论文部分内容阅读
背景缺血性心脏病是严重危胁人类健康的主要疾病之一。研究显示,近年来我国因缺血性心脏病住院的患者人数及治疗费用持续高速增长,给社会公共卫生管理、医保基金、患者家庭及个人带来沉重负担。缺血性心脏病住院医疗费用研究有助于控制缺血性心脏病治疗费用的快速增长、缓解社会医保基金压力、促进医疗资源合理配置,对解决心血管疾病这一重大公共卫生问题有积极推动作用。目前医疗费用研究多采用经典线性回归分析模型,这类分析模型有着严苛的适用条件,不善于解决非线性关联问题。BP神经网络模型是目前应用最广泛的人工神经网络模型,该模型适用条件宽松且具有自学习、自适应及容错能力,尤为擅长解决非线性关联问题,已在科学技术的各个领域得到广泛应用并取得突出成果。目的探索BP神经网络模型在住院医疗费用研究中的应用,为住院医疗费用研究提供新思路;找出缺血性心脏病住院医疗费用的重要影响因素,为控制缺血性心脏病住院医疗费用提供参考。方法以某三级甲等综合医院2016年出院且出院主要诊断为缺血性心脏病的患者为研究对象,通过住院病案首页采集患者的基本信息、住院信息、诊疗信息及费用信息,运用SPSS23.0分析软件包构建BP神经网络模型并根据标准化重要性进行变量筛选。结果本研究最终纳入分析样本1877例。多次BP神经网络建模发现,一个隐含层和两个隐含层的BP神经网络的拟合能力在本研究中没有明显差别。100次一个隐含层BP神经网络建模结果为:隐含层神经元个数均为10个,训练集平均相对误差0.349,验证集平均相对误差0.363;100次两个隐含层BP神经网络建模结果为:第一个隐含层神经元个数均为10个,第二个隐含层神经元个数均为8个,训练集平均相对误差0.352,验证集平均相对误差0.367。BP神经网络建模过程中基于标准化重要性的变量筛选结果与Logistic回归分析中采用Forward:LR法的变量筛选结果具有较好的一致性(Kappa=0.643,P=0.008);通过变量筛选剔除入院季、性别、住院次数、入院途径、入院日、婚姻、是否药物过敏与入院时这8个变量后重新建立一个隐含层的BP神经网络模型,所得模型训练集相对误差为0.349,验证集相对误差为0.343,模型拟合准确度较剔除变量前无明显变化;根据模型敏感度分析结果,住院天数、是否手术、缺血性心脏病类型、年龄、有无抢救为缺血性心脏病住院医疗费用重要影响因素,重要性分别为0.397、0.187、0.161、0.086、0.058。结论运用BP神经网络模型对住院医疗费用进行建模研究是切实可行的;建模时根据标准化重要性可以对变量进行有效筛选;住院天数、是否手术、缺血性心脏病类型、年龄、有无抢救是缺血性心脏病住院医疗费用的重要影响因素。