劉超 周波 李清竹 張雅云 秦國偉 劉卓慧 胡光闊

摘要：目的：以云南省某醫(yī)院總收入為研究對象，對該醫(yī)院2013年收入數(shù)據(jù)進(jìn)行建模、預(yù)測。方法：根據(jù)醫(yī)院總收入特性，首先對醫(yī)院總收入進(jìn)行分類，分類后分別建立適合各類別的LSSVM模型。結(jié)果：相比單一預(yù)測模型預(yù)測精度高，對30個樣本點(diǎn)預(yù)測平均相對誤差為4.95%。結(jié)論：醫(yī)院總收入直接反映了醫(yī)院的業(yè)務(wù)情況、籌資結(jié)構(gòu)和經(jīng)濟(jì)效益，與醫(yī)院的可持續(xù)發(fā)展息息相關(guān)，且各因素之間的關(guān)系是模糊的，很難依據(jù)各影響因素進(jìn)行預(yù)測。本文充分考慮到醫(yī)院總收入的特性，利用建立的PNN-LSSVM模型對醫(yī)院總收入進(jìn)行預(yù)測，為醫(yī)院制訂中、長期發(fā)展規(guī)劃提供依。

Abstract： Objective： To take the total income of a hospital in Yunnan Province as the research object， to model and predict the 2013 income data of the hospital. Methods： According to the characteristics of the hospital's total income， the hospital's total income is first classified， and the LSSVM models suitable for each category are established after classification. Results： Compared with the single prediction model， the prediction accuracy is high， and the average relative error for the 30 sample points is 4.95%. Conclusion： The hospital's total income directly reflects the hospital's business situation， fund raising structure and economic benefits， and is closely related to the sustainable development of the hospital. The relationship among various factors is ambiguous and it is difficult to predict based on various factors. This paper fully considers the characteristics of the hospital's total income， uses the established PNN-LSSVM model to predict the total hospital revenue， to provide guidance for hospitals to formulate medium and long-term development plans.

關(guān)鍵詞：醫(yī)院總收入預(yù)測；PNN-LSSVM模型；LSSVM建模

Key words： hospital revenue projections；PNN-LSSVM model；LSSVM model

中圖分類號：R197.3 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-4311（2018）14-0081-03

0 引言

醫(yī)院總收入預(yù)測是制訂醫(yī)院發(fā)展的中、長期規(guī)劃的依據(jù)。它直接反映了醫(yī)院的業(yè)務(wù)情況、籌資結(jié)構(gòu)和經(jīng)濟(jì)效益，與醫(yī)院的可持續(xù)發(fā)展息息相關(guān)。目前對醫(yī)院收入的預(yù)測主要有文獻(xiàn)[1]，金新政等通過建立GM（1，1）模型對醫(yī)院收入的發(fā)展趨勢進(jìn)行預(yù)測；蘆小娟[2]利用最小二乘法原理，運(yùn)用Excel軟件計算線性回歸方程，最后對住院收入進(jìn)行預(yù)測；景立偉[3]通過建立傳遞函數(shù)模型對醫(yī)院業(yè)務(wù)收入進(jìn)行預(yù)測；周蓮英[4]應(yīng)用相關(guān)直線回歸分析方法對門診以及住院收入進(jìn)行預(yù)測。醫(yī)院的收入還受較多因素的影響，如業(yè)務(wù)量、工作效率、醫(yī)療技術(shù)水平、醫(yī)院規(guī)模等，且各因素之間的關(guān)系是模糊的，很難依據(jù)各影響因素進(jìn)行預(yù)測。

針對以上情況，首先本文利用概率神經(jīng)網(wǎng)絡(luò)（PNN）對醫(yī)院總收入進(jìn)行分類，分類后根據(jù)不同時期醫(yī)院總收入情況建立LSSVM模型進(jìn)行預(yù)測，本文定義此方法為PNN-LSSVM模型。根據(jù)醫(yī)院總收入特性，本文通過建立PNN-LSSVM模型對醫(yī)院總收入進(jìn)行預(yù)測。

1 PNN-LSSVM模型建立

大量的研究表明，醫(yī)院總收入受到各種復(fù)雜因素的影響，導(dǎo)致醫(yī)院總收入是典型的非線性系統(tǒng)。而相空間重構(gòu)是根據(jù)有限的數(shù)據(jù)來重構(gòu)吸引子以研究系統(tǒng)動力行為的方法，即用系統(tǒng)的一個觀察量可以重構(gòu)出原動力系統(tǒng)模型。根據(jù)前文描述，為提高模型的預(yù)測精度，先是原始信息進(jìn)行重構(gòu)，再進(jìn)而分類。然后進(jìn)行訓(xùn)練模型、測試，最后對醫(yī)院總收入進(jìn)行預(yù)測。

1.1 醫(yī)院總收入概率神經(jīng)網(wǎng)絡(luò)（PNN）分類

概率神經(jīng)網(wǎng)絡(luò)（PNN）[7-8]是是徑向基網(wǎng)絡(luò)的一個分支，屬于前饋網(wǎng)絡(luò)的一種。概率神經(jīng)網(wǎng)絡(luò)一般有以下四層：輸入層、模式層、求和層和輸出層。概率型神經(jīng)網(wǎng)絡(luò)的基本拓?fù)浣Y(jié)構(gòu)如圖1所示。第一層為輸入層，這一層對輸入不做任何處理，只是簡單的將輸入向量X=[x1，x2，…，xL]傳遞給網(wǎng)絡(luò)；中間兩層為隱層，模式層通過連接權(quán)值與輸入層連接。計算輸入特征向量與訓(xùn)練集中各個模式的匹配程度，也就是相似度，將其距離送入高斯函數(shù)得到模式層的輸出。模式層在接收輸入向量X=[x1，x2，…，xL]后，第i類模式的第j個模式神經(jīng)元所確定的輸入輸出關(guān)系由下式來定義：

3 結(jié)論

醫(yī)院的收入受較多因素的影響，如業(yè)務(wù)量、工作效率、醫(yī)療技術(shù)水平、醫(yī)院規(guī)模等，且各因素之間的關(guān)系是模糊的，都給預(yù)測醫(yī)院總收入帶來較大困難。本文充分考慮到醫(yī)院總收入的特性，利用建立的PNN-LSSVM模型對醫(yī)院總收入進(jìn)行預(yù)測，相比單一預(yù)測模型預(yù)測精度高，對30個樣本點(diǎn)預(yù)測平均相對誤差為4.95%，為醫(yī)院制訂中、長期發(fā)展規(guī)劃提供依據(jù)。

參考文獻(xiàn)：

[1]梁景星.灰色系統(tǒng)理論在醫(yī)院總收入預(yù)測中的應(yīng)用[J].中國醫(yī)院統(tǒng)計，2013，20（1）：25-27.

[2]蘆小娟.二元回歸直線方程預(yù)測住院收入[J].中國醫(yī)院統(tǒng)計，2008，15（2）：163-164.

[3]景立偉，玉彤，王衛(wèi)琪.傳遞函數(shù)模型在醫(yī)院業(yè)務(wù)收人預(yù)測中的應(yīng)用[J].現(xiàn)代預(yù)防醫(yī)學(xué)，2007，34（20）：3858-3859.

[4]周蓮英，鄒文雄，賴伏虎.醫(yī)院經(jīng)濟(jì)收入統(tǒng)計分析及預(yù)測[J]. 中國醫(yī)院統(tǒng)計，2004，11（2）：134-136.

[5]N.H.Packard，J.PCrutchfietd， J.D.Farmer， et a1. Geometry from a time series.Phys.Rev.Lett，1980，45（9）：712-716.

[6]ETakens.Deterrning strange attractors in turbulence.Lecture notes in Math，1981，898：361-38l.

[7]Wasserman P D. Advanced Methods in Neural Computing [M]. New York： Van Nostrand Reinhold， 1993， 35-55.

[8]Romero R， Tourtzky D， et al. . Probabilistic Neural network classifiers for optical Chinese recognition [J]. Pattern Recognition， 1997， 8（30） ：1279-1292.

[9]Vapnik V N.The Nature of Statistical Learning Theory，2nd Edition.New York：Springer Verlag，1999.

[10]Suykens J A K，Gestel T V，Brabanter J D，et a1.Least Squares Support Vector Machines.Singapore：World Scientific Pub.Co.，2002.