تُعتبر مشكلة الازدحام في أقسام الطوارئ (Emergency Departments) تحدياً مستمراً تواجهه المستشفيات حول العالم، مما يؤدي إلى تأخير تقديم الرعاية الطارئة وازدحام الخدمات. إحدى المؤشرات الرئيسية لهذا الازدحام هي "وقت انتظار الأقسام" (ED Boarding Time)، والذي يُعرّف بأنه الوقت الذي يبقى فيه المرضى المتعافون في قسم الطوارئ في انتظار توفير سرير طبي.

مع توقع أوقات الإنتظار بشكل مسبق، يمكن للمستشفيات اتخاذ قرارات تشغيلية استباقية قبل تفاقم الازدحام. في هذا الإطار، تم تطوير نموذج توقع متكامل يهدف إلى تقدير وقت الانتظار لمدة 6، 8، 10، 12، و24 ساعة. استخدمت هذه الدراسة بيانات حقيقية من مستشفى حضاري تابع لجامعة في الولايات المتحدة، وتم دمجها مع بيانات سياقية خارجية، مثل الأحوال الجوية، والعطلات، والأحداث المحلية الكبرى.

أظهرت النماذج القائمة على تقنيات التعلم العميق مثل DLinear (نماذج خطية قائمة على التحلل) وNLinear (نماذج خطية قائمة على التطبيع) أداءً ممتازاً عبر العديد من الأفق الزمنية. كما تم تقييم النماذج تحت سيناريوهات الازدحام الشديد، حيث تُظهر أوقات انتظار مرتفعة.

بالإضافة إلى ذلك، تم تطوير نموذج أولي لتطبيق يقين التعلم الآلي (Machine Learning Operations – MLOps) لدعم ترجمة إطار العمل الخاص بالتوقعات إلى ممارسة حقيقية، من خلال دمج بيانات المدخلات، وتصوير التوقعات، والتجريب، وإعادة التدريب. هذه الخطوة تمثل نقلة نوعية في كيفية إدارة أقسام الطوارئ، مما يعد بتحسين رعاية المرضى وتخفيف الأعباء على فرق العمل.