在线客服

咨询热线

基于多因素灰色模型的上海市基层医疗机构诊疗量预测

作者:未知

  摘 要:建立分级诊疗制度是我国医改“十三五”规划五大任务之首,而基层医疗卫生机构承担着分级诊疗的基础任务,是基本医疗卫生服务和公共卫生服务的双重承载,如何提高基层医疗卫生机构服务水平具有重大研究意义。选取上海市2010 -2016年基层医疗机构诊疗数据,建立基于多因素影响的上海市基层医疗机构诊疗量预测组合模型。首先运用灰色关联分析对各影响因素与诊疗量的相关性进行排序,筛选出主要影响因素变量;然后应用GM(1,N)模型对各年度诊疗量进行预测,并利用改进粒子群算法进行背景值优化,以提高预测准确性;最后运用该模型预测2017 -2020年诊疗量。仿真实验结果表明,该模型较单一的GM(1,N)模型准确性更高,预测有效可行。
  关键词:医疗机构诊疗量预测;灰色关联分析;GM(1,N)模型;PSO;背景值优化
  DOI:10. 11907/rjdk. 182517
  中图分类号:TP319
  文献标识码:A 文章编号:1672-7800(2019)006-0130-05
  Abstract: The establishment of a grading diagnosis and treatment system is the first of the five major tasks of the 13th Five-Year Plan for medical reform in China. The primary health care institutions are responsible for the basic tasks of grading diagnosis and treatment. They are the dual burdens of basic medical and public health services and how to improve the primary health care institutions. Service levels have significant research implications. This paper selects the data of primary and secondary medical institutions in Shanghai from 2010 to 2016, and establishes a combined model for the diagnosis and treatment of primary care institutions in Shanghai based on multi-factor effects. Firstly, the gray correlation analysis is used to sort the correlation between each influencing factor and the amount of diagnosis and treatment, and the main influencing factors are selected. Then the GM(1,N) model is used to predict the annual diagnosis and treatment, and the improved particle swarm optimization algorithm is used. The background value is optimized to improve the accuracy of the predicted value; finally, the model is used to predict the amount of medical treatment from 2017 to 2020. The simulation results show that the model has higher accuracy than the single GM(1,N) model, which indicates that the model is effective and feasible.
  Key Words: forecast of diagnosis and treatment volume of medical institutions; grey relational analysis; GM(1,N) model; PSO; background value optimization
  0 引言
  基層医疗机构是整个医疗体系的根基,承担着提供基本医疗卫生服务和基本公共卫生服务的责任,对保障和改善居民健康状况具有重要作用,是国家实施分级诊疗、双向转诊制度很重要的一环,对缓解“看病难、看病贵”问题具有重要意义[1]。2015年9月,国务院办公厅出台《关于推进分级诊疗制度建设的指导意见》(国发办[2015]70号),强调以提高基层医疗服务能力为重点,以常见病、多发病、慢性病分级诊疗为突破口,引导优质医疗资源下沉,形成科学合理的就医秩序,逐步建立符合国情的分级诊疗制度[2]。为此,上海加大了医疗资源投入,实施“5+3+1”工程,建成102个示范性社区卫生服务中心,基层医疗机构诊疗效率和服务水平有了很大提高。分析上海市基层医疗机构未来发展趋势,对提高上海市医疗综合服务水平,保障人民健康有着重要意义。
  目前对于基层医疗机构的研究方法主要是实地调研和统计学分析[3],建立模型进行分析的甚少。本文应用灰色系统理论对总诊疗量进行预测研究。首先,总诊疗量可以反映医疗服务能力、患者就医取向。从分级诊疗构建角度看,基层医疗机构的诊疗量可以反映患者就诊的选择变化,从而体现分级诊疗是否有效[4]。灰色系统理论是邓聚龙教授[5]于1982年创立的,以部分信息已知、信息未知的小数据、贫信息不确定性问题为研究对象,通过提取已知信息,实现对未来变化的定量预测,其特点是少数据建模,模型构造简单,计算方便。   基本公共卫生服务效率研究中,常运用数据包络分析(DEA)的CCR、BCC模型Malmquist指数法、Tobit回归模型等[6-8]。灰色系统理论已应用于各个领域,在基层医疗方面,陈天雄等[4]运用GM(1,1)模型对广东省各级医疗机构诊疗量进行了分析并提出了相关建议;郭芬芬等[9]应用灰色关联分析结合RSR法对基层医疗机构服务能力进行评价;卢秀芳等[10]建立灰色预测模型,对基层卫生技术人员数量发展趋势进行了分析。
  GM(1,1)模型是灰色预测理论的基础预测模型,预测精度有待提高,且未考虑到各影响因素对诊疗量的影响。 本文在之前研究的基础上,在模型中考虑了各影响因素对诊疗量的影响,运用灰色关联分析筛选主要影响因素,采用GM(1,N)灰色预测模型并运用改进的粒子群参数改进该模型[11],建立基于多因素影响的基层医疗机构诊疗量灰色预测模型。预测结果表明,该模型能有效预测诊疗量且预测精度较高。
  1 模型构建
  1.1 灰色关联分析模型
  灰色关联分析是灰色系统理论的重要分支之一,也是灰色系统进行分析、建模以及预测和决策的重要基础。灰色关联分析的基本思想是根据序列曲线几何形状的相似程度判断其联系是否紧密。曲线越接近,相应序列之间的关联度就越大,反之就越小[5]。本文用灰色绝对关联度表示系统特征序列与各影响因素的紧密程度。
  1.3 背景值优化
  由式(4)和式(5)可知,GM(1,N)模型的预测值取决于参数矩阵[a]和参数向量B,而[a]和B又取决于N个原始监测数据序列和对模型的背景值[z11k(k=2,3,?,n)]的求解。紧邻均值生成序列构造背景值出于某种平均考虑,但从严格的数学意义上来讲并不成立[12],所以合理地构造模型背景值将对提高模型预测精度起重要作用。粒子群优化算法是基于群体智能理论的优化算法,算法概念非常简单,具有很好的鲁棒性和非常好的全局搜索能力,利用PSO优化背景值权重可达到很好的预测效果。而标准PSO算法容易陷入局部极小点且过早收敛,本文采用改进的PSO算法调整全局与局部搜索能力之间的平衡,应用于GM(1,N)模型背景值权重的优化[13]。
  粒子群算法(PSO)是James Kennedy & Russell Eberhart[14]提出的一种新型进化算法,该算法源于对鸟群和鱼群觅食行为的研究。本文用改进的PSO算法对背景值进行优化,以此得到最优背景值。采用式(8)对惯性权重在取值区间内线性减小[15]。首先随机产生一组背景值权重p,以预测值和实际值误差平方和作为适应度函数,采用粒子群优化算法求解最优背景值[pmax],最终使适应度函数最小进而对模型进行预测,具体求解过程描述如下:
  3 结语
  通过PSO-GM(1,N)模型与GM(1,N)模型的分析比较可知:①GM(1,N)模型结合粒子群优化算法能有效提高模拟精度;②PSO-GM(1,N)预测模型的平均相对误差为0.035%,说明该模型预测准确性高,故该模型可用于短期诊疗量预测。
  由模型预测可知,上海市基层医疗机构诊疗量在未来几年呈增长趋势,表明分级诊疗政策取得了一定效果。但目前基层医疗机构仍存在着医疗服务能力低,自身服务能力不断增强但相对服务能力不断下降的问题[19],且受到经济、社会、人口、政策等多方面因素的影响。
  由灰色关联分析和本文模型可知,影响总诊疗量的主要因素是基层医疗机构数。因此,政府可适当增加基层医疗机构数,方便居民就医,要加强基层医疗卫生机构人才队伍建设,设立各种优惠政策促进优质医疗人才下沉[20]。
  参考文献:
  [1] 孟庆跃,饶克勤. 中国基层卫生服务研究[M]. 北京:协和医科大学出版社,2009.
  [2] 佘晓芳,朱晓丽,杨顺心. 分级诊疗下基层医疗卫生机构的发展现状及建议[J]. 中国全科医学,2016(28):3413-3416.
  [3] 何思长,刘志会,赵大仁,等. 四川省基层医疗机构卫生资源配置与服务利用分析[J]. 中国医疗管理科学,2016(3):10-15.
  [4] 陈天雄,黎东生. 广东省“十三五”期间各级医疗机构总诊疗量预测[J]. 中国卫生资源,2017,20(4):304-307.
  [5] 刘思峰,杨英杰,吴利丰,等. 灰色系统理论及其应用[M]. 第7版. 北京:科学出版社,2014.
  [6] 何思思,曹易,姜明,等. 武汉市基层医疗卫生机构基本公共卫生服务效率分析[J]. 中国卫生信息管理杂志,2017(4):589-593.
  [7] 秦江梅,林春梅. 基层医疗卫生机构运营效率实证分析[J]. 中国卫生经济,2017(12):59-63.
  [8] 张海波,申俊龙,王忠成.  城镇化背景下我国基层医疗卫生机构服务效率的实证研究——以江苏省为例[J]. 中国卫生事業管理,2017(1):76-80.
  [9] 郭芬芬,刘冬梅.  基于灰色RSR法的基层医疗卫生机构服务能力评价[J]. 中国卫生统计,2014,31(6):1012-1014.
  [10] 卢秀芳,尹畅.  基于灰色模型的我国基层卫生技术人员数量预测分析[J]. 中华医院管理杂志,2018(1):32-38.
  [11] 米根锁,梁利,杨润霞. 灰色变异粒子群算法在公交客流量预测中的应用[J]. 计算机工程与科学,2015(1):104-110.
  [12] 刘虹,张岐山. 基于微粒群算法的GM(2,1,)优化模型[J]. 系统工程理论与实践,2008(10):96-101.
  [13] 雷斌,陶海龙,徐晓光. 基于改进粒子群优化算法的灰色神经网络的铁路货运量预测[J]. 计算机应用,2012(10):2948-2951,2962.
  [14] 张宇飞,宋超,党志燕. PSO优化灰色建模在工艺参数预测中的应用[J]. 自动化与仪表,2009(5):28-31.
  [15] 赵志刚,常成.  带变异算子的自适应粒子群优化算法[J]. 计算机工程与应用,2011(17):42-44,45.
  [16] 郜琳.  新医改背景下浙江省基层医疗服务能力研究[D]. 杭州:浙江大学,2016.
  [17] 牟燕,吴敏,刘岩,等. 乡镇卫生院基本医疗服务能力与经济发展水平的关系研究——基于山东省17市乡镇卫生院基础数据的灰色关联分析[J]. 卫生软科学,2018(1):20-27.
  [18] 马云倩,郭燕枝. 基于LASSO与GM(1,N)模型的中国粮食产量预测[J]. 干旱区资源与环境,2018(7):30-35.
  [19] 牛亚东,张研,叶婷,等. 我国基层医疗卫生机构医疗服务能力发展与现状[J]. 中国医院管理,2018(6):35-37,41.
  [20] 元瑾. 分级诊疗政策下提高基层医疗机构的医疗服务水平[J]. 中国卫生标准管理,2018(16):13-15.
  (责任编辑:杜能钢)
转载注明来源:https://www.xzbu.com/8/view-14904364.htm