住院时间定义为入院和出院之间相隔的时间，以天为单位进行计量。对于大多数医疗保健系统来说，如果处理不当，住院时间会产生高昂的成本。另一方面，优化患者流向有利于实现治疗效果、最小限度的等待、与住院相关风险的最小限度接触，以及有效利用医院病床、医疗设备和现有临床工作人员等资源。
来自美国医疗保险和医疗补助服务中心 (CMC) 的信息显示，住院治疗占到美国全国三分之一的医疗保健支出，对患者住院时间保持最佳控制至关重要。不过，这有点复杂。患者的年龄、性别、病史和其他一些因素对入院和出院之间的间隔天数都具有不同程度的影响。
万幸的是，如 Minitab 中所提供的预测分析工具可以使用大量可用数据来预测患者的各项治疗效果。在下面的示例中，我们将研究一家医疗保健机构关于优化患者住院时间的计划。
假设俄勒冈州的一家中型医院正在制定关于更好地规划和使用其资源的目标。他们的卓越运营团队具有的数据集包含过去两年中来这家医院就诊的大约 8,500 名患者的信息，包括从年龄、性别和婚姻状况等一般信息到疼痛级别、肿瘤大小以及白细胞和红细胞计数等医疗信息的 21 个预测变量或关注变量。下面是他们的 Minitab 工作表：
请注意，该工作表有 22 列数据。前 21 列表示他们将用于预测患者住院时间的预测变量或变量，而第 22 列表示住院时间。
机器学习算法“指导”计算机使用可用数据识别模式。 Minitab 的预测分析工具包括分类和回归树 (CART®)。回归树是一种决策树算法，它会创建一组“是/否”规则将数据拆分到多个分区，并根据预测变量设置以最佳方式将数据分隔成类似的响应值。通过使用此工具，他们将能够：
要创建回归树，卓越运营团队的成员将单击统计 > 预测分析 > CART® 回归...
下面是完成的对话框。
Minitab 在输出窗格中显示一个树状图，如下所示。它具有两种称为节点的不同形状。请注意，其中一些节点拆分成其他节点，而其他节点未进一步拆分。未拆分的节点称为终端节点。回归树中的每个终端节点表示预测变量设置的特定组合。终端节点的数量表示树的大小。在我们的示例中，Minitab 提供的树有 10 个终端节点。因此，树大小为 10。
输出还显示下面的相对变量重要性图。此图形对解释患者住院时间变异性的每个预测变量的相对重要性百分比进行排秩。请注意，在我们的示例中，在预测住院时间时年龄是最重要的变量。癌症阶段、婚姻状况、吸烟史、肿瘤数量和白细胞计数也用于预测住院时间。
使用 Minitab 中的预测…选项，可以轻松地使用此模型进行预测。下面我们针对一个新病例进行预测：
结果如下所示：
请注意，在“设置”下，输出提供了为每个预测变量输入的值。在“设置”下方的“预测”下，Minitab 提供了拟合值，该值在此病例中是预测的平均住院时间。根据这些信息，医院可以预测：
一名 53 岁的已婚男子…
...预计住院 5.43 天。
借助 Minitab 中的 CART 回归，医院的卓越运营团队可获得他们需要的数据，根据他们了解的信息在患者入院时准确预测患者的住院时间。了解不同病况的患者的平均住院时间后，他们就可以调整其计划，确保在需要时具有足够的资源。
对演示或讨论医疗保健解决方案分析的更多应用程序感兴趣？