Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   15 ,  No.   1 ,  Febr uary   20 25 , pp.  669 ~ 676   IS S N:  20 88 - 8708 , DO I: 10 .11 591/ij ece.v 15 i 1 . pp 669 - 676           669       Journ al h om e page :  http: // ij ece.i aesc or e.c om   Hybrid   long sho rt - term m emor y  and de cisi on tree  model fo r  optimizi ng patie nt volum e pre dictions in e mergen cy  departm ents       Ah med  Aba t al 1 , Mou r ad   M zi li 2 , Za ka ri a B enlali a 2 , Ha j ar  K ha ll ouki 3 ,  Toufi k  Mzil i 2 ,   Moham med E l Kaim Bi ll ah 4 , La it h  Ab u aligah 5,6,7,8   1 Facu lty  of Scienc e L eg al  Econ o m ic  an d  Social, Ch o u aib  Dou k k ali Univ ersity ,  EL  Jad id a,  M o rocco   2 Facu lty  of Scienc e,  Ch o u aib  Dou k k ali Univ ersity ,  El  J ad id a,  Moro cco   3 Facu lty  of Scienc e and  T echn o lo g y ,  Un iv ersite Ha ss an   Prem i er,  Settat  M o rocco   4 Dep artm en t of  Co m p u ter  Sci en ce E S TSB,  EL I TE S L ab ,   Ch o u aib  Dou k k al i Univ ersity ,  El  Ja d id a,  Moro cco   5 Co m p u ter  Scien ce  Depart m en t,  Al al - Bay t Univ ersity ,  Maf raq ,  Jo rdan   6 Cen tre  for Rese ar ch  I m p act   an d   Ou t co m e,  Ch itk ara  Un iv ersity  I n stitu te of  E n g in eering  and  T echn o lo g y ,  Ch itk ara  Un iv ersity ,  Raj p u ra,   Pu n jab ,  Ind ia   7 Ap p lied  scien ce res earc h  cente r,   Ap p lied  scien ce priva te un iv ersity ,  Am m an ,  Jo rdan   8 Artif icial  I n telli g e n ce a n d  Sens in g  T echn o lo g ies (AI ST )  Res ear ch  Cen ter,   Un iv ersity  of T ab u k ,  Tabu k ,  Sau d i Ar ab ia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   M a y 10,  2024   Re vised  A ug 13, 2 024   Accepte d  Aug 20,  2024       In  th is  study ,   we  addr ess  critical   oper at ion al  i nef ficien c ie s   in   em erg enc y   depa rt me nts  ( E Ds )  by  deve loping  a  hybrid  pr e dic ti v e  mod el   th at   in te gra te s  long  short - te r m  me mory  ( LSTM)  net works   with   dec ision   trees   ( DT) .   Th is  mode l   significan tl y  enha nc es  th e   pre di ct ion   of  p a ti ent  volu me s,   a  key  fa ct or   in  red uc ing  wa it   times,   optimi zi ng  resour ce   a ll oc at ion ,   and  i mprovi ng  over all  serv ic e   q ual it y   in   hospit a ls.  By   accuratel y   fore ca sting   th e  n umbe r  of   inc omi ng  p atien ts,  our  model  f ac i li t at es  th e  ef fic i ent   distr ibut i on  of  both   huma n  and  m ateri a l  resour ce s,   ta il or ed  spe ci fi c al ly  to  ant i ci pa t ed  de ma nd .   Furtherm ore ,   th i s  pre dictive  acc ura cy  ensure s  t hat   EDs  ca n  mainta in   high   servic e   stand ard s  eve n  dur ing  p e ak  t im es,   ultim ately  le ad ing  to   be tt er   patient  outc om es  and  more   eff e ct iv e   use  of  h ealth ca re   fa ci l it i es.   Thi s  pap er   dem onstra te s  ho w  adva nc ed  da ta  ana ly ti cs  ca n  b e   le ver age d   to  sol ve  some  of   the   most  pr essing  challe ng es  fa c ed  by  emerge n c y  me d ic a l  serv ices t oday .   Ke yw or d s :   Bi g  data   Data anal ys is    Decisi on tree  models    Emer gen c y de par tme nts   Healt hcar e  syst ems    Lo ng sho rt - te r m mem ory   model   M ac hin e  l ea rn i ng   This   is an  open   acc ess arti cl e   un der  the  CC  BY - SA   l ic ense .     Corres pond in g  Aut h or :   Ahmed  Abata l   Faculty  of Scie nce Le gal Ec onomi c an d Soc ia l ,  Chouaib  Douk kali U niv e r sit y   El Jadida , M orocco    Emai l:  a.ab at al @uh p. ac. ma       1.   INTROD U CTION   Emer gen c y  d e par tme nts   (E D s)  a re   crit ic al   com pone nts  of   healt hcar e   s yst ems   [ 1],   [ 2] ,   ta sk e d  with  the  chall en ging  du t y  of  pro vid in g  imme diate   care  unde r  unpre dicta ble  a nd  oft en  c ha otic  co nd it io ns .  E ff ic ie nt   mana geme nt of  t hese units  is cru ci al ,   as   the  v aria bili ty  in   pa ti ent  volu mes can  sig nificantl y  im pact   wait   t imes,   resou rce  al loc at ion ,  a nd   ov erall   qu al it y  of  healt hca re  [ 3]   se rv ic es .  H igh   var ia bili ty  le ads  to  pe riod s  of  ov e rcro wd i ng,  increase d  wait   ti mes,  and   ca n  ulti mate ly  co mpro mise  patie nt  care  qual it y  w he n  res our ces  are  stret ched to o  t hin   [ 4] .   Trad it io nally,   EDs  ha ve  us e d  basic  sta ti sti cal   methods  and  li near  f oreca sti ng   mode ls,  su c h  a s   auto regressive  integr at e d  m oving   a ver a ge  (AR IMA)   [ 5]   m odel s  an d  e xpon entia l  smoothi ng,  to p re dict  pa ti ent  vo l um es .  T hes e  meth ods  of te n  fail   to  ca ptur e  com plex ,  nonlinear   patte r ns  an d  sea sonal   va riat ion s  i n  patie nt  arr ivals ,  le adi ng  to   sub op ti mal  operati on al   decisi ons.   Fo r   e xam ple,  ARI M A   m ode ls,  w hile  cap a ble  of  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec   &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   669 - 676   670   handlin g  ti me  series ,   are   l imi te d  by  t he ir  ass umpti on   of   li near  relat ion s hip s   a nd  t heir   ina bili ty  to   accomm odat e  t he  non - li near  dynamics   of  E D  patie nt  fl ows   [ 6],  [ 7] .  Simi la rly,   e xpone ntial   smoothin g,  wh il e   us ef ul f or shor t - te rm   f or eca sti ng, does  not  ta ke  s uffici ent  a c count o f   lo ng - t erm  t rends   an d  seas on al   va riat ion s,   le ading  to   inac cur at e   f or ecast s  du rin g  pea k  per i od s .  In  a ddit ion ,  t rad it io na l  for ecast in g  models  ge ner al ly  fail   to  inc orp or at e   di ver se   ty pes   of  data,  s uc h  as  patie nt  de mogra phic s,  m edical   histo r y  and  oth er   c on t extual  inf or mati on ,  w hich  a re  esse nt ia l  fo r   ma king  inf or me d  res ource  al locat io n  decisi ons   [8] .  Dem ogra ph ic   detai ls   of  the   patie nt   and  me dical   history  ca n  pro vi de  valua ble  in formati on  on  pote ntial   patie nt  nee ds  an d  res ourc e  requireme nts,  bu t  the se  el ements  are  of t en  overl ooke d  by   sim pler  models.  Fail ure  to  inte gr at e  this   heter og e ne ou s   data  le ads  to   a  la ck  of   forecast   accu rac y,   f urt her   c ompli cat ing   the   mana geme nt  of   E D   resou rces  a nd  operati ons.   I n  a dd it io n,   t ra diti on al   met ho ds   a re  gen e ral ly  reacti ve   rat her   t ha n  pr oa ct ive,   offer i ng  li tt le   fo resi gh t   into   pote ntial   wa ves   of  patie nt   ar riv al s.  T his  reacti ve  a ppr oach  ha mp e rs  t he  a bili ty  of  emer gen c y  de pa rtments   to   plan  a nd   al locat e  resou rces  e ffec ti vely,  oft en   re su lt ing  in   ov e r crow ding,   inc r eased   wait ing   ti mes,   and   a   po or   qua li ty  of   ca re.  R ecent  stu dies  hi gh li ght  the  ne ed  f or  ad va nce d  pre dicti ve  m od el s  capab le   of  bette r  ha ndli ng  the  c omplexit y  an d  var ia bili t y  of   e mer ge nc y  dep a rtme nt  data,  s uggestin g  tha t   machine  lear nin g t ech niques  cou l d offer  m ore r obust  so l ution s .   The  a dvent   of  big   data  a nalyt ic s   [9]   a nd  a dv anced  mac hin e   le arn i ng   [ 10] ,  [11]   te ch nique s  prese nt  a   new  opport un i ty  t o  overc ome   these   c halle ng e s.   I n  pa rtic ular,  the   i nteg rati on  of  lo ng   s hort - te r m  m emo ry   (LST M)   [12 ]   netw orks   a nd  decisi on  t rees   ( DT )   i n  a  hybri d  m odel   offe rs  a   pro misi ng  s olu ti on.   LST M  netw orks  are  r enow ned   for  t heir  ef ficacy  i n  anal yzin g  ti me - se ries  data,   captur i ng  the  te mp oral   de pe nd e ncies  essenti al   f or  pr edict ing  patte r ns   i n  patie nt   ar rivals.  O n  t he  oth e r  hand,  D T  are   ade pt  at   processi ng  str uc ture d  data,  pro vid in g  crit ic al   insi gh ts  i nto   patie nt  pro file s  a nd  histo rical   medical   data ,  wh ic h  ar e  cr uc ia l  fo r   resou rce  plan nin g   [ 13] .   The   main   c on t rib ution  of  thi s  pa pe r  is   the   de velo pme nt   of  a   no vel  hybr i d  pr e dicti ve   m od el   that   sign ific a ntly  e nh a nces   t he  predict io n  of  pa ti ent  vo l um es .  By  s yner gizing  t he  te m por al   data  proces sing  capab il it ie s  of  LST M   [ 14]   with  t he  str uctu red   data  analysis  st rength  of  D Ts ,  our  m odel   of fer s  a   com pr e he ns ive   too l  f or   m or e  accurate  a nd   dyna mic  f or ecas ti ng .  T his  a ppr oach   facil it at es  eff ic ie nt  al loc at ion  of  re source s,   both   huma n  an d  mate rial ,   ba se d  on  a nt ic ipate d  patie nt  volu mes,   th us   ai mi ng  to   reduce   pa ti ent  wait ing  ti mes  and  im prov e   s erv ic e  qual it y  in  hos pital s.  T he  im pleme ntati on   of  this  m od el   co uld  le ad  to   trans formati ve   impro veme nts   in  ED  operati on s ,  op ti mizi ng  res ource  us a ge  an d  e nhanc ing   patie nt  out comes   by ali gn i ng op erati on al  st rategies  with actua l dema nd p at te rn s   [ 15] .   The  r emai ni ng  par t  of   t his  pa per   is  orga nize d  as  fo ll ows:  s ect ion   2  prese nt s  the  main  c ontrib utio n  of   so me   of  the   r el at ed  work s .   Sect ion  3  pro vid es   the   met hodolo gy,  w hile  sect ion  4  de scribes   the   pro posed   hybri d  lo ng  s hort - te rm   mem ory - decisi on  tre es  ( LST M - DT )   model,   al on g  with   it s   imple mentat io n  t o  predict   patie nt  volume   in   E Ds.  Sect i on  5  pre se nts  resu lt s   an d  s hows   t he  superi or  acc ur ac y  of   the   hybr i d  m od el   in   patie nt  volu me   pr e dicti on,  whil e  hav in g  the   le ast   RMSE  bet ween  al l  models.  Sect io n  6  ex po s es  li mit at ion s  of   the  pro pose d  model.  Her e  w e  co nclu de  ou r   wor k  in  t his  s ect ion   a nd   sug gest  some   f ut ure  exte ns io ns   of   t his   top ic  in  secti on  7 .       2.   RELATE D  W ORKS     In  E Ds,  le veragin g  big  da ta   to  predict   pa ti ent  volume s  has  at tract e d  e xtensi ve  resea rch  ef forts .   Var i ou s   m ode ls  ha ve   bee n  exp l or e d,  f r om  tra diti on al   sta ti sti cal   meth ods   to   a dv a nc ed  mac hin e   le ar ni ng  te chn iq ues .  T hi s  sect ion   e xa mines  the  r obust ness  a nd   li mi ta ti on s  of  thes e  existi ng   methods  a nd  em phasi zes  the n ee d f or  a   novel a ppr oach, the  LST M   de ci sion  tree  m odel , to o ve rcome i de ntifie d s hortco min gs .   Time   series   models  s uc h  as  ex pone ntial   sm oo t hing  ( ETS)   [ 16]   an d  ARI MA   [5]   hav e   been   commo nly  util iz ed  to   pr e dict  patie nt  vo l um e s  in   E Ds.  W hile  ef fecti ve  i n  c aptu rin g  li nea r   tre nd s   a nd  patte rn s,   their  li mit at ions  bec om e   ap pa ren t  w hen  ha ndli ng  no n - li nea r  patte rn s   an d  seaso nal  va riat ion s ,  of te n  fail ing   t o  integrate  c r ucial   struct ur e d  da ta   li ke  dia gnosi s  co des  a nd  pa ti ent  dem o - gr aph ic s   [ 17] – [ 19] .  Gafni - Pa pp as   an d  Kh a n  [ 20]   f urt her   de monstr at ed  that   mac hin e   le ar ning  models,  pa rtic ularly   ra ndom   f or est s   an d  gradie nt   boos te d  mac hin es,  ou t perfor med  thes e tradi ti on al  ti me series meth od s i n  te rms of  acc ur a cy  in  pr e dicti ng d ai ly   ED  visit s   [ 21] .   The   ad opti on  of   machi ne  le arn in g  [22 ]   al gorith ms,   in cl ud in g  ra ndom  f or est s   (RF s)   a nd  su pp or t  vecto r  machine s  (SV M ) ,  has  sho wn  promise  in  ha nd li ng  str uctu r ed  data  e ff ect i vely.   H ow e ve r ,  these  models  oft en   strug gle  with  ti me - se ries  data d ue   to  t heir  ina bili ty  to  ca ptur e  long - te rm  de pende ncies, r e qu i rin g  extensi ve  fe at ure e ng i neer i ng  and care fu l  re gula rizat ion t o  a vo i d ov e rf it ti ng  [23],  [24] .   Trad it io nal  ne ur al   netw orks   hav e   been  ap pl ie d  with   s ome   su cce ss  i n  predict in g  patie nt  vo l um es,   prof ic ie nt   in   mana ging  non - li near  data   pa tt ern s.   N onet heless,   the y  a r e  pla gu e d  by  issues  li ke   va nish i ng   gr a dients,   wh i ch  diminis h  th ei r  ca pab il it y  t o  mainta in   acc ur ac y  over   e xt end e d  pe rio ds  [25] .  To   a ddre ss  the   li mit at ion s  in he ren t   i n  th ese  netw orks,  LST M   netw orks   ha ve  bee n  util ized ,  sho wing  i mpro ve d  handl ing   of   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C omp E ng     IS S N:   20 88 - 8708         Hy br id  lo ng s ho rt - te rm  m e m or y  and decisi on tree  model f or   …   ( A hm e d Ab ata l )   671   long - te r m  de pe nd e ncies   esse ntial   f or  ti me - series  data,   al though   their   c ompu ta ti onal   dema nds  li mit   their   app li cabil it y  i n real - ti me  pr e di ct ion  sce nar i os  [ 26],   [ 27] .   Chen g   an d  K uo   [28]   resear ch  i nvest igate s  inte rn et   of   thin gs  ( IoT)   a nd  big  data  i nteg rati on  in   healt hcar e   to   e nh a nce   proacti ve  ca re  models   an d  a ddres s  da ta   fr a gm e ntati on  a nd  ine ff ic ie ncies.  It  highli gh ts   the  us e  of  L S TM  m od el s   f or  pr e dicti ng  E D  wait   ti mes,   sh owcasi ng  im pro ved  acc ur a cy  c ompa red  t o  li nea r  regressio n  ( LR)   models.  H oweve r,   the  stu dy   overlo oks  po te ntial   adv a nceme nts  be yo nd   IoT  an d  bi g  data ,  la cks  th oroug h  exp l or at io n  of  data  secu rity  and   s cal abili ty  con ce r ns ,  a nd  may  no t  fu ll y  consi der   sta ke ho l der   per s pecti ves  on  te ch nolo gy  a ccepta nce  a nd  impact   in  healt hcar e  set ti ng s  emer ging  re sea rch,  s uch   a s  th e  w ork   by  S har a fat  a nd  Ba yati  [ 29] ,  i ntr oduces   a dv a nce d  dee p  le arn in g  f rame wor ks  li ke   Pat ie ntFlowNet,   wh ic h  employ   c onvoluti on al   neural  netw orks   to   e nhance   patie nt   f low  pre dicti ons  in   E Ds,  dem on st rati ng  s up erior   accurac y  a nd   offe rin g  val uab l e  op e rati onal   insig hts  [ 29] .  S imi la rly,   stu die s  co nducted  i n  un i qu e   set ti ngs  li ke  the  Bra zi li an  opht halmol ogic al   hos pital   highli gh t   the   fea sibil it y  of  imple mentin g  mac hin e  le a rn i ng  m odel s  b y  cl inici ans  with ou t c odin g  e xperience t o fore cast  ED   visit s  and tra um a ca s es accu ratel y  [ 30] .   In   par al le l ,  J ose ph   et   al.   [ 31]   exp l or es   dee p  le arn in g’s  pot entia l  to  pr e di ct   emerg e nc y  dep a rtme nt  work l oa d  at   a   patie nt  le vel,   s howing   that   ne ural   netw orks ,  e sp eci al ly   th os e   anal yzi ng  unstruct ur e d  data,   su bst antia ll y  r edu ce   er r or   rat es  in  est imat in g  wor k  relat iv e  valu e  un it s  ( wRV Us),  unde rscorin g  t he  pract ic al   app li cat io ns   of these tec hnologies i n real - ti m e ED  sett ing s .   Coll ect ively,  t hese  st ud ie s  un der sc ore  the  ne cessi ty  f or   c on ti nu ed   in novation  in  pr e dicti ve   modeli ng  for  E Ds.   Our  r esearch  c ontrib utes to  this  body of  work   by intr oducin g  a  hybri d  L ST M - DT   model,  desig ned  t o  sy nt hesize   the   te m poral  proc essing  ca pa bili ti es  of  L ST M  with  t he   anal yt ic al   pr eci sio n  of   D Ts .   T his  nov el   appr oach   ai ms   to  ad dress  t he   com plex   an d  dynamic  na ture  of   patie nt   flo w  in   emer gen c y  de par t ments,   pro vid in g  a  ro bu st  and  pr eci s e meth od to  pr edict  p at ie nt  volume .       3.   METHO D    In  this  s ect ion,   we   desc ribe   i n  detai l  the  va r iou s   sta ges   of   our  meth odology,  fr om  data   colle ct ion   t o  model  e valuati on.  Data   colle ct ion  was   ca rri ed  ou t   in   c ollaborat io n  with   a   Mo ro cca n  ho s pital ,  f ocu s ing  on   op e rati onal   paramet ers  an d  pa ti ent  flow   i n  th e  emer gen c y  de par tme nt.  I n  l ine  with  ri gor ous  et hical   sta ndar ds   and   l ocal  re gu l at ion s  on  me di cal   data  confid entia li ty,  we  e ns ure d  that  the   data  colle ct ion   proce ss  gua r anteed   patie nt  pri vac y.   T he  data  c ollec te d  inclu de s  an onymo us  inf ormat ion  on  patie nts ,  ar rival  ti mes,  t ypes  of  treat ment a nd  ou tc om es , pr ovidin g  a  s olid  basis  for our a nalys is.   Data pr e - proce ssing   was  a n  e ssentia l st ep  in  en surin g  the i nteg rity and qu al it y  of  the  data u sed  i n  our   analysis.   We  t ook  ste ps  to   c le an  the   data  of  missi ng   val ues,  no rmali ze  the   data   to   a  scal e  ap pro pr i at e  f or   analysis,   an d  e ncode  cat e gori cal   var ia ble s  t o  ma ke  t hem   com patible   with  mac hin e   le ar ning  al go rithm s.   T o  impleme nt  the  model,  we  opte d  f or   a  hybri d  appr oach   c ombinin g  lo ng  s hort - te rm  me mory  netw orks  (L STM)   and  decisi on  tr ees.  T his  co mbi nation  e na bles   us   to   ex plo it   both  te m poral  a nd   str uctur e d  da ta   from  e mer gen c y  dep a rtme nts, w hich  is  cr ucial   for  acc ur at e  pr edict ion   of  patie nt volu mes a nd e ff ic ie nt  res ource  all ocati on.   On ce  t he  mod el   was  in  plac e,  we  trai ne d  it   on   a  segm e nted  par t  of  the  dataset ,  us i ng   rig oro us     cro ss - validat io n  t o  opti mize   par a mete rs   an d  a void   ove r - fitt ing .  We   the n  eval uated   the   model’s   pe rfo r mance   on   a  se pa rate  dataset   reserve d  f or   this  pur pose,  us in g  mea su res  su c h  as  r oo t  mea n  s qu a re  erro r  (R M S E)  an d  area  un der   the  ROC  cu rv e  (AUROC)  t o  ass ess  it s  accurac y  an d  reli abili t y  in  pr e dic ti ng  patie nt  volu m es  an d  resou rce  re quir ements.   Finall y,   al l  proce dur es  in  t his  stu dy  wer e   co nduc te d  in  acco rd a nce  with  t he  hi gh est   et hical   sta ndar ds ,   with   the   a ppr oval   of  the   r el evan t  i ns ti tuti on al   re view   boar ds  an d  et hic s  co mmit te es.  Pati ent   data  we re  an onym iz ed  a nd  de - ide ntifie d  pri or  to  anal ys is  to   ensure  c onfid entia li ty  and   c ompli ance  wit h  loca l   and inter natio na l data p r otect ion re gula ti on s.         4.   PROP OSE D HYBR ID  LST M - DECISIO N  TREE   M O DEL S CHE M A   The  pro posed   h ybrid   LS T M - DT   m od el   in  Fi gure  1  is   co nceive d  t o   w ork  t hro ugh  a  str uctu re d  schema  i nvolvi ng   se ver al   c r it ic al   sta ges  and   c omp on e nt s  de vised  in  a  man ner   t o  help  in  opti m iz ing   pre d ic ti on s   f or  patie nt  vo l ume s  in  E D.  T he   model  sta rts   a t  data  colle ct io n ,  i n  wh ic h  c riti cal   informati on  is   dr a w n  from   va rio us   s ource s,   inclu ding  detai ls  of   the   patie nt ,  el ect r on ic   he al th  rec ords ,  a nd  the   histor ic al   dat a   of  the  patie nt  arr ivals   an d  t r eat ments  at   th e  ED .  T his  is  then  f ollow e d  by  data  prep r oc essing :  t he  c ol le ct ed   data is sta nda r dized, t ake n  ca re  of   f or   missi ng  values , a nd c le aned ,  s o  that  it ’s  fit f or m odel ing .   T h e  n e x t  s t e p   w i l l  b e  t o  d i v i de  t h e  d a t a  i n t o   a  t r a i n i n g  d a t a s e t  a n d  a  t e s t i n g  d a t a s e t .  T h e  t r a i n i n g  d a t a s e t   i s   u s e d   t o   h e l p   i n   t h e   b u i l d i n g   a n d   t r a i n i n g   o f   t h e   m o d e l   w h i l e   t h e   t e s t i n g   d a t a s e t   w i l l   b e   u s e f u l   t o   e v a l u a t e   t h e   m o d e l s .  T h e  f i r s t  p h a s e  o f  L S T M  M o d e l  m a k e s  u s e  o f  t h e  l o n g  s h o r t - t e r m  m e m o r y  n e t w o r k s  t o  c a p t u r e  t h e  t i m e   d e p e n d e n c i e s   a n d   p a t t e r n s   o f   t h e   s e r i e s   t i m e   da t a   r e l a t e d   t o   t he   p a t i e n t   a r r i v a l s   a n d   E D   o p e r a t i o n s .   This w il l be  f ol lowed by f e at ur e e xtracti on t hat seek s to  e xt ract al l require d  feat ur es i n  th e p re dicti on  of  the  patie nt  volume   f r om   t he   outp uts  giv e n  by  the   LS T M   model.   Fo ll ow e d  by  t his  will   be  t he  dec isi on   t ree  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec   &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   669 - 676   672   M odel ,  assessi ng  str uc tu red  data  s uch   as  pa ti ent  diag nosis  co des  a nd  de mogra phic s,  w hich  a re  very  key  to  making   acc ur a te   predict io ns  of  the   volume .   T he   trai ning   phase   of   the   m odel   t hen  trai ns  bo t h  m od el s   to   a dap t  to the i den ti fie d patt ern s  and  data feat ur es .   Af te r   the  trai nin g  is  c omplet e ,  the  m odel s’  pr e dicti on   a cc ur ac y  is  te ste d  thr ough  the  m od el - te sti ng  ph a se,  us in g  the  te sti ng  dat aset .  T he  m od el   evaluati on  will   be  ca rr ie d  ou t   with   the   help   of   some   of  the   fo ll owin g  met rics:   Roo t  me an  s qu a re  er r or  (R M SE )  an d  area  un der   t he   rec ei ve r  ope rati ng   c ha racteri sti c  (AUROC )  c urve.   The se  a re  ta ken  to   te st  the  pr e dicti on  accurac y  an d  cl assifi cat ion   s tren gth   a bili ty   of  t he   hybri d  m odel .   If   the  model   pro ves  r obust   in  performa nce,  the  d e pl oyment  ph a se   fo ll ows,  w he re  the  dev el op e d  model  gets  i m plemented   at   a  re al   ED  set ti ng   t o  ai d,   am ong  ot her s,  i n  patie nt s’  volume   f oreca sti ng  towa rd s   imp roved  res ource  a nd  ser vice  deliver y.   C onti nuous  Im prov e me nt,  if  re qu ire d,  sh oul d  be   car ried  out   for  ma king t he mo del m or e  ef fecti ve ov e r  ti me.           Figure   1.   P r opos e d   hybri d   LS TM - decisi on   tr ee   model   sc he ma       5.   RESU LT S  AND DI SCUS S ION   This  stu dy  sho wed   t hat  the  hybri d  L ST M - de ci sion   tree  m od el   dem onstr at ed  high  perf ormance  i n  pr e dicti ng   pat ie nt  vo l um e  i n  eme rg e nc y  dep a rtme nts.  The  res ults  of  the  pe rfo rm anc e  eval uatio n  are  su m marized   in   Table  1  a nd  il lustrate d  in   Fig ur e   2.   T o  highl igh t  the   s up e ri or it y  of  our  a ppr oac h,   we  c ompa red  our  hybri d  m odel   to  se ve ral  oth e r  c om m only  us e d  pr e di ct ion   te ch niqu es.  Ta ble  1  show s   co mp a rin g  the   performa nce  of  the  dif fer e nt   models  in   te r ms  of  R M SE ,   AU R OC,  t rainin g  ti me,  model  co mp le xity,  a nd  abili ty to  ca pture  non - li nea riti es an d  te m pora l dep e ndencies .       Table   1.   C omp ariso n   of   pr e dicti on   models   Mod el   RMSE   AUROC   Tr ain in g  tim e   Mod el c o m p lex ity   Cap tu res no n - lin earities   Cap tu res tem p o ral     d ep en d en cies   ARIMA   8 .6   0 .72   5  m in u tes   Low   No   Yes   SVM   7 .5   0 .76   1 0  m in u tes   Mediu m   Partially   No   RF   6 .9   0 .79   1 5  m in u tes   Hig h   Yes   No   LST M   6   0 .82   2 0  m in u tes   Very  h ig h   Yes   Yes   Hy b rid m o d el   5 .4   0 .85   25  m in u tes   Very  h ig h   Yes   Yes       5.1.   Disc ussio n   The  ARI M A  model  pe rform s  well   on   c on ve ntion al   ti me  s eries  data,  with  an  R M SE  of   8.6  an d  a n  AU R OC  of  0.72,  but  s hows   it s  li mit at ion s  wh e n  face d  wi th  c omplex   non - li nea r  t rends .  Its  trai ning  ti me  is   relat ively  short   at   5  min utes,   and  it s  c omple xity  is   lo w.  S V M ,   with  a n  R M SE   of  7.5  a nd  a n  A UR OC  of  0.76,  is  eff ect ive  f or  li near   or   wea kl y  no n - li nea r  da ta .  H ow e ve r,   it   per f orms  le s s  well   f or  co m plex  ti me  se rie s  an d  ta kes  ar ound  10   min utes  to   trai n  with  me diu m  c omple xi ty.  The  RF   model  has  a n  RMSE  of   6.9  and   a n  AU R OC   of  0.7 9.  Alth ough   it   handles  hi gh - di mensional   dat a  well   a nd  a vo ids  ov e r - fitt ing,  it   do es n’t   rea ch  t he  accurac y of o ur  hybr i d  m odel  and take s  15  minu te s  to  t rain wit h hig h  c omplexit y.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C omp E ng     IS S N:   20 88 - 8708         Hy br id  lo ng s ho rt - te rm  m e m or y  and decisi on tree  model f or   …   ( A hm e d Ab ata l )   673   The  L ST M   m od el   is   excell e nt  f or  capt ur i ng  lo ng - te r m  de pende ncies  in   ti me   series  da ta ,  with  a n  RMSE   of  6.0  a nd  an   AU R OC   of  0.82.  Its  tra ining  ti me  is  20  mi nute s  wit h  ve ry  hi gh  c omplexit y.  Fi nally ,  ou r  hybri d  m odel   ( LST M + DT )  outpe rforms  al l  oth e r  m od el s  with  an   RM SE   of   5.4  a nd   an   AU R OC  of  0.85.  It   com bin es  t he  s tren gth s  of   LS TM  for  ca ptu ri ng   te m poral  de pende ncies  a nd   decisi on  tre es  for  non - li ne arit ie s   and  c omplex   i nteracti ons,   de monstrati ng   superi or it y  in   te r ms  of  acc uracy   an d  ov e rall   pe rformance .  Althou gh   it s  trai nin g  ti m e  is  25   min utes   and   it s  co mp le xity  ve ry   high,   the  performa nc e  ben e fits  justi fy   these  c os ts.   This   model  validat e s  our  a ppro ac h  to  patie nt  volu me  predict io n,   ou t performi ng   oth e r  m od el s  e valuated  i n  te r ms  of   RMSE  a nd  A UROC.   To  il lu strat e  this  supe rior it y,  we  pre sent  Fig ure  2  c ompari ng   t he  performa nce  i n  te rm s   of   R M S E  a nd  AU R OC  f or   e ach  m odel .  Th ese  gr a phs  cl e arly  s how  th at   our  hybr i d  m od el   ou t perf orms  th e   oth e r  m odel s i n  te r ms  of both  RMS E  a nd AUROC,  v al idat ing   our  appr oa ch  to  p at ie nt volume  pre dicti on.           Figure   2.   RM S E   an d   A UROC   c ompa rison   be tween   models       5.1.1.   Adv an t ag e s  an d  bene fits fo r  emer ge ncy ser vices   Our   hy br id   m od el   has  sig ni ficantl y  i mpr ov e d  res ource   ma na geme nt  f or  healt hca r e  pr ov i der s ,  par ti cula rly   in   the   area s  of  op ti mize d  be d  al locat io n,  str at egic  sta f f  pl ann i ng,  an d  re du ce d  pa ti ent  wait ing  ti mes.  Ac c urat e  patie nt  volu me  f oreca sti ng  is  esse ntial   for  the   ef fici ent  op e rati on  of  e mer gen c y  de pa rtments,   le ading  to   bette r  patie nt  outc om es   a nd  a   m or e   strea mli ne d  w orkf l ow.  T he  res ults  of  our   stu dy  highli gh t   th e   increasin g  im portance   of  util iz ing   data  a nd  a dva nce d  analyti cal   met hodolo gies  t o  ad dress   the   com plex   chall enges  facing  the   he al thc are  sect or .   B y  co mb i ning  L STM  netw orks   with   DT   al gorithms,   the   pro po s ed   model  le ve rages  the  stre ngth s  of  bot h  te ch ni qu es  t o  e nh a nc e  the  ef fici en cy  a nd  res ponsi ven ess   of  eme rg e nc y  serv ic es .  T his   appr oach  no t   only   en ha nces   pa ti ent  care   but   al so   set s   a   pre ceden t   f or  t he  app li cat io n  of  hybri d  models i n healt hcar e  an al ytics t o dr i ve  in nova ti on  a nd im prov e  servic e  del iver y.       6.   CONCL US I O N   In   c oncl us i on,  our  stu dy  em pl oy s  a  hybri d  model  that  me rg es  LST M   a nd  de ci sion  tree s  to  pre dict  patie nt  volum e  in   eme r gency  de par tme nt s.  T his   hy br i d  ap proac h  le ve rag es   L ST M ’ s  a bili ty  to   c aptu re   te mp oral   dep e nd e ncies  a nd  de ci sion   tree s’  a bili ty  to  handl e  non - li near  in te racti on s,   res ul ti ng   in  a   m odel   that   ou t performs   c onve ntion al   ti me - se ries  a nd   mac hin e   le ar ning  al gorithm s  in   te r ms  of  accurac y  an d  patie nt   vo l um e   cl assif ic at ion .   By   op ti mizi ng   t he  t r ai nin g  process ,  we  ens ure  c on sist e nt  mod el   pe rformanc e  an d  eff ic ie nt  re sou rce  util iz at ion .   The  pr a ct ic al   impleme ntati on   of  our  mod el   has  the  po t entia l  to  sign i f ic antly  enh a nce   the  e f fici ency  of  e m erg e nc y  op e rat ion s ,  le adi ng  t o  im pro ved  pa ti ent  care,   re duced  healt hca re  costs,  and  m or e  e ff ic i ent  res ource  al l ocati on. O ur f ind i ngs  are con sist ent  with p re vi ous r esearc h  that  emp hasize s  the   sign ific a nce   of  a dvance d  da ta   anal ytics  in  a ddressi ng  the   c omplex   c halle ng es   f aced   by   eme r gen c y  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec   &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   669 - 676   674   dep a rtme nts.  Our  model  st ands  ou t  f or  it s  op ti mize d  pr e dicti ve  ca pa bili ti es,  ena bl ing   bette r  re so urce  mana geme nt  decisi ons.  Fu t ur e   resea rch  will   con ce ntra te   on  inte gr at ing   a ddit ion al   machi ne  le a rn i ng  al gorithms,   s uc h  as   ra ndom  f or est s   an d  SVMs,   to   f ur t her  enh a nce   the  pr edict ive  acc ur a cy  a nd  r obust ne ss  of  patie nt  volum e  f or eca sts  i n  eme rg e nc y  de par tme nts.   T his  ongoin g  de velo pm e nt  s e eks   to   imp r ove  th e   app li cabil it y  a nd ef fecti ve nes s of the  m od el   in r eal   healt hca re s et ti ngs.       7.   LIMITATI O NS   OF P ROP OSED M ODE L   A  hybri d  LST M - DT   m od el   s hows   pro mise  bu t  faces   chall eng e s,  nota bly  in  da ta   qual it y,  over fitt ing ,   and  inte rpretab il it y.   LST M s   de pen d  on  am pl e  data   a nd  have  hi gh  c omp utati on al   dema nds,   li mit ing  rea l - ti me   pr e dicti on.  De ci sion   T rees’   a ssu m ptio n  of  f eat ur e  in de penden ce  oft en  underper f or m s  in   real - w orl d  dataset s .   Hype rp a ramet er  tun i ng  is  te dio us,  c omp ounded  by  c on ce pt  dri ft  a nd   var ia ti ons   in  EDs.   Ac hieving  exp la ina bili ty  for  t he   co mb i ned  model  is   di ff ic ult.  C onti nuous   m on i toring   an d  a da ptati on  a re  vi ta l  for     real - w orl d  e ff e ct iveness.       REFERE NCE S   [1]   A.  Ab at al,  M.  M zil i,  T .  Mzili,  K .  Ch e rr at,  A .  Y ass in e,  a n d  L .  Ab u alig ah ,  “ Intellig en t interco n n ected h ealth care  s y stem:  in teg rating   IoT  an d   b ig   d ata   f o r  p erso n alized  p a tien t  car e,”   Inter n a tio n a l  Jo u rnal  o f  On lin e  a n d   Biom ed ica l  Eng in eerin g ,  v o l.  2 0 ,   n o .  1 1 ,    p p .  4 6 – 6 5 ,  2 0 2 4 ,  d o i: 10 .39 9 1 /ijo e.v20i1 1 .4 9 8 9 3 .   [2]   A.  Ab atal,  H.  Khal lo u k i,  an d  M .  Bah aj,  “ A  sm a rt  in te rc o n n ected h ealth care  sy stem  us in g  clo u d  compu tin g ,”   in   ACM  Inter n a tio n a l   Co n feren ce P ro ceedin g  Ser ies ,  2 0 1 8 ,  do i: 10 .11 4 5 /3 2 3 0 9 0 5 .3230 9 3 6 .   [3]   T.   Mzil i  et  a l. ,  “E n h an cin g   COVID - 1 9   v accinatio n   a n d   m ed icatio n   d istrib u tio n   ro u tin g   stra teg ies  in   rural  regio n s  o f  Moro cco:   a  co m p arative  m etah eu ristics an aly sis ,”   Info rma tics in  Me d icin e Unlo cked ,  v o l.  4 6 ,  2 0 2 4 ,  d o i: 1 0 .10 1 6 /j.im u .20 2 4 .10 1 4 6 7 .   [4]   R.  Pasto rino   et   a l. ,  “Ben efits   an d   c h allen g es  o f  Big   Data  in   h ealth car e :  an   o v ervie w  o f   th e  Euro p ean  in iti ativ es,”  Eur o p ea n   Jo u rn a l of Pub lic  Hea lth ,  v o l.  2 9 ,  p p .  2 3 – 2 7 ,  2 0 1 9 ,  d o i:  10 .10 9 3 /eu rp u b /c k z1 6 8 .   [5]   H.  Bo u sq ao u i,  I.   Slima n i,  an d   S.  A ch ch ab ,  “Co m p ara tiv e  an aly sis   o f  short - ter m   d em an d   p redictin g   m o d els  u sin g   ARIMA  an d   d eep  learnin g ,”  I n tern a tio n a l  Jo u r n a l  o f  Electrica l  a n d   Co mp u ter  Eng in eerin g ,  v o l.   1 1 ,  n o .  4 ,  p p .   3 3 1 9 – 3 3 2 8 ,  2 0 2 1 ,     d o i: 10 .1159 1 /ijec e.v1 1 i4 .pp 3 3 1 9 - 3 3 2 8 .   [6]   B.  Gay e,  D.  Zhan g ,  an d   A.  W u lam u ,  “I m p rov em en t  o f   su p p o rt  v ecto r  m achi n e  alg o rithm  in   b ig   d ata  b ackg ro u n d ,”  Ma th ema tica l  Pro b lems in  E n g in eerin g ,  2 0 2 1 ,  d o i:  1 0 .11 5 5 /2 0 2 1 /5 5 9 4 8 9 9 .   [7]   H.  He,  S .  Gao ,  T .  Jin ,  S.  Sato ,  an d   X.  Zhan g ,  “A  seas o n al - trend   d ecomp o sitio n - b ased   d e n d ritic  n eu ron   m o d el  for  finan ci al  tim e   series p redictio n ,”  App lied  So ft Co mp u tin g ,  v o l.  1 0 8 ,  2 0 2 1 ,  d o i: 10 .1016 /j. aso c.20 2 1 .1074 8 8 .   [8]   H.  Ran so m   an d   J.  M.   Olss o n ,  “Allo c atio n   o f  h ealth   car e  reso u rces:  p r in cip les  for  d ecisio n - m ak in g ,”  Pedia tri cs  In  Re view ,   v o l.  3 8 ,   n o .  7 ,  p p .  3 2 0 – 3 2 9 ,  J u l.  2 0 1 7 ,  d o i: 10. 1 5 4 2 /p ir. 2 0 1 6 - 0 0 1 2 .   [9]   S.  R .  Salk u ti,  “ A   su rvey   o f   b ig   d a ta  an d   m achi n e   le arnin g ,”  Inter n a tio n a l  Jo u rn a l  o f  El ectrica l  a n d   Co m p u ter  Eng in eerin g ,    v o l.  1 0 ,  n o .  1 ,  p p .  5 7 5 – 5 8 0 ,  2 0 2 0 ,  d o i: 10 .11 5 9 1 /ijece.v1 0 i1 .pp57 5 - 5 8 0 .   [10 ]   M.   Sa rker,  “Re v o lu tio n izin g   h ealth care :  th e  role  o f  m achi n e  learnin g   in   th e  h ealth   secto r, ”  Jo u rn a l  o f  Artif icia l  Intellig en ce  Gen era l scien ce ( J AI GS ) ,  v o l.  2 ,  n o .  1 ,  p p .  3 5 – 4 8 ,  2 0 2 4 ,  d o i: 10 .60 0 8 7 /jaig s.v 2 i1 .p47.   [11 ]   N.  Jiw an i,  K.   Gu p ta,  an d   P .  W h ig ,   “ Machin e  lea rnin g   ap p roach es  for  an aly sis   in   sma rt  h ealt h care   in for m ati cs,”   Ma ch in e  Lea rn in g   a n d  A rtificia l I n tellig en ce in Health ca re S ystems :  To o ls a n d  Techn iq u es ,  p p .  1 2 9 – 1 5 4 ,  2 0 2 2 ,  d o i: 10 .1201 /9 7 8 1 0 0 3 2 6 5 4 3 6 - 6.   [12 ]   M.   Ban sal,   A.  G o y al,  an d   A.  Ch o u d h ary,  “A  co m p arative   an aly sis   o f  k - n eare st  n eig h b o r,   g en etic,  su p p o rt  v ecto r  m achi n e ,  d ecisio n   tree,  an d   lo n g   sh o rt  ter m   m e m o ry   alg o ri th m s  in   m achi n e  lea rnin g ,”  De cis io n   Ana lytics  Jo u rn a l ,  v o l.  3 ,   2 0 2 2 ,     d o i: 10 .1016 /j.dajour.20 2 2 .1000 7 1 .   [13 ]   N.  V.  Ch awl a  an d   D.  A.  Dav is,  “Brin g in g   b i g   d ata  to   p e rso n alized  h ealth care :  a  p atien t - c en te red  fr a m ewo rk,”  J o u rn a l  o f  Gen era l   Inter n a l Med icin e ,  v o l.  2 8 ,  n o .  S3 ,  p p .  6 6 0 – 6 6 5 ,  Sep .  2 0 1 3 ,  d o i: 10 .1007 /s 1 1 6 0 6 - 013 - 2 4 5 5 - 8.   [14 ]   A.  Bo u k h alfa,   A.   Ab d ellao u i,  N.   H m in a,  an d   H.   Ch a o u i,  “LST M   d eep  learnin g   m eth o d   f o r  n etwo rk  in trus i o n   d etectio n   sy stem, ”  Jo u rn a l of Eng in ee rin g  an d  A p p lied  S cien ces ,  v o l.  1 5 ,  n o .  1 ,  p p .  2 2 7 – 2 3 2 ,  2 0 1 9 ,  d o i: 1 0 .36 4 7 8 /jeasci.2 0 2 0 .22 7 . 2 3 2 .   [15 ]   G.  Ma ragath am   an d   S.  Dev i,  “LT S M  m o d el  for  p re d icti o n   o f  h eart  failure  in   b ig   d ata,”  Jo u rnal  o f  Med ica l  S ystems ,  v o l.  4 3 ,  n o .  5 ,   2 0 1 9 ,  d o i: 1 0 .10 0 7 /s1 0 9 1 6 - 019 - 1 2 4 3 - 3.   [16 ]   H.  Liu  et  a l. ,  “Fo r ecast  o f  th e  trend   in   in cid en ce  o f  acut e  h em o rr h ag ic  co n ju n ctiv itis  in   C h in a  fr o m   2 0 1 1 – 2 0 1 9   u sin g   t h e  seas o n al   au to regressiv e  in te g rated  m o v in g   av erage  (SARI MA )  a n d   ex p o n en tial  smoo th in g   (E T S)   m o d els,”  Jo u rn a l  o f  I n fectio n   a n d   Pub lic   Hea lth ,  v o l.  1 3 ,  n o .  2 ,  p p .  2 8 7 – 2 9 4 ,  2 0 2 0 ,  d o i: 10 .1 0 1 6 /j .jiph .20 1 9 .1 2 .00 8 .   [17 ]   A.  G.   Sal m an   an d   B.  Kan ig o ro,  “ Visib ility   forecast in g   u sin g   au to reg ressiv e  in teg rated   m o v in g   av erage   (ARI MA)   m o d els,”   Pro cedi a  Co mp u te r S cien ce ,  v o l.  1 7 9 ,  p p .  2 5 2 – 2 5 9 ,  2 0 2 1 ,  d o i: 10 .10 1 6 /j.p rocs .20 2 1 .01 .0 0 4 .   [18 ]   B. Wag n er,  “Class ifyin g  em ergen cy   d ep artm en t data  to  im p rov e sy n d romi c su rveillan ce:  fr o m   m ix ed   d ata  typ es to  I CD  Co d es an d   sy n d romes,”  MS .  Thes is, Faculty  of  Econ o m ics, Univ e rsität Biele feld, 20 2 3 .   [19 ]   S.  Kim ,  P.  Y .  Le e,   M.   Le e,  J.  Ki m ,  a n d   W .  Na,  “Im p ro v ed   state - of - h ealth   p redictio n   b ased   o n   au to - regressiv e  in teg rated  m o v in g   av erage  with   ex o g en o u s  v ariables  m o d el  in   o v ercoming   b attery  d eg radatio n - d ep en d en t  in ter n al  p aram et er  v ari atio n ,”  Jo u rn a l  o f  Ener g y Sto ra g e ,  v o l.  4 6 ,  2 0 2 2 ,  d o i: 1 0 .10 1 6 /j.est.20 2 1 .1 0 3 8 8 8 .   [20 ]   G.  Gafni - Pap p as  an d   M.   Kh an ,  “Pre d ictin g   d aily   em ergen cy   d ep artm en t  v isits   u sing  m achi n e  learnin g   co u ld   i n crea se  accura cy ,”   American  Jou rn a l of Emerg en cy Med icin e ,  v o l.  6 5 ,  p p .  5 – 1 1 ,  2 0 2 3 ,  d o i: 1 0 .10 1 6 /j.ajem .20 2 2 .12 .01 9 .   [21 ]   M.   A .  C.   Vo llm er   et  a l. ,  “A  u n ifie d   m achi n e  lea rnin g   ap p roach   to   tim e  series  forecastin g   ap p lied   to   d em an d   at  em e rgen cy   d ep artm en ts,”  BM C Emerg en cy Med icin e ,  v o l.  2 1 ,  n o .  1 ,  p p .  1 – 1 4 ,  Dec.  2 0 2 1 ,  d o i: 10 .1 1 8 6 / s1 2 8 7 3 - 020 - 0 0 3 9 5 - y.   [22 ]   A.  Z .  A .  Zainu d d in ,  W .  Mans o r,   K .  Y.  L ee,   an d   Z.   Ma h m o o d in ,  “Machin e  learnin g   an d   d ee p   learnin g   p erf o r m an ce  in   class ifyin g   d y slex ic  ch ild ren’s  electroen ceph alo g ram   d u ring   writ in g ,”  Inter n a tio n a l  Jo u rn a l  o f  Electrica l  a n d   Co mp u ter  Engineer in g ,  v o l.  1 2 ,   n o .  6 ,  p p .  6 6 1 4 – 6 6 2 4 ,  2 0 2 2 ,  d o i: 1 0 .1 1 5 9 1 /ijece.v1 2 i 6 .p p 6 6 1 4 - 6 6 2 4 .   [23 ]   S.  Tuli,  G.  Cas ale ,   an d   N.  R.  Jen n in g s,  “Tr an AD:   d ee p   trans form e r  n et wo rks   for  an o m al y   d etectio n   in   m u ltiv ariate  ti m e  seri es   d ata,”  a rXiv pr ep ri n t ar Xiv: 2 2 0 1 .07 2 8 4 ,  2 0 2 2 ,  d o i: 1 0 .1 4 7 7 8 / 3 5 1 4 0 6 1 .35 1 4 0 6 7 .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C omp E ng     IS S N:   20 88 - 8708         Hy br id  lo ng s ho rt - te rm  m e m or y  and decisi on tree  model f or   …   ( A hm e d Ab ata l )   675   [24 ]   D.  Zhu an g ,  V.  J.   L.   Gan ,  Z.   Du y g u   Tekler ,  A .  Ch o n g ,  S.   Tian,   an d   X.   Sh i,  “Dat a - d riven   p redictiv e  co n trol  for  s m art   HVAC   sy stem  in   IoT - in teg rated  b u ild in g s  with   tim e - series   f o reca stin g   an d   rei n forcem en t  l earni n g ,”  App lied   Ener g y ,  v o l.  3 3 8 ,  2 0 2 3 ,    d o i: 10 .1016 /j.ape n ergy .20 2 3 .1 2 0 9 3 6 .   [25 ]   S .  Bas h eer ,  S .  Bh a tia,  an d   S .  B .  Sak r i,  “Co m p u tatio n al  m o d elin g   o f  d em e n tia  p redictio n   u sin g   d eep  n eu ral  n et wo rk:  an aly sis   o n   OASIS  datas et,”   I EE E  A cc ess ,  v o l.  9 ,  p p .  4 2 4 4 9 – 4 2 4 6 2 ,  2 0 2 1 ,  d o i: 10 .110 9 /ACC ESS. 2 0 2 1 .30 6 6 2 1 3 .   [26 ]   B.  B.   Sah o o ,  R.   Jh a,  A.   Sin g h ,  a n d   D.  Ku m a r,   “Lo n g   sh o rt - term  m e m o ry  ( LST M)   re c u rr en t  n eu ral   n etwo rk  for   lo w - flo w   h y d rological tim e   series for ecastin g ,”   Acta Geop h ysica ,  v o l.  6 7 ,  n o .  5 ,  p p .  1 4 7 1 – 1 4 8 1 ,  2 0 1 9 ,  d o i: 10 .1007 /s11600 - 019 - 0 0 3 3 0 - 1.   [27 ]   H.  Lin,  C .  Sh i,  B .  W an g ,  M.   F.   Ch an ,  X.  Tan g ,  an d   W .  Ji,  “Towa rds   real - t im e  resp iratory   m o tio n   p redictio n   b a sed   o n   lo n g   sh o rt - term m em o ry n eu r al netwo rks ,”  Phys ics in  Med icin e an d  B io lo g y ,  v o l.  6 4 ,  n o .  8 ,  2 0 1 9 ,  d o i: 1 0 .10 8 8 / 1 3 6 1 - 6 5 6 0 / ab 1 3 fa.   [28 ]   N.  Ch en g   an d   A.   Ku o ,  “Usin g   lo n g   sh o rt - term  m em o r y   ( LT SM )  n eu ral   n etwo rks   to   p redic t  em ergen cy   d ep ar tm en t  w ait  ti m e, ”   S tu d ies in  hea lth  te ch n o lo g y a n d  info r ma tics ,  v o l.  2 7 2 ,  p p .  1 9 9 – 2 0 2 ,  2 0 2 0 ,  d o i: 10 .3233 /SHTI 2 0 0 5 2 8 .   [29 ]   A.  R.  Sh arafat  an d   M.   B ay ati,  “P atie n tflown et:  a  d eep  l earnin g   ap p roach   to   p atien t  fl o w  p re d ictio n   in   em ergen cy   d ep artm en ts., ”  IE E E  A ccess ,  v o l.   9 ,  p p .  4 5 5 5 2 – 4 5 5 6 1 ,  2 0 2 1 ,  d o i: 10 .1 1 0 9 /ACC ESS. 2 0 2 1 .30 6 6 1 6 4 .   [30 ]   L.   F.  Nak ay a m a,  L.   Z.   Rib ei ro,  an d   C.  V.  S.  Reg atier i,  “An   em e rgen cy   roo m   in flux   an d   tr au m a  cases  p redic tio n   in   a  Brazilian   o p h th al m o lo g ical  h o sp ital  b y   an   o p h th alm o lo g ist  with o u t  co d e  ex p erience ,”  Arq u ivo s  Bra sil eiro s  d e  Ofta lmo lo g ia ,  v o l.  8 7 ,  n o .  3 ,  2 0 2 4 ,  d o i: 1 0 .59 3 5 /0 0 0 4 - 2 7 4 9 .2 0 2 2 - 0130.   [31 ]   J.  W .  Jo sep h   et  a l. ,  “Machin e  lea rnin g   m eth o d s  fo r  p redictin g   p atien t - lev el  em e rgen cy   d ep a rtm en t  wo r k lo ad ,”  Jo u rnal  o f  Emerg en cy Medici n e ,  v o l.  6 4 ,  n o .  1 ,  p p .  8 3 – 9 2 ,  2 0 2 3 ,  d o i: 10 .10 1 6 /j.jem er m ed .20 2 2 .10 .00 2 .       BIOGR AP HI ES OF  A UTH ORS         Ah me d   Ab atal           ob ta in ed   a   b a che lor’s   degr ee   in   co mput e r  sc ience   and   industri a l   engi ne eri ng   fro m  the   Fa cul ty  of   Scie nc es  and  T e chni ques  of  Set t at   (FS TS)  in  201 1,   a  m aste r’s  degr ee  in   d istri b ute d  info rmatio n  sys te ms  from  the   Moham me d i a  Higher   Norma l  School  of   Te chn ic a l  Edu cation  in   2013,   an d  a  do ct ora te   in   com put er  sc ie n ce   fro m  th e  sam e  fa cul ty   in   2021.   His  rese a rch   intere sts  include  m ac hin e  a nd  dee p  le arn in g,   he al th ca r e  ar chi t ec tur e  in  per vasive  com p uti ng,   and   SQ L  t o  SP ARQ L  conve rsion.   He   has  publi shed  num er ous  scie nti f ic  art i cl es  in inde x ed   journ al s.   He c an  be   con ta c te d   at   em a il :   Abat al. ahm ed@gm ai l . c om .         Mourad  M zi l i           is  a  r ese ar c her   in  the  Dep a rtm ent  of   Ma th em a ti cs   at  Choua i b   Doukkali   Univ e rsity,   spec i alizi n g   in   opt im i zatio n   and   ma th emat ic s.   With   a   robu st   a ca d em i c   bac kground   and   expe rt ise   in   his   f ie ld .   He   con tri b ute s   significantl y   to   adva n ci ng   knowledge   in   opti mization .  He   ca n   be   con ta c ted a t   e ma i l:   mour adm z il i2023@g ma il.c o m .         Zak ari a   B enlalia           ob ta in ed   a   b ac he lor’s  d e gre e   in   m at he m at i ca l   sci ences   an d   com put er  sc ie nc e   fro m  th e   Faculty  of   Scie n ce s   o f  El  Jadid a   in   2 010,   a  spe ci a liz ed  m aste r’s  degr ee  in   engi n ee ring ,   co mput e r   sci ence   and   i nte rne t   from   th e   F ac ul ty   of   S ci en ce s   Ai n   Choc   of   C asa b la nc a   in   2012,   and   a   doct or ate  in  com put er  scie nc e  from   th e  Faculty  of   Scie nc es  of  El   J adi da  in  2021.   His  rese arc h   intere sts   inc lud e   o pti mization,   cl o ud   com puti ng .   He   has   publ ished   nume rous   sc ie nt ifi c   ar ti c le s   in   ind exe d   journa ls .   H e  c an   be   contac t ed  at   email:   benl a li a . z aka ri a @gma il.c o m .         Hajar   Khall ou k i          born   in   19 89,   she   com pl eted   her   ma st er’ s  degr ee  in  com pu t e r   scie nc e   fro m  Fa c ult y  of   Sci ences,   Hass an  II   Univ ersit y,   Casab la n ca ,   Moroc co.   In   pursuit  of   a  Ph.D,  she   joi n ed   the   Depa r tm en t   of   Mathe m at i cs   and   Comput er   S ci en ce s,   Fa cul ty   of   Scie nc es   and   T ec hno logy ,  Hass an  I  Univ e rsity  Set tat,   Mor occ o,   in  2013 .   I n  2019,   she   jo in ed  La keh ea d  Univer sity  Can a da  as  a   Pos tdoctora l  Fe ll ow.  H er  actua l  m ai n  rese arc h   intere st s  conc ern   mul timedia  do cu me nts  ad aptati o n,   con te x t   awa r e ness,   smart   ci t ies ,   and   sem ant i c   web .  She  ca n  be  con tacte d   a t  e ma il:   Hkha ll ou @la keheadu.ca .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec   &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   669 - 676   676     Tou fik   M zi l i          is   a   disti ngu ished   profe ss or   a nd   rese ar che r   at   Chouai b   Doukkal i   Univer sity,   whe re   he   spe ci a lize s  in  op ti m izati o n  and   ar ti fi cial   intelligen ce.   H is  extensive   publi c at ion   rec o rd  inc lud es   nu me rous   ar ti c le s   in   pre st igi ous   Q1   and   Q2   journ al s,   ma rk ing   signifi c ant   con tributions   to   th ese   f ie lds .   He   is   a lso  highl y   reg a rde d   as  a   se asone d   re vie wer   and   edi tor  for   respe c te d  a ca d em i c  jo urna ls,   and   he   h as   edi t ed   multip le   ind exe d   book s   withi n   his   doma in .   He   c an be  con tacte d   a t  e ma il:   mz i li . t@uc d. ac.ma .         Mohamme d  El   Kai m  B il lah           is  a   rese arc h er   i n  th e  Dep artme n t  of   Inform at i cs  a t   Chouai b   Doukka li  Univer sity ,   spec i al i zi ng   in   mo del ing ,   applied   ma th em a ti cs,   d ata  sc ie n ce  and   stat isti c s.  With  a  strong   a ca de m ic   b ac kground   a nd  experti se   in   t hese   fi el ds .   He   signifi c ant ly   cont ributes  to   ad vanc ing   knowle dge  in  applied  sc ie nc es  and  r elated  areas.  He   ca n   be  con ta c te d   at   em a il :   e lka i m _bil la h . moh am m ed@uc d. ac.m a .         Laith  Ab ualigah           is  the  Dire c tor  of   the  Dep artme nt   of  In te rn at i onal   R el a ti ons  an d   Affai rs  a t   Al     Al - Bayt  Univer sity ,   Jordan.  He   is  an   associ at e   prof essor  at  th e   Comp ute r   Scie n ce   Depa rtment,  Al   Al - Bayt   Unive rsity,   Jordan.   He   is   a lso   a   d isti nguished   res ea r che r   at   ma ny   pre stigi ous   univ ersit i es.   He   c an be  con tacte d   a t  e ma il:   al ig ah. 202 0@gma il.c o m .       Evaluation Warning : The document was created with Spire.PDF for Python.