基于多因素灰色模型的上海市基層醫療機構診療量預測
來源:用戶上傳
作者:
摘 要：建立分級診療制度是我國醫改“十三五”規劃五大任務之首，而基層醫療衛生機構承擔著分級診療的基礎任務，是基本醫療衛生服務和公共衛生服務的雙重承載，如何提高基層醫療衛生機構服務水平具有重大研究意義。選取上海市2010 -2016年基層醫療機構診療數據，建立基于多因素影響的上海市基層醫療機構診療量預測組合模型。首先運用灰色關聯分析對各影響因素與診療量的相關性進行排序，篩選出主要影響因素變量;然后應用GM（1，N）模型對各年度診療量進行預測，并利用改進粒子群算法進行背景值優化，以提高預測準確性;最后運用該模型預測2017 -2020年診療量。仿真實驗結果表明，該模型較單一的GM（1，N）模型準確性更高，預測有效可行。
關鍵詞：醫療機構診療量預測;灰色關聯分析;GM（1，N）模型;PSO;背景值優化
DOI：10. 11907/rjdk. 182517
中圖分類號：TP319
文獻標識碼：A 文章編號：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
基層醫療機構是整個醫療體系的根基，承擔著提供基本醫療衛生服務和基本公共衛生服務的責任，對保障和改善居民健康狀況具有重要作用，是國家實施分級診療、雙向轉診制度很重要的一環，對緩解“看病難、看病貴”問題具有重要意義[1]。2015年9月，國務院辦公廳出臺《關于推進分級診療制度建設的指導意見》（國發辦[2015]70號），強調以提高基層醫療服務能力為重點，以常見病、多發病、慢性病分級診療為突破口，引導優質醫療資源下沉，形成科學合理的就醫秩序，逐步建立符合國情的分級診療制度[2]。為此，上海加大了醫療資源投入，實施“5+3+1”工程，建成102個示范性社區衛生服務中心，基層醫療機構診療效率和服務水平有了很大提高。分析上海市基層醫療機構未來發展趨勢，對提高上海市醫療綜合服務水平，保障人民健康有著重要意義。
目前對于基層醫療機構的研究方法主要是實地調研和統計學分析[3]，建立模型進行分析的甚少。本文應用灰色系統理論對總診療量進行預測研究。首先，總診療量可以反映醫療服務能力、患者就醫取向。從分級診療構建角度看，基層醫療機構的診療量可以反映患者就診的選擇變化，從而體現分級診療是否有效[4]?；疑到y理論是鄧聚龍教授[5]于1982年創立的，以部分信息已知、信息未知的小數據、貧信息不確定性問題為研究對象，通過提取已知信息，實現對未來變化的定量預測，其特點是少數據建模，模型構造簡單，計算方便。 基本公共衛生服務效率研究中，常運用數據包絡分析（DEA）的CCR、BCC模型Malmquist指數法、Tobit回歸模型等[6-8]。灰色系統理論已應用于各個領域，在基層醫療方面，陳天雄等[4]運用GM（1，1）模型對廣東省各級醫療機構診療量進行了分析并提出了相關建議;郭芬芬等[9]應用灰色關聯分析結合RSR法對基層醫療機構服務能力進行評價;盧秀芳等[10]建立灰色預測模型，對基層衛生技術人員數量發展趨勢進行了分析。
GM（1，1）模型是灰色預測理論的基礎預測模型，預測精度有待提高，且未考慮到各影響因素對診療量的影響。 本文在之前研究的基礎上，在模型中考慮了各影響因素對診療量的影響，運用灰色關聯分析篩選主要影響因素，采用GM（1，N）灰色預測模型并運用改進的粒子群參數改進該模型[11]，建立基于多因素影響的基層醫療機構診療量灰色預測模型。預測結果表明，該模型能有效預測診療量且預測精度較高。
1 模型構建
1.1 灰色關聯分析模型
灰色關聯分析是灰色系統理論的重要分支之一，也是灰色系統進行分析、建模以及預測和決策的重要基礎。灰色關聯分析的基本思想是根據序列曲線幾何形狀的相似程度判斷其聯系是否緊密。曲線越接近，相應序列之間的關聯度就越大，反之就越小[5]。本文用灰色絕對關聯度表示系統特征序列與各影響因素的緊密程度。
1.3 背景值優化
由式（4）和式（5）可知，GM（1，N）模型的預測值取決于參數矩陣[a]和參數向量B，而[a]和B又取決于N個原始監測數據序列和對模型的背景值[z11k（k=2，3，？，n）]的求解。緊鄰均值生成序列構造背景值出于某種平均考慮，但從嚴格的數學意義上來講并不成立[12]，所以合理地構造模型背景值將對提高模型預測精度起重要作用。粒子群優化算法是基于群體智能理論的優化算法，算法概念非常簡單，具有很好的魯棒性和非常好的全局搜索能力，利用PSO優化背景值權重可達到很好的預測效果。而標準PSO算法容易陷入局部極小點且過早收斂，本文采用改進的PSO算法調整全局與局部搜索能力之間的平衡，應用于GM（1，N）模型背景值權重的優化[13]。
粒子群算法（PSO）是James Kennedy & Russell Eberhart[14]提出的一種新型進化算法，該算法源于對鳥群和魚群覓食行為的研究。本文用改進的PSO算法對背景值進行優化，以此得到最優背景值。采用式（8）對慣性權重在取值區間內線性減小[15]。首先隨機產生一組背景值權重p，以預測值和實際值誤差平方和作為適應度函數，采用粒子群優化算法求解最優背景值[pmax]，最終使適應度函數最小進而對模型進行預測，具體求解過程描述如下：
3 結語
通過PSO-GM（1，N）模型與GM（1，N）模型的分析比較可知：①GM（1，N）模型結合粒子群優化算法能有效提高模擬精度;②PSO-GM（1，N）預測模型的平均相對誤差為0.035%，說明該模型預測準確性高，故該模型可用于短期診療量預測。
由模型預測可知，上海市基層醫療機構診療量在未來幾年呈增長趨勢，表明分級診療政策取得了一定效果。但目前基層醫療機構仍存在著醫療服務能力低，自身服務能力不斷增強但相對服務能力不斷下降的問題[19]，且受到經濟、社會、人口、政策等多方面因素的影響。
由灰色關聯分析和本文模型可知，影響總診療量的主要因素是基層醫療機構數。因此，政府可適當增加基層醫療機構數，方便居民就醫，要加強基層醫療衛生機構人才隊伍建設，設立各種優惠政策促進優質醫療人才下沉[20]。
參考文獻：
[1] 孟慶躍，饒克勤. 中國基層衛生服務研究[M]. 北京：協和醫科大學出版社，2009.
[2] 佘曉芳，朱曉麗，楊順心. 分級診療下基層醫療衛生機構的發展現狀及建議[J]. 中國全科醫學，2016（28）：3413-3416.
[3] 何思長，劉志會，趙大仁，等. 四川省基層醫療機構衛生資源配置與服務利用分析[J]. 中國醫療管理科學，2016（3）：10-15.
[4] 陳天雄，黎東生. 廣東省“十三五”期間各級醫療機構總診療量預測[J]. 中國衛生資源，2017，20（4）：304-307.
[5] 劉思峰，楊英杰，吳利豐，等. 灰色系統理論及其應用[M]. 第7版. 北京：科學出版社，2014.
[6] 何思思，曹易，姜明，等. 武漢市基層醫療衛生機構基本公共衛生服務效率分析[J]. 中國衛生信息管理雜志，2017（4）：589-593.
[7] 秦江梅，林春梅. 基層醫療衛生機構運營效率實證分析[J]. 中國衛生經濟，2017（12）：59-63.
[8] 張海波，申俊龍，王忠成. 城鎮化背景下我國基層醫療衛生機構服務效率的實證研究——以江蘇省為例[J]. 中國衛生事業管理，2017（1）：76-80.
[9] 郭芬芬，劉冬梅. 基于灰色RSR法的基層醫療衛生機構服務能力評價[J]. 中國衛生統計，2014，31（6）：1012-1014.
[10] 盧秀芳，尹暢. 基于灰色模型的我國基層衛生技術人員數量預測分析[J]. 中華醫院管理雜志，2018（1）：32-38.
[11] 米根鎖，梁利，楊潤霞. 灰色變異粒子群算法在公交客流量預測中的應用[J]. 計算機工程與科學，2015（1）：104-110.
[12] 劉虹，張岐山. 基于微粒群算法的GM（2，1，）優化模型[J]. 系統工程理論與實踐，2008（10）：96-101.
[13] 雷斌，陶海龍，徐曉光. 基于改進粒子群優化算法的灰色神經網絡的鐵路貨運量預測[J]. 計算機應用，2012（10）：2948-2951，2962.
[14] 張宇飛，宋超，黨志燕. PSO優化灰色建模在工藝參數預測中的應用[J]. 自動化與儀表，2009（5）：28-31.
[15] 趙志剛，常成. 帶變異算子的自適應粒子群優化算法[J]. 計算機工程與應用，2011（17）：42-44，45.
[16] 郜琳. 新醫改背景下浙江省基層醫療服務能力研究[D]. 杭州：浙江大學，2016.
[17] 牟燕，吳敏，劉巖，等. 鄉鎮衛生院基本醫療服務能力與經濟發展水平的關系研究——基于山東省17市鄉鎮衛生院基礎數據的灰色關聯分析[J]. 衛生軟科學，2018（1）：20-27.
[18] 馬云倩，郭燕枝. 基于LASSO與GM（1，N）模型的中國糧食產量預測[J]. 干旱區資源與環境，2018（7）：30-35.
[19] 牛亞東，張研，葉婷，等. 我國基層醫療衛生機構醫療服務能力發展與現狀[J]. 中國醫院管理，2018（6）：35-37，41.
[20] 元瑾. 分級診療政策下提高基層醫療機構的醫療服務水平[J]. 中國衛生標準管理，2018（16）：13-15.
（責任編輯：杜能鋼）
轉載注明來源:http://www.hailuomaifang.com/8/view-14904364.htm
