Forecast-Driven Dynamic Physician Staffing in a Pediatric Emergency Department: A Prospective Quasi-Experimental Pilot Study.

چکیده اصلی

Emergency department crowding is a persistent threat to acute care quality, yet predictive models for ED demand have rarely been translated into prospective operational staffing interventions. Here we report a prospective single-center quasi-experimental pilot study evaluating forecast-driven dynamic physician scheduling in the pediatric ED of Hacettepe University Ihsan Dogramaci Children's Hospital (December 2024 to May 2025). Using a deep learning demand forecasting model (TiDE-RIN) combined with linear programming, we determined daily physician counts (range 3 to 6) for evening shifts (16:00 to 24:00) during days 1 to 15 of each month; days 16 to end of month maintained the institution's standard fixed four-physician schedule. Among after-hours visits with valid disposition timestamps (n = 9,626), mean post-evaluation length of stay (PE-LOS) was 175.9 min in the intervention arm and 184.0 min in the control arm (unadjusted difference 8.2 min; propensity-score-matched 7.9 min, median 10.0; stabilised inverse-probability weighting 8.5 min). Because staffing was allocated by calendar day, inference was clustered on the 182 study days: the two-way fixed-effects arm contrast was a reduction of 8.9 min (95% CI - 22.5 to + 4.8; p = 0.20) and the fully covariate-adjusted contrast 11.0 min (95% CI - 24.4 to + 2.5; p = 0.11). All design-consistent specifications placed the reduction between 4 and 11 min, none excluded no effect under day-level clustering, and the pilot was not powered for a difference of this size. Diagnostic testing was modestly lower (any-test rate 0.51 versus 0.54; p = 0.009). Effects were concentrated among lower-acuity patients and during the early-evening demand peak, and the optimised schedule allocated physicians demand-responsively (mean 4.31 versus 4.00 per shift) with no signal of compromised short-term patient safety, although per-physician workload effects did not reach significance in this pilot. Spillover analysis confirmed no progressive improvement in the concurrent control period. In this prospective pilot, coupling deep learning demand forecasting with optimisation-based physician scheduling was associated with a consistent but modest reduction in PE-LOS whose confidence interval included no effect, supporting feasibility and motivating multi-centre evaluation, and directly addressing the translational gap between predictive model development and real-world clinical implementation.

ترجمه فارسی چکیده

شلوغی بخش اورژانس یک تهدید پایدار برای کیفیت مراقبت‌های اورژانسی است، اما مدل‌های پیش‌بینی‌کننده برای تقاضا در بخش اورژانس نادراً به اقدامات عملیاتی برنامه‌ریزی شده ترجمه شده‌اند. در اینجا ما یک مطالعه نیمه‌آزمایشی پیش‌رویی تک‌مرکزی را گزارش می‌کنیم که برنامه‌ریزی دینامیک پزشکان مبتنی بر پیش‌بینی را در بخش اورژانس کودکان دانشگاه هاتتپه (بیمارستان کودکان ایحسان دوجمالی) ارزیابی می‌کند (دسامبر ۲۰۲۴ تا مه ۲۰۲۵). با استفاده از یک مدل پیش‌بینی تقاضا با یادگیری عمیق (TiDE-RIN) در کنار برنامه‌ریزی خطی، تعداد روزانه پزشکان (محدوده ۳ تا ۶) برای شیفت‌های عصرانه (۱۶:۰۰ تا ۲۴:۰۰) در روزهای ۱ تا ۱۵ هر ماه تعیین شد؛ روزهای ۱۶ تا پایان ماه برنامه ثابت چهار پزشکی استاندارد بیمارستان حفظ شد. میانگین زمان اقامت پس از ارزیابی (PE-LOS) در میان بازدیدهای خارج از ساعات کاری با مهره زمانی معتبر (n = 9,626) ۱۷۵.۹ دقیقه در گروه مداخله و ۱۸۴.۰ دقیقه در گروه کنترل بود (تفاوت بدون تنظیم ۸.۲ دقیقه). آزمون‌های تشخیصی به طور متوسط پایین‌تر بود (نرخ هر-آزمون ۰.۵۱ در مقابل ۰.۵۴؛ p = ۰.۰۰۹). اثرات متمرکز بر بیماران با شدت بالینی پایین و در اوج تقاضای اوایل عصر بود و برنامه‌ریزی بهینه پزشکان را به صورت واکنشی به تقاضا تخصیص داد (میانگین ۴.۳۱ در مقابل ۴.۰۰ در هر شیفت) بدون هیچ سیگنالی از تضعیف ایمنی کوتاه‌مدت بیمار، هرچند اثرات بار کاری هر پزشک در این مطالعه کوچک به معنای آماری نرسید. تحلیل نشت تأیید کرد که بهبود پیشرو در دوره کنترل همزمان وجود ندارد. در این مطالعه بالینی پیش‌رویی، ترکیب پیش‌بینی تقاضا با یادگیری عمیق و برنامه‌ریزی پزشکان مبتنی بر بهینه‌سازی با کاهش ثابت اما متوسط PE-LOS همراه بود که فاصله اطمینان آن شامل عدم اثر بود، که از قابلیت اجرایی پشتیبانی می‌کند و ارزیابی چندمرکزی را تشویق می‌کند.

متن کامل اصلی