德国医院研究用机器学习（LightGBM与TSMixer）预测患者异质性护理需求以优化护士排班

一项基于德国医院患者级数据的研究，将患者划分为具有不同护理需求的类别，并用LightGBM和TSMixer两种机器学习模型预测未来1个月的分类护理需求，再转化为人员配置需求。结果显示，异质性需求预测较朴素基线将护士排班效率提升34%，较最佳同质化需求估计方法提升14%，并减少人员过剩与不足。研究发表于Medical Care，提示将患者异质性纳入人员需求预测可提高排班的效率与可靠性。