, что оно распределено равномерно. Главная проблема при этом заключается в нагрузке на систему здравоохранения – количество обращений в медицинские учреждения не должно превышать максимальный допустимый поток обслуживаемых пациентов. Эффективность решения данной проблемы состоит из 2 составляющих – во-первых, это меры государства по снижению скорости распространения эпидемии, и во-вторых – меры системы здравоохранения по увеличению максимального допустимого числа пациентов. По рекомендациям ВОЗ региональные системы здравоохранения должны в срочном порядке мобилизовать все ресурсы, чтобы адаптироваться под новые условия. Данная работа посвящена предсказанию пациентского потока. Актуальность данной работы заключается в том, что предиктивная аналитика количества пациентов поможет оптимизировать работу медицинских учреждений и снизить нагрузку на медицинский персонал. Главная цель данной работы – разработать модель машинного обучения на основе реальных данных, которая сможет предсказать объём потока пациентов на определенный будущий период. Для достижения этой цели был выделен ряд методов исследования. Многие задачи машинного обучение без учителя предназначены для разведочного анализа данных и их предобработки, поэтому алгоритмы из этого семейства использовались для препроцессинга. Также машинное обучение с учителем полностью посвящено предиктивной аналитике, поэтому алгоритмы этой группы использовались для задач регрессии и классификации.