RESUMO
PURPOSE: To characterize patients who left without being seen (LWBS) from a Canadian pediatric Emergency Department (ED) and create predictive models using machine learning to identify key attributes associated with LWBS. METHODS: We analyzed administrative ED data from April 1, 2017, to March 31, 2020, from IWK Health ED in Halifax, NS. Variables included: visit disposition; Canadian Triage Acuity Scale (CTAS); triage month, week, day, hour, minute, and day of the week; sex; age; postal code; access to primary care provider; visit payor; referral source; arrival by ambulance; main problem (ICD10); length of stay in minutes; driving distance in minutes; and ED patient load. The data were randomly divided into training (80%) and test datasets (20%). Five supervised machine learning binary classification algorithms were implemented to train models to predict LWBS patients. We balanced the dataset using Synthetic Minority Oversampling Technique (SMOTE) and used grid search for hyperparameter tuning of our models. Model evaluation was made using sensitivity and recall on the test dataset. RESULTS: The dataset included 101,266 ED visits where 2009 (2%) records were excluded and 5800 LWBS (5.7%). The highest-performing machine learning model with 16 patient attributes was XGBoost which was able to identify LWBS patients with 95% recall and 87% sensitivity. The most influential attributes in this model were ED patient load, triage hour, driving minutes from home address to ED, length of stay (minutes since triage), and age. CONCLUSION: Our analysis showed that machine learning models can be used on administrative data to predict patients who LWBS in a Canadian pediatric ED. From 16 variables, we identified the five most influential model attributes. System-level interventions to improve patient flow have shown promise for reducing LWBS in some centres. Predicting patients likely to LWBS raises the possibility of individual patient-level interventions to mitigate LWBS.
RéSUMé: BUT: Caractériser les patients qui sont partis sans être vus (left without being seen LWBS) d'un service d'urgence (SU) pédiatrique canadien et créer des modèles prédictifs utilisant l'apprentissage automatique pour identifier les attributs clés associés au LWBS. MéTHODES: Nous avons analysé les données administratives de SU du 1er avril 2017 au 31 mars 2020 provenant de l'urgence de IWK Health à Halifax, en Nouvelle-Écosse. Les variables comprenaient: disposition de la visite; l'échelle canadienne de triage de la gravité (ETG); mois, semaine, jour, heure, minute et jour de la semaine; sexe; âge; code postal; accès au fournisseur de soins primaires; payeur de la visite; source de l'aiguillage; arrivée par ambulance; principal problème (CIM10); durée du séjour en minutes; distance de conduite en minutes; et la charge de patients de l'urgence. Les données ont été divisées de manière aléatoire en ensembles de données de formation (80%) et de test (20%). Cinq algorithmes de classification binaire d'apprentissage automatique supervisés ont été mis en Åuvre pour former des modèles de prévision des patients atteints de LWBS. Nous avons équilibré l'ensemble de données à l'aide de la technique de suréchantillonnage synthétique des minorités (SMOTE) et utilisé la recherche de grille pour le réglage des hyperparamètres de nos modèles. L'évaluation du modèle a été faite en utilisant la sensibilité et le rappel sur l'ensemble de données d'essai. RéSULTATS: L'ensemble de données comprenait 101266 visites aux urgences où les enregistrements de 2009 (2%) ont été exclus et 5800 LWBS (5,7%). Le modèle d'apprentissage automatique le plus performant avec 16 attributs de patient était XGBoost, qui a été en mesure d'identifier les patients LWBS avec 95% de rappel et 87% de sensibilité. Les attributs les plus influents dans ce modèle étaient la charge de patients à l'urgence, l'heure de triage, les minutes de conduite entre l'adresse du domicile et l'urgence, la durée du séjour (minutes depuis le triage) et l'âge. CONCLUSION: Notre analyse a montré que les modèles d'apprentissage automatique peuvent être utilisés sur des données administratives pour prédire les patients qui sont partis sans être vus dans un service d'urgence pédiatrique canadien. À partir de 16 variables, nous avons identifié les cinq attributs de modèle les plus influents. Les interventions au niveau du système visant à améliorer le flux de patients se sont révélées prometteuses pour réduire les LWBS dans certains centres. La prévision des patients susceptibles de LWBS soulève la possibilité d'interventions individuelles au niveau des patients pour atténuer le LWBS.