编辑推荐：
本研究针对疫情期间单家医院入院人数预测的空白，开发了一种结合滞后住院人数和本地再生数(??)的时间序列预测模型。通过将医院服务区域划分为三个亚区（奥斯陆市区、郊区和半农村地区）分别建模后合并预测，该模型在Alpha波期间表现出优于ARIMA基准和整体区域模型的预测性能（R2=0.57）。虽然Delta波的样本外验证显示整体模型表现更佳，但研究证明了考虑人口异质性和流行病动态的预测方法在医院应急规划中的实用价值。
当新冠疫情席卷全球时，医疗系统面临着前所未有的压力。在欧洲，约有1亿例癌症筛查被推迟，挪威在首波疫情中就有超过2万例择期手术被延期。这些数据凸显了在健康危机期间进行有效应急规划的重要性。无论是经合组织(OECD)还是挪威冠状病毒特别评估委员会都强调，将数据转化为可操作的预测工具对加强疫情应对至关重要。然而，现有的大多数预测模型都集中在区域或国家层面，忽略了单个医院服务区域内人口在 demographics、发病率和其它相关特征上的异质性。
针对这一研究空白，来自挪威阿克什胡斯大学医院的研究团队在《Epidemics》期刊上发表了一项创新研究，开发了一种针对单家医院的短期日入院预测模型。该研究利用Alpha变异株流行期间的数据，建立了包含滞后住院人数和本地再生数(??-number)作为预测因子的时间序列模型。考虑到入院率的人口统计学差异，研究还采用了群体建模(GBM)方法将服务区域划分为亚区，通过合并亚区预测结果来提升模型精度。
研究主要采用了以下关键技术方法：基于服务区域内感染率进行群体建模(GBM)划分亚区；利用SIR(易感者-感染者-移除者)动力学模型算法估计本地再生数(??)；通过增强迪基-富勒(ADF)检验和恩格尔-格兰杰检验分析时间序列的平稳性和协整关系；使用Akaike信息准则(AIC)筛选最优预测因子组合；采用加权平均百分比误差(WAPE)和加权区间得分(WIS)等指标评估预测准确性。
3. 结果
3.1. 服务区域划分
根据感染率进行的群体建模将服务区域划分为三个亚区："奥斯陆市区"（三个奥斯陆城区）、"郊区"（四个以城市为主的市镇）和"半农村地区"（其余16个市镇）。人口统计学分析显示，奥斯陆市区人口密度最高，移民比例、低收入人群比例和拥挤居住条件比例也最高；而半农村地区老年人口最多，人口密度最低，异质性最大。
3.2. 预测模型性能
在Alpha波期间，包含滞后住院人数和??-number的合并模型表现最佳（R2=0.57），优于整体区域模型（R2=0.54）和ARIMA(0,1,2)基准模型。??-number的加入额外解释了10%的方差，并显著降低了残差的自相关性。模型预测区间覆盖良好，90%预测区间覆盖率分别为84%（合并模型）和81%（整体模型）。
3.3. 样本外验证
在Delta波上进行样本外验证时，整体模型的表现略优于合并模型，特别是在WAPE和WIS指标上。模型在Delta波初期出现过度预测，但能较好地捕捉后期住院趋势。对Omicron波的验证表明，模型虽能跟踪趋势但无法捕捉波动，提示需要持续模型调整。
3.4. 实际应用价值
研究还生成了7天点预测和累计预测，并计算了各工作日的过度预测和预测不足概率。例如，在Alpha波期间，周一和周四有约50%的概率实际入院人数比预测值多至少1人，而周三和周六的过度预测概率超过40%。这些概率信息为医院决策者提供了更全面的风险评估工具。
研究表明，结合本地??-number和亚区划分的预测方法能有效提升单家医院日入院人数的短期预测准确性。虽然合并模型在Alpha波中表现最佳，但整体模型在Delta波中的稳健性提示了模型选择的上下文依赖性。研究开发的预测工具能为医院应急规划提供及时、数据驱动的决策支持，特别是在考虑预测不确定性的情况下。
讨论部分指出，模型的实用性依赖于数据质量，实时预测需应对报告延迟、检测策略变化等挑战。虽然挪威的全民医疗覆盖和良好数据基础可能限制模型的直接普适性，但研究方法为其他医院和传染病预测提供了有价值的参考框架。未来研究可探索将此类模型应用于流感或呼吸道合胞病毒等其它传染病的预测，并考虑将不对称决策成本直接纳入模型估计过程。
总之，这项研究为单家医院在健康危机期间进行精准资源规划提供了创新方法，通过整合流行病动态和人口异质性信息，增强了医疗系统应对不确定性的能力。
