新闻网讯（通讯员李嘉艺）近日，武汉大学遥感信息工程学院教授许艳青团队联合武汉大学人民医院，在医学与地理信息科学交叉研究领域取得新进展，相关研究成果在线发表于数字医学领域国际顶级期刊《NPJ数字医学》（npj Digital Medicine）。论文题目为“AI-based hourly prediction of emergency department demand integrating social determinants of health”。遥感信息工程学院硕士生胡奇秀为第一作者，许艳青与武汉大学人民医院重症医学科主任医师李光为共同通讯作者。
急诊拥挤会延长患者候诊时间，加重医疗资源压力，准确预测短期到诊需求是开展主动排班与资源调度的重要基础。急诊需求不仅受到时间规律和气象条件的影响，也与患者所处社区的社会经济环境、医疗资源可及性等空间因素密切相关。健康社会决定因素（Social Determinants of Health，SDoH）能够反映不同社区之间的社会经济状况与医疗可及性差异，但现有急诊需求预测研究主要依赖时间规律和气象因素，尚未充分挖掘社区社会环境信息对短时急诊需求的预测价值。如何发挥地理信息科学在空间数据整合与分析方面的优势，将社区社会环境信息融入临床需求预测，是地理信息科学与数字医学交叉研究面临的重要问题。
为此，研究团队结合地理信息科学、人工智能与临床医学的研究方法，提出了融合时间特征、气象条件与动态社区SDoH特征的可解释机器学习预测框架，实现对下一小时急诊到诊量的预测。该框架通过整合社区尺度的社会环境信息与医院急诊诊疗数据，将具有空间差异的社区特征引入小时级医疗需求预测模型，探索了地理空间信息与临床数据协同建模的技术路径。研究选取连续48小时的急诊拥挤过程对模型进行验证，该时段床位占用率持续超过1.0，早晨高峰到诊量超过60人/小时。在床位占用持续超过容量、到诊需求剧烈波动的情况下，融合模型能够跟踪主要需求高峰；加入SDoH信息后，预测曲线对多个次级峰值的拟合有所改善，展示了该框架在高压力情景下的预测表现。
本研究将社区健康社会决定因素与小时级急诊需求预测相结合，探索了社会环境信息由静态描述向动态预测特征转化的新路径，拓展了健康地理学、地理信息科学与人工智能在医疗需求预测中的应用。研究充分发挥了地理信息科学在空间信息整合与社区环境表征方面的学科优势，并结合临床实际需求，为医工交叉研究提供了新的应用范例。研究成果为急诊医疗资源的科学配置与精细化管理提供了新的技术支撑，有望推动急诊管理从被动应对向主动预测和前瞻性规划转变，也为地理信息科学与数字医学的深度交叉融合提供了新的研究思路。
研究框架：融合健康社会决定因素的下一小时急诊需求预测
高压力急诊拥挤时段的模型验证
本研究获得国家重点研发计划和国家自然科学基金资助。
论文链接：https://doi.org/10.1038/s41746-026-03378-8
