تُعتبر مشكلة الازدحام في [أقسام الطوارئ](/tag/أقسام-الطوارئ) (Emergency Departments) تحدياً مستمراً تواجهه [المستشفيات](/tag/المستشفيات) حول العالم، مما يؤدي إلى تأخير تقديم الرعاية الطارئة وازدحام الخدمات. إحدى [المؤشرات](/tag/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](/tag/طبي).

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

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

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