مقدمه: طول مدت اقامت بیماران در اورژانس بیمارستان، ابزار مهمی در جهت تخصیص بهینه ی منابع به بیماران بخش اورژانس، بهینه سازی عملیات و کاهش هزینه ها محسوب می شود.
هدف: مطالعه ی حاضر با هدف پیش بینی طول مدت اقامت بیماران در بخش اورژانس با استفاده از مدل های یادگیری ماشین انجام شد.
مواد و روش ها: این مطالعه از نوع کوهورت گذشته نگر است. در این مطالعه (کوهورت گذشته نگر)، اطلاعات بیماران مراجعه کننده به اورژانس یکی از بیمارستان های منتخب شهر تهران که متشکل از علائم حیاتی، تشخیص و اطلاعات دموگرافیک مانند سن و جنس بود، در بازه ی زمانی یک ماهه ی آذر 1401 جمع آوری گردید. در ادامه پس از آماده سازی داده ها از مدل های Random Forest- Light GBM- Cat Boost- Ada Boost که از نوع مجموعه ای (Ensemble) هستند برای پیش بینی طول مدت اقامت بیماران مورد استفاده قرار گرفتند.
یافته ها: نتایج نشان دهنده ی آن است که علائم حیاتی، سن و شاخص شدت اضطراری سطح 1 از جمله عواملی هستند که بیشترین تأثیر را در طول مدت اقامت داشتند، همچنین مدل Cat Boost  با معیارهای (Recall=0/83  ،Precision=0/91 ، Accuracy=0/87 F1-score= 0/87) بهترین عملکرد در میان دیگر مدل ها را داشت.
نتیجه گیری: این مطالعه نشان داد که مدل های مجموعه ای عملکرد خوبی در پیش بینی طول مدت اقامت بیماران در اورژانس دارد همچنین در این پژوهش مدل های ی که از روش Bagging پیروی می کنند در مجموع نسبت به Boosting عملکرد بهتری دارند.