高洪達(dá) 馮啟明 陳荷 徐婷婷 駱國(guó)盛 趙勁民

(1廣西醫(yī)科大學(xué)信息與管理學(xué)院，廣西 南寧 530021；2廣西中醫(yī)藥大學(xué)公共衛(wèi)生與管理學(xué)院)

據(jù)統(tǒng)計(jì)，我國(guó)的高血壓患者已超過2億人，而60以上老年人高血壓患者占40%～50%〔1〕，平均每?jī)蓚€(gè)老人中就一個(gè)患有高血壓，高血壓已經(jīng)成為危害我國(guó)老年人健康的重大的個(gè)公共衛(wèi)生問題〔2〕。但是，由于高血壓多病情復(fù)雜、病程較長(zhǎng)且不容易治愈，需要消耗較多的醫(yī)療衛(wèi)生資源，不僅給高血壓患者帶來較大的經(jīng)濟(jì)負(fù)擔(dān)，還不斷助推著住院費(fèi)用的增長(zhǎng)〔3〕。從2004年開始，我國(guó)心腦血管的住院費(fèi)用不斷上升，增速甚至超過了國(guó)民生產(chǎn)總值(GDP)〔4〕。本文旨在分析高血壓患者住院費(fèi)用的影響因素。

1 資料來源與方法

1.1資料來源 數(shù)據(jù)來源于廣西某大型三甲綜合醫(yī)院2012～2016年病案首頁(yè)，根據(jù)國(guó)際疾病分類標(biāo)準(zhǔn)(ICD-10)，選取出院診斷為高血壓1級(jí)165例、高血壓2級(jí)796例和高血壓3級(jí)2 060例患者，ICD-10分類為I10.X03、I10.X04、I10.X05。通過HIS系統(tǒng)收集住院患者病案首頁(yè)信息，剔除標(biāo)準(zhǔn)：數(shù)據(jù)缺失、住院天數(shù)低于2 d或者高于90 d及住院費(fèi)用500元以下或10萬(wàn)元以上的病例予以剔除，經(jīng)篩選共有3 021例住院患者進(jìn)入研究。指標(biāo)的選擇根據(jù)病案首頁(yè)所能收集到的信息，其中費(fèi)用指標(biāo)采用高血壓患者住院總費(fèi)用；影響因素指標(biāo)：性別、民族、婚姻、血型、入院途徑、醫(yī)療付款方式、高血壓等級(jí)、年齡、住院次數(shù)、并發(fā)癥數(shù)量及實(shí)際住院天數(shù)等。軟件的選擇：數(shù)據(jù)存儲(chǔ)選用Microsoft Visual FoxPro9.0軟件，數(shù)據(jù)的篩選及多元線性回歸擬合分析采用 SPSS19.0軟件進(jìn)行，對(duì)于BP神經(jīng)網(wǎng)絡(luò)(BPANN)的數(shù)據(jù)擬合分析采用Clementine12.0 進(jìn)行。

1.2BP ANN模型

1.2.1基本原理 人工ANN是一種模擬生物神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，它從信息處理的角度對(duì)人腦的神經(jīng)元網(wǎng)絡(luò)進(jìn)行抽象，并根據(jù)連接方式的不同組成不同的網(wǎng)絡(luò)模型。BP ANN是人工ANN的一種，是按誤差反向相傳播訓(xùn)練的多層前饋網(wǎng)絡(luò)，基本思想是梯度下降法，利用梯度搜索技術(shù)實(shí)現(xiàn)網(wǎng)絡(luò)期望輸出和實(shí)際輸出的誤差均方差最小，基本結(jié)構(gòu)見圖1。

圖1 BP ANN模型算法結(jié)構(gòu)圖

BP ANN包含輸入層、隱藏層和輸出層，每一層包含若干神經(jīng)元，不同層神經(jīng)元之間由權(quán)值w連接，其基本過程包含信息的正向傳播和誤差的反向傳播：信息的正向傳播時(shí)，信息從輸入層經(jīng)過隱藏層處理后進(jìn)入輸出層，如果輸出的信息達(dá)不到期望水平，則進(jìn)入誤差的反向傳播，即將誤差信號(hào)沿原來信息在神經(jīng)元間傳播的路徑返回，在返回的過程中逐個(gè)修改各層中神經(jīng)元的權(quán)值。此過程不斷循環(huán)，權(quán)重不斷調(diào)整，直到實(shí)際輸出和期望輸出間的誤差達(dá)到允許的范圍內(nèi)，這也是ANN的訓(xùn)練過程〔5～7〕。

Δwij=l×ErrjOi(權(quán)重增值)；wij=wij+Δwij(權(quán)重更新)

Δθj=l×Errj(偏差增值)；θj=θj+Δθj(偏差更新)。

其中，l是學(xué)習(xí)率，通常取0～1之間的常數(shù)值。

④若前一周期所有的△wij都小于某個(gè)閥值或錯(cuò)誤率小于某一閥值或者超過預(yù)先制定的周期數(shù)，則終止訓(xùn)練；否則輸入下一樣本，帶入①繼續(xù)訓(xùn)練。(4)網(wǎng)絡(luò)測(cè)試：使用測(cè)試集對(duì)訓(xùn)練所得的網(wǎng)絡(luò)模型進(jìn)行測(cè)試。

1.2.3多元線性回歸模型 多元線性回歸法是研究多個(gè)自變量和一個(gè)因變量之間的線性關(guān)系的方法，是以多個(gè)自變量的已知值為條件的回歸分析。多元線性回歸分析法的數(shù)學(xué)模型為：Y=β0+β1X1+β2X2+…+βPXP，其中Y為因變量，Xi為自變量(i=1，2，3，…，p)，βi為Xi回歸系數(shù)，可根據(jù)模型中回歸系數(shù)的大小判斷自變量對(duì)因變量的影響大小。待模型各變量系數(shù)求出后，需對(duì)模型整體線性的意義進(jìn)行檢驗(yàn)(方差分析，α=0.05)及對(duì)各變量系數(shù)及常量的意義進(jìn)行檢驗(yàn)(t檢驗(yàn)，α=0.05)。

2 結(jié) 果

2.1住院費(fèi)用一般情況 不同高血壓等級(jí)間住院費(fèi)用差異無(wú)統(tǒng)計(jì)學(xué)意義(高血壓1級(jí)7 040.25元、2級(jí)7 173.29元、3級(jí)7 365.95元，Z=2.769，P=0.25)。

2.2分類變量的賦值 分類變量賦值：X1：性別(男=1，女=2)、X2：民族(漢族=1，壯族=2，其他=3)、X3：婚姻〔未婚=1，已婚=2，喪偶=3，離婚=4(剔除婚姻為“其他”的類別)〕、X4：血型〔A型=1，B型=2，O型=3，AB型=4，未查=5(剔除血型“不詳”的類別)〕、X5：入院途徑〔急診=1，門診=2，其他醫(yī)療機(jī)構(gòu)轉(zhuǎn)入=3(剔除入院途徑為“其他”的類別)〕、X6：醫(yī)療付款方式(剔除組內(nèi)樣本數(shù)小于5的分組)〔城鎮(zhèn)職工醫(yī)保=1，城鎮(zhèn)居民醫(yī)保=2，新農(nóng)合=3，全公費(fèi)=4，全自費(fèi)=5，其他付款方式=6(剔除醫(yī)療付款方式為“其他”的類別)〕、X7：高血壓等級(jí)(高血壓1級(jí)=1，高血壓2級(jí)=2，高血壓3級(jí)=3)、定量變量：住院次數(shù)(X9)、年齡(X8)、實(shí)際住院天數(shù)(Xi1)、并發(fā)癥數(shù)量(X10)賦值為原始值。

2.3BP ANN模型分析 經(jīng)BP ANN分析，模型估計(jì)準(zhǔn)確度為96.944%，輸入層包含31個(gè)單元，隱藏層(1層)包含39個(gè)單元，輸出層為1個(gè)單元，訓(xùn)練集和測(cè)試集分別占樣本量的70%和30%，各影響因素重要程度：實(shí)際住院天數(shù)為59.8%、并發(fā)癥數(shù)量為10.5%、醫(yī)療付款方式為7.5%、住院次數(shù)為6.0%、入院途徑為4.8%、婚姻為3.2%、血型為3.2%、性別為1.6%、年齡為1.4%、民族為1.1%、高血壓等級(jí)為1.0%，可知經(jīng)BP ANN模型的分析，各變量重要程度排名前2分別為實(shí)際住院天數(shù)和并發(fā)癥數(shù)量，重要程度在10%以上。

2.4多元線性回歸模型分析結(jié)果 根據(jù)單樣本的Kolmogorov-Smirnov檢驗(yàn)得出，統(tǒng)計(jì)量Z=10.803，P=0.000<0.05，住院費(fèi)用變量不符合正態(tài)分布，因此不同組建費(fèi)用的比較采用分參數(shù)檢驗(yàn)，具體選擇多個(gè)樣本的Kruskal-WallisH檢驗(yàn)。分析得出僅有婚姻、血型、性別和醫(yī)療付款方式變量組間存在差異(見表1)，因此將婚姻、血型、性別、醫(yī)療付款方式以及定量變量(住院次數(shù)、年齡、實(shí)際住院天數(shù)、并發(fā)癥數(shù)量)作為多元線性回歸模型自變量進(jìn)行下一步分析。

表1 分類變量的非參數(shù)檢驗(yàn)結(jié)果

經(jīng)Kruskal-WallisH檢驗(yàn)經(jīng)得出，僅X1、X3、X4、X6變量的住院費(fèi)用差異有統(tǒng)計(jì)學(xué)意義(P<0.05)，因此將該4個(gè)分類變量納入多元線性回歸模型自變量。在帶入多元線性回歸方程前，需要對(duì)分類變量進(jìn)行啞變量的轉(zhuǎn)換，其中將男性、已婚、血型O型、醫(yī)療付款方式城鎮(zhèn)職工基本醫(yī)療保險(xiǎn)的類別設(shè)為參考變量。進(jìn)而以性別、婚姻、血型、醫(yī)療付款方式、實(shí)際住院天數(shù)、并發(fā)癥數(shù)量、住院次數(shù)及年齡為為自變量，住院費(fèi)用為因變量進(jìn)行多元線性回歸分析，經(jīng)多元線性回歸模型擬合后得出，回歸方程為：Y=1 300.939+701.718×X11+513.527×X10-1227.028×X4(X4=5)-1 287.864×X1(X1=2)-60.764×X9+677.873×X4(X4=2)+5 141.983×X6(X6=4)，見表2。

表2 多元線性回歸分析結(jié)果

方差分析得出方程F=402.884，P=0.000<0.05，回歸方程有意義。

從多元線性回歸分析的結(jié)果中，可以了解到各因素對(duì)老年高血壓住院費(fèi)用影響具體的數(shù)值關(guān)系，其中實(shí)際住院天數(shù)、并發(fā)癥數(shù)量、血型B型、醫(yī)療付款方式全公費(fèi)與住院費(fèi)用呈正相關(guān)，回歸分析中所選取的參考類別為O型血，即B型血高血壓患者的住院費(fèi)用比O型血患者高677.873元，而醫(yī)療付款方式變量所選取的參考類別=城鎮(zhèn)職工基本醫(yī)療保險(xiǎn)，即全公費(fèi)高血壓患者的住院費(fèi)用比城鎮(zhèn)職工醫(yī)?；颊吒? 141.983元。

負(fù)相關(guān)的自變量有女性、血型未查和住院次數(shù)，表示女性高血壓患者的住院費(fèi)用比男性患者低1 287.864元，未進(jìn)行血液檢查的高血壓患者的住院費(fèi)用比查血為O型血患者低1 227.028元，高血壓患者住院次數(shù)每增加一次住院費(fèi)用減少60.764元。見表2。

2.5兩模型誤差結(jié)果 通過對(duì)兩種方法模型的誤差指標(biāo)的計(jì)算，得出BP ANN模型的調(diào)整R2高于多元線性回歸模型，RMSE的比較顯示，BP ANN模型誤差相對(duì)要小，見表3。

表3 兩種模型誤差對(duì)比

3 討 論

本研究結(jié)果暗示未知因素對(duì)老年高血壓住院費(fèi)用存在影響。綜合兩個(gè)模型擬合結(jié)果，實(shí)際住院天數(shù)和并發(fā)癥數(shù)量因素為老年高血壓患者住院費(fèi)用的主要影響因素。

實(shí)際住院天數(shù)對(duì)住院費(fèi)用產(chǎn)生正向影響在很多學(xué)者的研究中有出現(xiàn)〔10～13〕，屬于醫(yī)院可以控制的因素，住院天數(shù)的增加必然消耗更多的醫(yī)療資源，需要更多的治療、藥品、檢查等。因此，在保證醫(yī)療質(zhì)量的前提下，適當(dāng)降低住院患者平均住院日，不僅可以降低患者醫(yī)療費(fèi)用，還可以提升病床的使用效率，減少醫(yī)院資源的浪費(fèi)和不必要醫(yī)療行為的發(fā)生。有研究顯示〔14〕，臨床路徑不會(huì)因?yàn)椴∪嘶蛘哚t(yī)生的不同，導(dǎo)致住院天數(shù)或者費(fèi)用的差異，從而達(dá)到規(guī)范醫(yī)療行為，提高服務(wù)效率，減少住院天數(shù)和醫(yī)療資源的浪費(fèi)，從而達(dá)到降費(fèi)的目的。并發(fā)癥的數(shù)量雖然不屬于醫(yī)院的可控范圍，但與住院天數(shù)類似，并發(fā)癥越多同樣需要更多的治療或檢查，進(jìn)而導(dǎo)致費(fèi)用的增加。

B型血高血壓患者住院費(fèi)用比O型血高，根據(jù)李宗智等〔15〕研究，可能是由于B型血患者學(xué)業(yè)黏稠度高，容易形成腦血栓，進(jìn)而增加高血壓患者的住院治療難度；而對(duì)于未進(jìn)行血液檢查的高血壓患者住院費(fèi)用低，原因可能在于未進(jìn)行血液檢查意味著省去了部分檢查費(fèi)用，或者是病情較輕不需要進(jìn)行血液檢查，治療難度低，而費(fèi)用也自然相對(duì)較低。性別方面對(duì)高血壓患者住院費(fèi)用的影響，與其他研究結(jié)果類似〔16〕，可能是由于男女患者生理結(jié)構(gòu)或體制上的差值，導(dǎo)致治療方案和醫(yī)療資源需求量的不同，引起的費(fèi)用差異。

住院次數(shù)，即本次住院為第幾次住院，從多元線性回歸分析的結(jié)果可以看到，該因素與住院費(fèi)用呈負(fù)相關(guān)關(guān)系，即住院次數(shù)越多，所產(chǎn)生的住院費(fèi)用越低，原因可能在于住院次數(shù)越多，對(duì)自身疾病越了解，且有前期的病例記錄，省去了一些重復(fù)的檢查等環(huán)節(jié)，醫(yī)院對(duì)患者的治療更有針對(duì)性，進(jìn)而對(duì)手術(shù)或者用藥會(huì)更明確，實(shí)現(xiàn)降費(fèi)的效果。

對(duì)于醫(yī)療付款方式對(duì)住院費(fèi)用的影響主要體現(xiàn)在，全公費(fèi)高血壓患者的住院費(fèi)用較高，此類結(jié)果在其他學(xué)者研究中也有所出現(xiàn)〔17〕，原因可能在于對(duì)于醫(yī)?；颊叨?，雖然醫(yī)療保險(xiǎn)可以報(bào)銷一部分，但是自身也要承擔(dān)一部分費(fèi)用，因此會(huì)對(duì)治療或藥物的價(jià)格有所顧忌，會(huì)盡量減少不要的檢查，而全公費(fèi)的患者由于住院費(fèi)用全部報(bào)銷，因此在治療過程中不會(huì)過多在意治療藥物和檢查項(xiàng)目的價(jià)格情況，進(jìn)而導(dǎo)致需求膨脹，追求更好的醫(yī)療服務(wù)〔18，19〕；對(duì)于醫(yī)院而言，由于醫(yī)保對(duì)醫(yī)院總量控制，所以醫(yī)院也會(huì)盡量減少藥品或檢查的開支，也會(huì)導(dǎo)致醫(yī)保患者比公費(fèi)患者費(fèi)用低。

ANN模型處理非線性數(shù)據(jù)資料能力比傳統(tǒng)方法要強(qiáng)〔20〕。而且神經(jīng)網(wǎng)路模型對(duì)數(shù)據(jù)資料的分布情況無(wú)要求，具有容錯(cuò)性，因此可以運(yùn)用神經(jīng)網(wǎng)絡(luò)模型處理復(fù)雜問題，例如費(fèi)用的預(yù)測(cè)等。而多元線性回歸模型在進(jìn)行數(shù)據(jù)的擬合過程中，容易受到變量間相關(guān)性的干擾，且在有等級(jí)或者分類數(shù)據(jù)資料時(shí)，結(jié)果容易受到等級(jí)或者類別物理數(shù)值的影響，進(jìn)而出現(xiàn)偏差〔7〕。兩種方法結(jié)合使用可增加結(jié)果的科學(xué)性和可信度，針對(duì)兩種模型的特點(diǎn)和優(yōu)勢(shì)，可以采用神經(jīng)網(wǎng)絡(luò)進(jìn)行費(fèi)用的預(yù)測(cè)，使用多元線性回歸模型直觀反映各因素與費(fèi)用間的具體數(shù)值關(guān)系。

本研究?jī)赡Ｐ偷恼`差分析結(jié)構(gòu)說明ANN模型對(duì)數(shù)據(jù)的擬合效果更好，此現(xiàn)象和其他學(xué)者〔20〕研究相類似。而多元線性回歸模型給出的結(jié)果僅能解釋患者住院總費(fèi)用信息量的48.35%(R2=48.35%)，剩下的51.65%的信息通過其他未研究到的因素來解釋，如某些由于未考慮到或技術(shù)手段無(wú)法獲知等原因，未納入該研究的因素所造成的影響，例如政策的刺激、技術(shù)設(shè)備的提升、費(fèi)用結(jié)構(gòu)調(diào)整或醫(yī)保制度的改變等因素，這一點(diǎn)也提示仍然有很多影響因素需要進(jìn)一步探討。