韓江霞

（河南廣播電視大學(xué) 工商管理學(xué)院，河南 鄭州 450008）

城市住院患者醫(yī)療費(fèi)用支付的影響因素研究

韓江霞

（河南廣播電視大學(xué) 工商管理學(xué)院，河南 鄭州 450008）

通過(guò)收集某地區(qū)城市住院患者醫(yī)療費(fèi)用支付相關(guān)數(shù)據(jù)，采用SPSS Clementine軟件中的特征選擇算法篩選出對(duì)醫(yī)療費(fèi)用支付有重要影響的屬性，采用支持向量機(jī)方法研究住院天數(shù)、疾病類型等對(duì)醫(yī)療費(fèi)用支付的影響指數(shù)。從而更好地了解影響城市住院患者醫(yī)療費(fèi)用支付的主要因素。并提出從有效縮短住院時(shí)間，完善醫(yī)療保障制度、實(shí)行單病種限額付費(fèi)方式等方面來(lái)合理控制醫(yī)療費(fèi)用支付的保障策略。

住院患者；醫(yī)療費(fèi)用；影響因素

近年來(lái)，我國(guó)經(jīng)濟(jì)發(fā)展速度驚人，與此同時(shí)，卻面臨著人口老齡化加劇、重特大疾病患者增加等問(wèn)題。這使得我國(guó)居民對(duì)醫(yī)療的需求不斷增加，造成醫(yī)療需求大于醫(yī)療供給，從而導(dǎo)致很多居民不得不面臨“看病難，看病貴”［1］問(wèn)題。醫(yī)療費(fèi)用支付的日益增加，成為國(guó)家和人民共同關(guān)注的焦點(diǎn)，也成為眾多學(xué)者關(guān)注的研究領(lǐng)域。本文收集2015年某地區(qū)城市住院患者相關(guān)數(shù)據(jù)，運(yùn)用電子商務(wù)中數(shù)據(jù)挖掘相關(guān)理論知識(shí)和方法，找出影響城市住院患者醫(yī)療費(fèi)用支出的主要因素，探討有效抑制醫(yī)療費(fèi)用上漲的策略，為醫(yī)療費(fèi)用的研究提供參考依據(jù)。

一、對(duì)象與方法

（一）研究對(duì)象

本文收集到2015年某地區(qū)城市居民住院患者醫(yī)療費(fèi)用支付相關(guān)數(shù)據(jù)。［2］收集的數(shù)據(jù)來(lái)自5224個(gè)家庭16113個(gè)人。未達(dá)到研究的合理性和科學(xué)性，應(yīng)剔除兒童、因生育孩子住院的婦女研究對(duì)象，并剔除家庭地址、住院編號(hào)等無(wú)關(guān)屬性。最終研究范圍包括374例城市住院患者的13個(gè)屬性：家庭人均收入、性別、年齡、就業(yè)狀況、醫(yī)院類型、文化程度、疾病類型、住院天數(shù)、鍛煉身體情況、出院原因、住院醫(yī)療費(fèi)用合計(jì)、付款方式和住院醫(yī)療費(fèi)用支付。［3］

（二）研究方法

用于影響因素分析的方法有很多，除了傳統(tǒng)的Logistic回歸法，數(shù)據(jù)挖掘中的人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法也都可以用于影響因素的篩選和排序。本文收集的2015年某地區(qū)城市住院患者數(shù)據(jù)包含了13個(gè)屬性，具有多維性的特點(diǎn)，分析變量和目標(biāo)值不具備正態(tài)性和方差齊的特征。相比于Logistic回歸法、人工神經(jīng)網(wǎng)絡(luò)法，數(shù)據(jù)挖掘中的支持向量機(jī)法模型和原理，與研究數(shù)據(jù)的方差齊、正態(tài)性等特點(diǎn)不相關(guān)，只與研究對(duì)象的數(shù)量相關(guān)。因此，本文通過(guò)SPSS Clementine軟件，采用特征選擇算法篩選出對(duì)醫(yī)療費(fèi)用支付有重要影響的因素；采用支持向量機(jī)方法對(duì)關(guān)鍵影響因素進(jìn)行重要性排序。［4］

二、建模研究過(guò)程

本文通過(guò)特征選擇、K-means聚類分析、支持向量機(jī)、精確度評(píng)價(jià)四個(gè)步驟進(jìn)行2015年某地區(qū)城市住院患者醫(yī)療費(fèi)用支付影響因素的分析。

（一）特征選擇

本文收集的2015年某地區(qū)城市住院患者醫(yī)療費(fèi)用支付相關(guān)數(shù)據(jù)，在數(shù)據(jù)屬性上，雖然人為剔除了部分不相關(guān)屬性，但仍存在屬性重復(fù)、屬性不相關(guān)的情況。本文通過(guò)SPSS Clementine軟件［5］，運(yùn)用特征選擇算法，針對(duì)研究數(shù)據(jù)，從13個(gè)屬性中剔除冗余和不相關(guān)的屬性，降低研究數(shù)據(jù)的維度。

特征選擇算法經(jīng)過(guò)篩選、分級(jí)、選擇三個(gè)過(guò)程。篩選過(guò)程，即剔除存在空缺值、不合理值的相關(guān)研究對(duì)象和屬性；分級(jí)過(guò)程，即用important值標(biāo)記每個(gè)分析變量相較于目標(biāo)值的重要指數(shù)；選擇過(guò)程，即根據(jù)用戶要求，選擇參與建模的分析變量。其中，在分級(jí)過(guò)程中，研究對(duì)象的所有分析變量的重要性指數(shù)可以分為三類：important（重要）、marginal（一般重要）和unimportant（不重要）。根據(jù)數(shù)據(jù)挖掘和特征選擇相關(guān)理論知識(shí)，我們將小于0.9的分析變量定義為unimportant，大于0.9小于等于0.95的分析變量定義為marginal，而大于0.95小于等于1.0的分析變量定義為important。我們針對(duì)374例城市住院患者醫(yī)療費(fèi)用支付相關(guān)數(shù)據(jù)，通過(guò)特征選擇算法建模，特征選擇的結(jié)果如下圖1所示。

圖1中，有7個(gè)分析變量的重要性指數(shù)被定義為了important，分別是住院醫(yī)療費(fèi)用合計(jì)、住院天數(shù)、付款方式、疾病類型、醫(yī)院類型、出院原因、就業(yè)狀況；有5個(gè)分析變量的重要性指數(shù)被定義為了unimportant，分別是年齡、家庭人均收入、性別、文化程度、鍛煉身體次數(shù)。根據(jù)研究對(duì)象特征，本文選取重要性指數(shù)被定義為了important的7個(gè)分析變量作為特征選擇算法的結(jié)果，用于后續(xù)進(jìn)一步建模研究。

（二）K-means聚類分析

特征選擇建模能夠?qū)⒂绊戓t(yī)療費(fèi)用支付的重要因素篩選出來(lái)，但不能夠全面考慮數(shù)據(jù)本身對(duì)研究結(jié)果的可靠性和實(shí)際性影響，這在一定程度上，會(huì)使研究結(jié)果精確度降低。因此，本文在特征選擇的基礎(chǔ)上，采用K-means聚類分析對(duì)2015年某地區(qū)城市住院患者醫(yī)療費(fèi)用支付數(shù)據(jù)進(jìn)行科學(xué)分類，以降低數(shù)據(jù)支付維數(shù)，提高精確度。

本研究采用K-means聚類算法對(duì)研究對(duì)象的目標(biāo)值分別聚為2類、3類、4類和5類，進(jìn)行結(jié)果分析。聚為2類時(shí)，分別有353、21個(gè)數(shù)據(jù)，數(shù)據(jù)差異較大，分布合理。聚為3、4、5類時(shí)，出現(xiàn)了在一個(gè)或兩個(gè)類別中僅有極少個(gè)數(shù)據(jù)的情況，這被稱為“孤立點(diǎn)”，不具備客觀代表性，會(huì)降低支持向量機(jī)建模的精確性。因此，本研究選取將2015年某地區(qū)城市住院患者醫(yī)療費(fèi)用支付聚為2類。

（三）支持向量機(jī)

圖1 特征選擇算法建模結(jié)果［6］

數(shù)據(jù)挖掘方法中的支持向量機(jī)主要用于對(duì)數(shù)據(jù)集的分類和預(yù)測(cè)，相比于傳統(tǒng)的Logistic回歸法、人工神經(jīng)網(wǎng)絡(luò)法，不要求數(shù)據(jù)的方差齊和正態(tài)性條件，具有解決多維數(shù)據(jù)、非線性數(shù)據(jù)的特有優(yōu)勢(shì)。支持向量機(jī)用于影響因素分析和影響因子排序的基本原理是，將研究數(shù)據(jù)作為建模對(duì)象，從特征空間中能夠有效分開(kāi)兩類樣本的超平面。根據(jù)數(shù)據(jù)挖掘和支持向量機(jī)相關(guān)理論知識(shí)，將超平面看作一個(gè)分類器，超平面兩端的變量值分別定義為+1和-1，而分析變量在超平面的位置決定了其對(duì)目標(biāo)值的影響程度。支持向量機(jī)建模的最終解，旨在找到能將不同分析變量間隔距離最大的平面，即最大間隔分類器。另外，核函數(shù)的設(shè)置是支持向量機(jī)建模的關(guān)鍵問(wèn)題。SPSSClementine軟件中包含了線性、二層神經(jīng)網(wǎng)絡(luò)、多項(xiàng)式和RBF四種核函數(shù)。本研究選擇RBF核函數(shù)對(duì)2015年某地區(qū)城市住院患者醫(yī)療費(fèi)用支付相關(guān)數(shù)據(jù)進(jìn)行支持向量機(jī)建模。將特征選擇算法選擇的7個(gè)分析變量：住院醫(yī)療費(fèi)用合計(jì)、住院天數(shù)、付款方式、疾病類型、醫(yī)院類型、出院原因、就業(yè)狀況，作為自變量；醫(yī)療費(fèi)用支付作為因變量。支持向量機(jī)建模結(jié)果如下圖2所示。

圖2 支持向量機(jī)建模結(jié)果［7］

支持向量機(jī)建模結(jié)果顯示，對(duì)于2015年某地區(qū)城市住院患者，醫(yī)療費(fèi)用支付的的影響因子從大到小排序是：出院原因 0.1554，就業(yè)狀況0.1471，醫(yī)院類型0.1462，住院醫(yī)療費(fèi)用合計(jì)0.1455，住院天數(shù)0.1409，疾病類型0.138，付款方式0.1269。

（四）精確度評(píng)價(jià)

對(duì)于支持向量機(jī)建模結(jié)果的精確度，本文采用損失矩陣，即模型分類或者預(yù)測(cè)的正確數(shù)量和錯(cuò)誤數(shù)量來(lái)評(píng)價(jià)。如下表1是對(duì)于二分類問(wèn)題的損失矩陣表格。其中，P11表示對(duì)于類別1正確預(yù)測(cè)為類別1的數(shù)量，P01表示對(duì)于類別0錯(cuò)誤的預(yù)測(cè)為類別1的數(shù)量，P10表示對(duì)于類別1錯(cuò)誤的預(yù)測(cè)為類別0的數(shù)量，P00表示對(duì)于類別0正確預(yù)測(cè)為類別的數(shù)量。即：二分類問(wèn)題中，預(yù)測(cè)正確的數(shù)量為P11+P00，預(yù)測(cè)錯(cuò)誤的數(shù)量為P10+P01。支持向量機(jī)預(yù)測(cè)和分類的精確度可以表示為：

表1 二分類問(wèn)題的損失矩陣

對(duì)于2015年某地區(qū)城市住院患者醫(yī)療費(fèi)用支付相關(guān)數(shù)據(jù)建立支持向量機(jī)模型時(shí)，P11、P01、P10、P00的取值分別是346、3、7、18，經(jīng)計(jì)算，模型精確度為97.33%。因此，支持向量機(jī)模型用于城市住院患者醫(yī)療費(fèi)用支付影響因素的分析具有較高的精確度。

三、討論與建議

通過(guò)支持向量機(jī)建模結(jié)果可知，2015年某地區(qū)城市住院患者醫(yī)療費(fèi)用支付的最重要的影響因素是患者的出院原因，這是因?yàn)樵谕葪l件下，久病未愈的患者支付的住院醫(yī)療費(fèi)用一般高于病愈后醫(yī)生要求出院的患者；就業(yè)狀況對(duì)醫(yī)療費(fèi)用支付也有較大的影響，就業(yè)穩(wěn)定的患者一般情況下比就業(yè)不穩(wěn)定的患者更樂(lè)于選擇較好的醫(yī)院、病房、醫(yī)師，因此產(chǎn)生的支付費(fèi)用也相對(duì)較高；醫(yī)院類型對(duì)醫(yī)療費(fèi)用支付的影響非常直接，一般三甲醫(yī)院要比普通醫(yī)院的環(huán)境、服務(wù)更好，收費(fèi)也相應(yīng)較高；醫(yī)療費(fèi)用合計(jì)越多，在扣除相關(guān)醫(yī)療報(bào)銷的基礎(chǔ)上，患者支付費(fèi)用也相對(duì)較多；患者住院天數(shù)越多，接受醫(yī)療服務(wù)和治療越多，支付費(fèi)用也相對(duì)較多［9］；重特大疾病或者罕見(jiàn)復(fù)雜的疾病類型，患者支付費(fèi)用也相對(duì)較高；付款方式對(duì)支付費(fèi)用的影響也是顯而易見(jiàn)的，自費(fèi)醫(yī)療患者支付費(fèi)用相比采用商業(yè)保險(xiǎn)、城市職工基本醫(yī)療保險(xiǎn)等方式付款的費(fèi)用較高?；诖?，為合理控制醫(yī)療費(fèi)用支付，政府和醫(yī)療機(jī)構(gòu)可以從以下兩方面做出改善。［10］

（一）減少無(wú)效住院天數(shù)

住院時(shí)間直接影響患者診斷治療費(fèi)用、藥費(fèi)、護(hù)理費(fèi)、床位費(fèi)等，進(jìn)而影響患者的醫(yī)療服務(wù)總費(fèi)用。患者住院時(shí)間長(zhǎng)，主要有以下情形：患者住院前期檢查周期長(zhǎng)、患者出現(xiàn)并發(fā)癥、患者手術(shù)后康復(fù)時(shí)間長(zhǎng)、患者為了獲得較高的醫(yī)療保險(xiǎn)賠償額度等。

醫(yī)療服務(wù)機(jī)構(gòu)應(yīng)該盡量減少患者無(wú)效住院時(shí)間。例如，將省、市級(jí)醫(yī)院的常見(jiàn)病種住院診斷和服務(wù)下放到社區(qū)醫(yī)院，規(guī)范醫(yī)生診斷行為，禁止醫(yī)生將患者的小病當(dāng)作大病醫(yī)治，杜絕患者及醫(yī)生在醫(yī)療保險(xiǎn)中的道德風(fēng)險(xiǎn)，從而在一定程度上減少患者無(wú)效住院時(shí)間，控制醫(yī)療服務(wù)費(fèi)用支付的不斷上漲。

（二）完善醫(yī)療保障制度，實(shí)施單病種限額付費(fèi)制度

支付方式對(duì)醫(yī)療費(fèi)用的高低有較大影響。一方面，自建立城市職工醫(yī)療保險(xiǎn)和城市居民醫(yī)療保險(xiǎn)以來(lái)，我國(guó)醫(yī)療費(fèi)用支付有所降低。另一方面，自費(fèi)醫(yī)療患者支付費(fèi)用相比采用商業(yè)保險(xiǎn)、城市職工基本醫(yī)療保險(xiǎn)等方式付款的費(fèi)用高?；谶@兩方面，很多醫(yī)療機(jī)構(gòu)和醫(yī)護(hù)人員會(huì)針對(duì)自費(fèi)醫(yī)療的患者給予過(guò)度服務(wù)、過(guò)度檢查。

為有效避免上述趨勢(shì)的加劇，我國(guó)政府應(yīng)繼續(xù)不斷修改和完善我國(guó)醫(yī)療保障制度。我們不僅要對(duì)現(xiàn)有醫(yī)療保險(xiǎn)制度進(jìn)行有效全面監(jiān)督實(shí)施，還要努力做好城市職工醫(yī)保與城市居民醫(yī)保的銜接，探索異地就醫(yī)、異地結(jié)算制度。除此之外，我國(guó)政府應(yīng)出臺(tái)相關(guān)政策，對(duì)常見(jiàn)病種實(shí)施單病種醫(yī)療限額付費(fèi)，限定常見(jiàn)病種的最高支付標(biāo)準(zhǔn)，從而達(dá)到控制醫(yī)療支付的過(guò)度增長(zhǎng)。

［1］杜修立，俞喬.住院醫(yī)療費(fèi)用的影響因素研究：基于醫(yī)院樣本的實(shí)證分析［J］.中國(guó)衛(wèi)生經(jīng)濟(jì)，2011，30（2）：59-61.

［2］李矛，郝艷華，吳紅宇.醫(yī)保與非醫(yī)保梗死患者費(fèi)用比較與影響因素分析［J］.中國(guó)衛(wèi)生經(jīng)濟(jì)，2013，32（11）：27-29.

［3］辛一琪，胡正路.急性心肌梗死患者住院費(fèi)用構(gòu)成及影響因素分析［J］.中國(guó)衛(wèi)生經(jīng)濟(jì)，2011，30（8）：66-69.

［4］沈培.基于數(shù)據(jù)挖掘的甲肝醫(yī)療費(fèi)用影響因素與控制策略研究［D］.武漢：華中科技大學(xué)管理學(xué)院研究所，2012.

［5］熊平.數(shù)據(jù)挖掘算法與Clementine實(shí)踐［M］.北京：清華大學(xué)出版社，2011：15-68.

［6］薛薇，陳歡歌.基于 Clementine的數(shù)據(jù)挖掘［M］.北京：中國(guó)人民大學(xué)出版社，2012.

［7］沈培，張吉?jiǎng)P，張子剛.基于支持向量機(jī)的單病種醫(yī)療費(fèi)用控制研究［J］.中國(guó)衛(wèi)生經(jīng)濟(jì)，2012，31（3）：89-91.

［8］韓江霞.醫(yī)療費(fèi)用支付影響因素差異性研究［D］.長(zhǎng)春：吉林大學(xué)商學(xué)院研究所，2014.

［9］江鴻，梅文華，夏蘇建.再生障礙性貧血患者住院費(fèi)用及影響因素分析［J］.中國(guó)衛(wèi)生經(jīng)濟(jì)，2013，32（3）：40-42.

［10］呂淼，柯曼綦.關(guān)于影響我國(guó)農(nóng)村居民醫(yī)療費(fèi)用支付因素的探討［J］.北方經(jīng)濟(jì)，2008，（2）：18-24.

F201

A

1671-2862（2017）03-0022-04

2016-11-25

韓江霞，女，河南鄭州人，碩士研究生，河南廣播電視大學(xué)助教，研究方向：電子商務(wù)、數(shù)據(jù)挖掘等。