繩慧峰 劉 晴 許 蘋 陳春林*

?

人工神經(jīng)網(wǎng)絡(luò)在醫(yī)療風(fēng)險預(yù)測中的應(yīng)用研究*

繩慧峰1劉 晴2許 蘋3陳春林1*

目的 建立基于人工神經(jīng)網(wǎng)絡(luò)的醫(yī)療風(fēng)險預(yù)測模型，為有效預(yù)防醫(yī)療風(fēng)險提供參考。方法 運(yùn)用SPSS 21.0統(tǒng)計軟件，以入院方式、住院天數(shù)等變量為輸入神經(jīng)元，以醫(yī)療糾紛分組為輸出神經(jīng)元，用RBF(徑向基函數(shù))建立神經(jīng)網(wǎng)絡(luò)模型，預(yù)測醫(yī)療風(fēng)險的發(fā)生，評估各因素對醫(yī)療風(fēng)險的作用。結(jié)果 訓(xùn)練樣本和測試樣本的預(yù)測準(zhǔn)確率分別為83.7%和84.2%，醫(yī)療風(fēng)險影響因素重要性排序前6位分別是住院費(fèi)用(100.0%)、住院天數(shù)(78.2%)、四周內(nèi)手術(shù)次數(shù)(61.4%)、感染(60.5%)、傷口愈合不良(54.0%)和手術(shù)并發(fā)癥(47.8%)等。結(jié)論 運(yùn)用RBF(徑向基函數(shù))神經(jīng)網(wǎng)絡(luò)對醫(yī)療風(fēng)險進(jìn)行預(yù)測，不受樣本分布特點及數(shù)據(jù)類型的影響，適用性較好。

人工神經(jīng)網(wǎng)絡(luò)；徑向基函數(shù)；醫(yī)療風(fēng)險；預(yù)測；應(yīng)用

First-author's address Ministry of Medical Affairs, 105th Hospital of People 's Liberation Army, Hefei, Anhui, 230031, China

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)簡稱神經(jīng)網(wǎng)絡(luò)(Neural Network，NN)，是模擬生物神經(jīng)系統(tǒng)結(jié)構(gòu)，由大量處理單元組成的非線性自適應(yīng)動態(tài)系統(tǒng)[1]。神經(jīng)網(wǎng)絡(luò)因其強(qiáng)大性、靈活性和易用性，成為預(yù)測數(shù)據(jù)應(yīng)用程序的首選工具。徑向基函數(shù) (Radial Basis Function，RBF)是人工神經(jīng)網(wǎng)絡(luò)諸多形式中應(yīng)用較廣泛的一種，由于其具有能夠逼近任意的非線性函數(shù)、學(xué)習(xí)收斂速度快等優(yōu)點，目前已經(jīng)成功應(yīng)用于非線性函數(shù)逼近、模式識別、信息處理等方面[2]。本研究在前期研究基礎(chǔ)上，初步嘗試采用RBF神經(jīng)網(wǎng)絡(luò)建立醫(yī)療風(fēng)險預(yù)測模型，篩選醫(yī)療風(fēng)險影響因素，以期為進(jìn)一步加強(qiáng)風(fēng)險控制，制定管理決策提供參考。

1 資料來源與方法

1.1 資料來源

本研究所使用的數(shù)據(jù)資料均來源于合肥市某軍隊三甲醫(yī)院信息系統(tǒng)。針對該院2010年-2015年發(fā)生的60例手術(shù)糾紛案例和120例非糾紛案例，通過醫(yī)院信息系統(tǒng)調(diào)取各案例的16項醫(yī)療風(fēng)險指標(biāo)。其中，60例糾紛案例為該院6年間發(fā)生的全部手術(shù)糾紛案例，反映該院實際糾紛情況；120例非糾紛案例則按照常用病例和對照1:2的標(biāo)準(zhǔn)選取。16項指標(biāo)均由前期通過單因素分析篩選并確定，分別是入院方式、住院天數(shù)、住院費(fèi)用、四周內(nèi)手術(shù)次數(shù)、非計劃再次手術(shù)等[3]。具體指標(biāo)及賦值情況見表1。

表1 醫(yī)療風(fēng)險指標(biāo)變量及其賦值

變量*代碼賦值入院方式X10=門診;1=急診住院天數(shù)X20=<20天;1=≥20天住院費(fèi)用X30=<5萬;1=≥5萬四周內(nèi)手術(shù)次數(shù)X40=<2次;1=≥2次非計劃再次手術(shù)X50=無;1=有輸血總量X60=<1600ml;1=≥1600ml非正常進(jìn)入ICU天數(shù)X70=<3天;1=≥3天病情危重X80=無;1=有病情突變X90=無;1=有搶救次數(shù)X101=0次;2=1次;3=≥2次手術(shù)并發(fā)癥X110=無;1=有傷口愈合不良X120=無;1=有感染X130=無;1=有休克X140=無;1=有出院病情X150=治愈或好轉(zhuǎn);1=死亡出院方式X160=醫(yī)囑出院;1=家屬要求分組Y0=非糾紛組;1=糾紛組

注：*16項風(fēng)險指標(biāo)是從22個變量中篩選出來的。這些變量是前期經(jīng)過專家咨詢篩選的相對重要的指標(biāo)，但不包括所有可能與糾紛事件相關(guān)的變量。

1.2 研究方法

所有數(shù)據(jù)采用Excel 2007整理和匯總，采用SPSS 21.0統(tǒng)計軟件中的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)進(jìn)行分析。神經(jīng)網(wǎng)絡(luò)模型包含輸入層、隱藏層和輸出層3層結(jié)構(gòu)，將16項醫(yī)療風(fēng)險指標(biāo)作為輸入神經(jīng)元，醫(yī)療糾紛分組作為輸出神經(jīng)元。

1.3 操作步驟

神經(jīng)網(wǎng)絡(luò)建模按照以下步驟進(jìn)行：(1)打開SPSS軟件，導(dǎo)入Excel數(shù)據(jù)。(2)生成隨機(jī)數(shù)。選擇菜單欄里的“轉(zhuǎn)換-隨機(jī)數(shù)字生成器”，勾選設(shè)置起點中的固定值，并輸入數(shù)字“9191972”。(3)建立神經(jīng)網(wǎng)絡(luò)模型。選擇菜單欄里的“分析-神經(jīng)網(wǎng)絡(luò)-徑向基函數(shù)”，將醫(yī)療糾紛分組作為因變量，入院方式、住院天數(shù)等16項指標(biāo)變量作為因子。在輸出選項中勾選“描述→圖表→模型匯總→分類結(jié)果→ROC曲線→累積增益圖→增益圖→觀察預(yù)測圖→個案處理摘要→自變量重要性分析”。其他選項均采用系統(tǒng)默認(rèn)，點擊確定進(jìn)行分析。

2 結(jié)果

2.1 模型預(yù)測結(jié)果

共有180個有效樣本，按照神經(jīng)網(wǎng)絡(luò)常用7:3比例，123個案例(68.3%)被分配到訓(xùn)練樣本，57個案例(31.7%)被分配到測試樣本，沒有個案被排除。表2為模型分類結(jié)果。訓(xùn)練樣本中，83個非醫(yī)療糾紛樣本有80個(96.4%)被正確分到了非醫(yī)療糾紛組，40個醫(yī)療糾紛樣本有23個(57.5%)被正確分到了醫(yī)療糾紛組，預(yù)測正確總百分比為83.7%；測試樣本中，37個非醫(yī)療糾紛樣本有35個(94.6%)被正確地分到了非醫(yī)療糾紛組，20個醫(yī)療糾紛樣本有13個(65.0%)被正確地分到了醫(yī)療糾紛組，預(yù)測正確總百分比為84.2%。表3模型匯總中，訓(xùn)練樣本百分比錯誤預(yù)測16.3%和測試樣本百分比錯誤預(yù)測15.8%相對應(yīng)。圖1為觀察預(yù)測圖，顯示組合的培訓(xùn)和測試樣本的預(yù)測擬概率。最左側(cè)箱圖顯示，對于觀察類別no(非醫(yī)療糾紛組)的個案，類別no的預(yù)測擬概率。在y軸0.5標(biāo)記之上的箱圖部分代表分類表中顯示的正確預(yù)測值，0.5標(biāo)記以下部分代表不正確的預(yù)測值；最右側(cè)箱圖顯示，對于觀察類別yes(醫(yī)療糾紛組)的個案，類別yes的預(yù)測擬概率。在y軸0.5標(biāo)記之上的部分代表分類表中顯示的正確預(yù)測值，0.5標(biāo)記以下部分代表不正確的預(yù)測值。

表3 神經(jīng)網(wǎng)絡(luò)預(yù)測模型結(jié)果匯總

訓(xùn)練平方和錯誤16.031百分比錯誤預(yù)測(%)16.3培訓(xùn)時間0:00:00.31測試平方和錯誤8.316a百分比錯誤預(yù)測(%)15.8

注：a隱藏單位的數(shù)量由檢驗數(shù)據(jù)標(biāo)準(zhǔn)確定，隱藏單位的“最佳”數(shù)量為檢驗數(shù)據(jù)中產(chǎn)生最小錯誤的單位。

圖1 神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測擬概率

注：0表示非醫(yī)療糾紛組，1表示醫(yī)療糾紛組。

2.2 ROC曲線擬合結(jié)果

圖2為ROC曲線擬合結(jié)果，顯示了單個圖中所有界限的敏感度和特異性。ROC曲線下面積為0.821，表明了診斷試驗準(zhǔn)確度的大小[4]，說明對于每一個類別，該類別中一個隨機(jī)選擇的個案高于非該類別中一個隨機(jī)選擇的個案的概率。例如，對于隨機(jī)選擇的醫(yī)療糾紛者與隨機(jī)選擇的非醫(yī)療糾紛者，就缺省模型預(yù)測擬概率而言，前者高于后者的概率為0.821。

圖2 神經(jīng)網(wǎng)絡(luò)預(yù)測模型的ROC曲線

表2 神經(jīng)網(wǎng)絡(luò)預(yù)測模型分類結(jié)果

樣本已觀測已預(yù)測01正確百分比(%)訓(xùn)練080396.41172357.5總計百分比(%)78.921.183.7測試035294.6171365.0總計百分比(%)73.726.384.2

2.3 重要性分析結(jié)果

表4為自變量的重要性及標(biāo)準(zhǔn)化的重要性。結(jié)果顯示，醫(yī)療風(fēng)險影響因素重要性排序前6位的自變量及其標(biāo)準(zhǔn)化重要性分別為：住院費(fèi)用(100.0%)、住院天數(shù)(78.2%)、四周內(nèi)手術(shù)次數(shù)(61.4%)、感染(60.5%)、傷口愈合不良(54.0%)和手術(shù)并發(fā)癥(47.8%)。對醫(yī)療風(fēng)險的影響作用最小的自變量是入院方式(17.8%)。

表4 醫(yī)療風(fēng)險指標(biāo)的重要性

指標(biāo)重要性標(biāo)準(zhǔn)化的重要性(%)入院方式0.02317.8住院天數(shù)0.09978.2住院費(fèi)用0.127100.0四周內(nèi)手術(shù)次數(shù)0.07861.4非計劃再次手術(shù)0.05543.7輸血總量0.04838.0非正常進(jìn)入ICU天數(shù)0.04535.5病情危重0.04736.8病情突變0.05846.0搶救次數(shù)0.05946.3手術(shù)并發(fā)癥0.06147.8傷口愈合不良0.06854.0感染0.07760.5休克0.04837.6出院病情0.05140.6出院方式0.05845.4

3 討論

3.1 神經(jīng)網(wǎng)絡(luò)模型效果分析

醫(yī)療風(fēng)險成因復(fù)雜，受患者因素、疾病因素、醫(yī)院管理因素、醫(yī)務(wù)人員因素、社會因素等的影響[5]。本研究僅納入了醫(yī)療風(fēng)險的部分影響因素,所選16項指標(biāo)均是從醫(yī)院HIS系統(tǒng)調(diào)取的定量指標(biāo)，不包含醫(yī)務(wù)人員技術(shù)水平、醫(yī)患溝通、患者期望值等定性指標(biāo)。所建立的神經(jīng)網(wǎng)絡(luò)模型對醫(yī)療風(fēng)險總的預(yù)測正確率達(dá)80%以上，具有較強(qiáng)的預(yù)測效能，可以為醫(yī)療風(fēng)險識別提供客觀依據(jù)。同時，與多元線性回歸等模型相比，神經(jīng)網(wǎng)絡(luò)模型給出了所有自變量的敏感度，有利于綜合判斷各自變量對醫(yī)療風(fēng)險的重要性。

3.2 建立醫(yī)療風(fēng)險神經(jīng)網(wǎng)絡(luò)預(yù)測模型的意義

醫(yī)療風(fēng)險管理是醫(yī)療質(zhì)量管理的重要組成部分，醫(yī)療風(fēng)險將直接影響醫(yī)療質(zhì)量。如何控制醫(yī)療風(fēng)險，降低風(fēng)險發(fā)生率，是醫(yī)院管理者持續(xù)探索和關(guān)注的話題[6-7]。本研究所建立的醫(yī)療風(fēng)險神經(jīng)網(wǎng)絡(luò)預(yù)測模型，風(fēng)險識別率高，對實時監(jiān)測、篩選醫(yī)療風(fēng)險，從而及時預(yù)防醫(yī)療風(fēng)險發(fā)生有一定參考價值。同時，為醫(yī)院風(fēng)險管理提供了新的方法和思路，有利于進(jìn)一步深入挖掘風(fēng)險成因，建立預(yù)警機(jī)制，總結(jié)歸納經(jīng)驗，改進(jìn)管理辦法，從源頭上遏止醫(yī)療風(fēng)險的發(fā)生。

3.3 本研究的創(chuàng)新性和局限性

人工神經(jīng)網(wǎng)絡(luò)對資料的分布特征無特殊要求，能夠較好地解決非線性問題等優(yōu)點，在其他領(lǐng)域得到了廣泛應(yīng)用[8-9]，并取得了良好效果，但在醫(yī)療風(fēng)險預(yù)測方面的應(yīng)用較少。本研究嘗試將神經(jīng)網(wǎng)絡(luò)用于醫(yī)療風(fēng)險預(yù)測，并運(yùn)用SPSS軟件建立神經(jīng)網(wǎng)絡(luò)模型，與MATLAB等軟件相比，省去了復(fù)雜的編程麻煩，簡單易操作。同時，建立的神經(jīng)網(wǎng)絡(luò)預(yù)測模型效果較好，對醫(yī)院管理部門進(jìn)行醫(yī)療風(fēng)險管理提供了參考。

但是，本研究僅是基于RBF神經(jīng)網(wǎng)絡(luò)對醫(yī)療風(fēng)險進(jìn)行預(yù)測的初步嘗試，結(jié)果仍然存在一定局限性。由于僅以合肥市某三甲醫(yī)院為例進(jìn)行分析，所用的數(shù)據(jù)資料均來自該院實際發(fā)生的案例，針對性較強(qiáng)，研究結(jié)果是否具有良好推廣性還有待進(jìn)一步驗證。

[1] 方鵬騫,謝金亮.人工神經(jīng)網(wǎng)絡(luò)在公立醫(yī)院監(jiān)管指標(biāo)體系中的應(yīng)用[J].中國醫(yī)院,2012,16(9):23-25.

[2] 鄒慧琴,李 碩,陶 歐，等. RBF神經(jīng)網(wǎng)絡(luò)在中醫(yī)藥領(lǐng)域中的應(yīng)用及其在SPSS 17.0 軟件中的實現(xiàn)[J].中華中醫(yī)藥學(xué)刊,2015,33(2):336-338.

[3] 劉 晴,許 蘋,繩慧峰，等.醫(yī)院醫(yī)療風(fēng)險預(yù)警預(yù)控指標(biāo)研究[J].中國醫(yī)院管理,2016,36(7):43-45.

[4] 賀 佳,尹 平.醫(yī)學(xué)統(tǒng)計學(xué)[M].北京:高等教育出版社,2015.

[5] 劉 晴,許 蘋,繩慧峰，等.軍隊某三甲醫(yī)院醫(yī)療糾紛發(fā)生特點及對策[J].解放軍醫(yī)院管理雜志,2016,23(5):415-417.

[6] 連 斌,秦 婷,吳 瓊，等.醫(yī)療風(fēng)險防范調(diào)控體系研究[J].中國衛(wèi)生質(zhì)量管理,2006,13(1):1-4.

[7] 杜淑英,曹紅英,顧躍靜，等.醫(yī)療風(fēng)險管理的實踐及體會[J].中國衛(wèi)生質(zhì)量管理,2013,20(2):43-44.

[8] 江 弋,林永鵬.RBF神經(jīng)網(wǎng)絡(luò)在股價預(yù)測中的應(yīng)用[J].心智與計算,2007,1(4):413-419.

[9] 王 敏,張開金,姜 麗，等. BP神經(jīng)網(wǎng)絡(luò)技術(shù)在慢性病患者住院費(fèi)用研究中的應(yīng)用[J].中國衛(wèi)生經(jīng)濟(jì),2010,29(11):86-88.

修回日期：2016-12-16

責(zé)任編輯：吳小紅

Application of Artificial Neural Network in Medical Risk Prediction/

SHENG Huifeng,LIU Qing,XU Ping,et al.//

Objective To establish prediction model of medical risks based on artificial neural network, provide reference for effective prevention of medical risks. Methods With the admission form, length of stay and other variables as the input neurons, medical disputes group as the output neuron, using radial basis function (RBF) to establish neural network model, the occurrence of medical risk was predicted, and the factors on the role of health risk was evaluated. Results The prediction accuracies of the training sample and test sample were 83.7% and 84.2%, respectively. The top six importance of medical risk factors were hospitalization expenses (100.0%), length of stay (78.2%), four weeks’ operation times (61.4%), infection (60.5%), poor wound healing (54.0%) and complications (47.8%). Conclusion It is not affected by sample distribution features and data types to use RBF neural network to forecast the medical risks and has a good applicability.

Artificial Neural Network；Radial Basis Function;Medical Risk;Prediction; Application

10.13912/j.cnki.chqm.2017.24.4.07

國家社會科學(xué)基金資助項目(14AGL020)

陳春林 1 中國人民解放軍第105醫(yī)院 安徽 合肥 230031

2016-10-12

Chinese Health Quality Management，2017,24(4):15-17

繩慧峰1劉 晴2許 蘋3陳春林1*

2 安徽醫(yī)科大學(xué)解放軍臨床學(xué)院 安徽 合肥 230031 3 第二軍醫(yī)大學(xué)衛(wèi)勤系衛(wèi)生事業(yè)管理教研室 上海 200433

陳春林：解放軍105醫(yī)院院長

E-mail：shenghuifeng8@163.com