Emergency department (ED) overcrowding is a global condition that severely worsens attention to patients, increases clinical risks and affects hospital cost management. A correct and early prediction of ED's admission is of high value and a motivation to adopt machine learning models. However, several of these studies do not consider data collected in textual form, which is a feature set that contains detailed information about patients and presents great potential for medical health care improvement. To this end, we propose and compare predictive models for admission that use both structured and unstructured data available at triage time. In total, our dataset comprised 499,853 pediatric ED's presentations (with an admission rate of 5.76%) of patients with age up to 18 years old observed over 3.5 years. Our best model consists of a 2-stage architecture with a deep neural network (DNN) to extract information from textual data followed by a gradient boosting classifier. This combined model achieved a value of 0.892 for the Area Under the Curve (AUC) in the test data. We highlight the importance of DNN-based text processing for better prediction, since the absence of text features resulted in AUC reduction of approximately two percentage points. Also, the feature importance of text was higher than that of the Manchester Triage System (MTS), which is a widely used risk classification protocol. These results suggest that activations from a trained DNN should be used in transfer learning setups in future studies.

中文翻译：

---

借助深度神经网络和分类文本数据对小儿急诊科的入院率进行预测。

急诊科（ED）的人满为患是一种全球状况，严重恶化了对患者的关注，增加了临床风险并影响了医院成本管理。正确和早期地预测ED的录取具有很高的价值，并且是采用机器学习模型的动机。但是，其中一些研究没有考虑以文本形式收集的数据，这是一个功能集，其中包含有关患者的详细信息，并具有改善医疗保健的巨大潜力。为此，我们提出并比较使用分诊时可用的结构化和非结构化数据的入学预测模型。总的来说，我们的数据集包含了499,853例小儿ED的报告，观察了3.5年以上18岁以下的患者。我们最好的模型包括一个具有深度神经网络（DNN）的两阶段体系结构，可从文本数据中提取信息，然后再进行梯度提升分类器。此组合模型的测试数据中曲线下面积（AUC）的值为0.892。我们强调基于DNN的文本处理对于更好地进行预测的重要性，因为缺少文本功能会导致AUC降低大约两个百分点。此外，文本的功能重要性也比曼彻斯特分类系统（MTS）更高，后者是一种广泛使用的风险分类协议。这些结果表明，在将来的研究中，应将来自受过训练的DNN的激活用于转移学习设置中。此组合模型的测试数据中曲线下面积（AUC）的值为0.892。我们强调基于DNN的文本处理对于更好地进行预测的重要性，因为缺少文本功能会导致AUC降低大约两个百分点。此外，文本的功能重要性也比曼彻斯特分类系统（MTS）更高，后者是一种广泛使用的风险分类协议。这些结果表明，在将来的研究中，应将来自受过训练的DNN的激活用于转移学习设置中。此组合模型的测试数据中曲线下面积（AUC）的值为0.892。我们强调基于DNN的文本处理对于更好地进行预测的重要性，因为缺少文本功能会导致AUC降低大约两个百分点。此外，文本的功能重要性也比曼彻斯特分类系统（MTS）更高，后者是一种广泛使用的风险分类协议。这些结果表明，在将来的研究中，应将来自受过训练的DNN的激活用于转移学习设置中。文本的功能重要性高于曼彻斯特分类系统（MTS），后者是一种广泛使用的风险分类协议。这些结果表明，在将来的研究中，应将来自受过训练的DNN的激活用于转移学习设置中。文本的功能重要性高于曼彻斯特分类系统（MTS），后者是一种广泛使用的风险分类协议。这些结果表明，在将来的研究中，应将来自受过训练的DNN的激活用于转移学习设置中。