Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Temporal Convolutional Networks for Forecasting Patient Volumes in Digital Healthcare
KTH, School of Electrical Engineering and Computer Science (EECS).
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

Patient volume forecasting is an important tool for staffing clinicians to meet patient demands. In traditional care, the problem has been studied by multiple authors with inconclusive results. Recent advances in using recurrent and convolutional models in the neighbouring area of sequence modeling have not yet been replicated in the area of patient volume forecasting in traditional healthcare. In the growing area of digital care, only one study has attempted the problem to date.In this study, a Long Short-Term Memory Network (LSTM) and a Temporal Convolutional Network (TCN) were implemented and fit in a one-step forecasting problem using historical hourly patient volumes of a digital caregiver, both with and without explicit weekday annotations. The models were evaluated in one-step and multi-step forecasting with an horizon up to 168 time steps (1 week), and compared to statistical baseline models.

In the one-step forecasting evaluation the univariate TCN achieved a Mean Squared Error (MSE) of 93.4 2.4, outperforming the univariate LSTM (122.2 5.9 MSE) and all baseline models (best: 193 MSE). In the 168-step forecasting evaluation, the univariate TCN achieved a mean MSE (MMSE) for each step in the forecasted horizon of 143.2 5.5, outperforming the LSTM (261.5 63.0 MMSE) and baseline models (best: 195.8 MMSE). The performance of the LSTM and TCN models were shown to deteriorate for each step ahead in the multi-step forecasts, the LSTM at a faster rate than the TCN. The results indicated that the models learned to approximate the seasonality of the dataset, but when the data deviated, the accuracy of all models worsened. The use of multivariate data lowered the errors slightly. The computational performance of the TCN, attributed to its parallelizable architecture, was shown to be a major advantage over the LSTM.It was concluded that the TCN is a promising alternative to the LSTM in the context of the specific problem, both in terms of accuracy and usability, but that more studies are needed to say anything about the general problem of patient volume forecasting in digital healthcare.

Abstract [sv]

Ett viktigt verktyg för bemanning inom vården är prognoser om framtida patientmängder. Flertalet studier har granskat problemet inom traditionell vård med motstridiga resultat. Nyliga inträ:ffade framsteg inom det angränsande området sekvensmodellering har ännu inte återskapats inom området för förutsägelse av patientvolymer inom traditionell vård. Inom det växande området av digital vård har hitintills endast en tidigare studie angripit problemet.I denna studie utvärderas två modeller, ett Long Short-Term Memory (LSTM) och ett Temporalt Faltningsnätverk (eng: Temporal Convolutional Network (TCN)), i att förutse antalet patienter genom användning av historisk timmesdata för antalet patienter, från en digital vårdgivare, både med och utan explicita markeringar för veckodagar. Modellerna tränades i enstegsproblemet och utvärderades i både enstegsoch flerstegsproblem med en horisont på upp till 168 tidssteg (1 vecka). Resultaten jämfördes med resultat från statistiska standardmodeller.

I enstegsproblemet uppnådde den univariata TCN-modellen ett genomsnittligt kvadratfel (eng: Mean Squared Error (MSE)) på 93.4 2.4 vilket var bättre än LSTM-modellens (122.2 5.9 MSE) och alla testade standardmodeller (bästa: 193 MSE). I flerstegsproblemet med en horisont på 168 tidssteg uppmätte TCN-modellen ett medel-MSE (MMSE) för varje steg i prognosen på 143.2 5.5 vilket var bättre än LSTM-modellens fel på 261.5 63.0 MMSE och standardmodellerna (bästa: 195.8 MMSE). LSTMoch TCN-modellernas prestanda visade sig försämras för varje steg i framåt i prognosen i flerstegsproblemet, dock i en snabbare takt för LSTM-modellen. Resultaten tydde på att modellerna lärt sig att approximera säsongsbaserade mönster i datan, men när datan avvek från det normala försämrades resultaten för alla modeller. Användandet av data med explicita veckodagsmarkeringar minskade felen något. Den beräkningsmässiga prestandan för TCN-modellen, vilken tillskrivs möjligheten till parallellisering, visade sig vara en stor fördel gentemot LSTM-modellen.TCN-modellen är ett lovande alternativ till LSTM-modellen i samman-hanget av det specifika problemet, både med hänsyn till noggrannhet och användbarhet, men att fler studier behövs för att slutsatser ska kunnas dra om det mer generella problemet om förutsägelse av patientmängder inom digital vård.

Place, publisher, year, edition, pages
2019. , p. 43
Series
TRITA-EECS-EX ; 2019:467
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-255009OAI: oai:DiVA.org:kth-255009DiVA, id: diva2:1337249
Examiners
Available from: 2019-07-12 Created: 2019-07-12 Last updated: 2019-07-12Bibliographically approved

Open Access in DiVA

fulltext(1132 kB)53 downloads
File information
File name FULLTEXT01.pdfFile size 1132 kBChecksum SHA-512
7b54319bfa570d0687a7e7b0c30a36cb6aaf9f41e3db6900d2c3b1875f919dfa96f6b97f1010792884722011d72dccc9669ecf338ec727c1cdeeeaeadd03985a
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 53 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 179 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf