论文部分内容阅读
近年来,医疗费用急剧上涨,高额的医疗费用特别是住院费用给老百姓带来了严重的经济负担。控制过高的医疗费用,优化卫生资源配置,建立多层次的医疗保障制度已成为近年来社会的关注热点。控制住院费用应该从其影响因素着手,通过建立有效的住院费用拟合模型,对住院费用及其影响因素的关系进行分析,这是对住院费用进行研究的关键。目前最常用的住院费用建模分析方法为多重线性回归,但是它对资料有一定的要求,如独立性、正态性、方差齐性、线性等,而住院费用及其影响因素之间可能存在非线性关系,各影响因素之间也可能存在多重共线性,因此应考虑采用另外一种适合住院费用数据特征的建模方法。人工神经网络,简称为神经网络,是一种模拟生物神经元工作方式的数学模型,在多个学科领域被广泛应用于模式识别,预报预测,数值逼近等。反向传播(Back propagation ,BP)神经网络是神经网络中的一种,它是一种多层感知机(multilayer perception ),因网络权值的调整规则采用误差反向传播算法,即BP算法而得名,是神经网络中目前发展最成熟,应用最广泛的网络模型。由于BP神经网络对于资料的类型、分布等无任何要求,且具有一定的容错性,能通过自我学习,自我调整实现输入变量和输出变量之间的复杂映射关系,因此可以考虑将BP神经网络用于对住院费用及其影响因素进行建模,实现住院费用及其影响因素之间的关系拟合。研究目的:以脑梗死患者住院费用分析为例,设定合适的参数建立基于BP神经网络的住院费用拟合模型。在已建立的BP神经网络模型的基础上,对各影响因素对住院费用的影响程度进行衡量。利用本研究为BP神经网络建模的方法学研究提供一定的参考依据,并通过对住院费用及其影响因素的分析帮助卫生管理决策者和医疗保险业者作出正确的决策和分析。资料与方法:收集唐山市某三级甲等医院2007~2008年脑梗死患者的病案信息共2538例,剔除缺失病例、不符合逻辑的病例,有效病例共计2218例,占总病例数的87.39%。采用BP神经网络进行住院费用的函数拟合建模,在建模过程中采用方差分析对不同训练算法、不同隐含层神经元数进行比较分析,在己建立的模型基础上采用敏感度分析进行住院费用的影响因素分析。以上方差分析在SAS软件中进行,BP神经网络建模和敏感度分析均通过在MATLAB软件中进行编程得以实现。主要结果:一、建模参数的比较结果通过对隐含层神经元数分别为5、10、15和20的网络均采用LM算法、BR算法、OSS算法、SCG算法进行训练,每种网络各随机训练100次,得出隐含层神经元数为5、10、15和20时,OSS算法不论在拟合能力还是推广能力上较优。二、建立的模型性能及相关参数设定通过尝试不同算法、不同隐含层神经元数以及不同的初始化权值和闭值,最终建立了一个脑梗死住院病人住院费用及其影响因素的BP神经网络模型。测试集和训练集的残差基本在0上下随机波动,模型拟合能力较好。该模型网络结构参数为:单隐含层,隐含层15个神经元,输入层8个神经元,输出层1个神经元;网络训练参数为:采用结合早停止策略的OSS算法进行训练,设定学习速度为0.01,设定SSE为网络误差性能指标,网络训练停止时共迭代10次,SSE达到2.38631;训练集拟合结果为:R=0.83954 , R2=0.70483,Radj=0.64783 ,RMSE=0.05022;测试集仿真结果为: R=0.85523 , R2=0.73142,Radj=0.71649 ,RMSE=0.04504。三、敏感度分析结果敏感度分析显示,各影响因素的敏感度从大到小依次为:年龄(0.94897)、住院天数(0.16101)、治疗结果(0.15227)、抢救次数(0.14537)、住院次数(0.09421)、婚姻状况(0.08733)、付费方式(0.06751)、性别(0.01391),显示对住院费用影响最大的因素是年龄,最小的是性别。结论:通过本次研究,可以得出以下结论:采用BP神经网络可以实现对住院费用进行拟合建模,通过对不同模型参数的设定选择可以达到优化模型的作用;神经网络的拟合能力和推广能力不能两全,当拟合能力很好时,由于学习过多的训练样本信息,网络的推广能力就会下降,因此在建模时应根据实际情况对两者加以权衡,一个好的神经网络模型应首先具备好的推广能力,否则即使样本拟合能力再好却无法推广,这样的模型也是没有意义的;通过敏感度分析可以在BP神经网络模型的基础上显示输入变量对输出变量的影响程度大小。由于本研究所选择的病案首页信息有限,且同时考虑到网络的推广能力和拟合能力,因此建立的模型对住院费用预测的精度有限,可以提供一定的理论参考。在该模型的基础上进行敏感度分析以衡量输入变里的影响程度大小是切实可行的。由于不同的参数设定对网络的结果有不同的影响,如不同隐含层神经元数、不同初始权值和阈值等,目前仍缺乏理论上的支持,有待进一步研究。