李盼盼, 李 芳, 趙 浩, 王松柏
(1.福建農林大學金山學院,福建 福州350002;2.廣東省江門市婦幼保健院,廣東 江門529030)
門診是醫(yī)院提供服務的一個重要窗口,兒科的門診患者主要是婦產兒,需要對其采用大數據分析決策,進行科學的預警分析,構建合理的預測模型及分級診療預警,保障醫(yī)院資源合理高效配置,提高各項工作的預見性和主動性。
研究數據來源于江門市婦幼保健院2017年—2019年兒科日門診量數據,兒科門診分布存在一定的季節(jié)變動,高峰期為第二季度,低谷期為第一季度,通過MATLAB軟件對兒科診療工作的總人次數,患者來院就診的門診、急診人次等數據進行可視化處理,識別差異化的離散數據,得到數據變化規(guī)律,從而可以有效掌握數據的變動趨勢,對合理配置醫(yī)療資源提供可靠的保障[1]。
據統(tǒng)計2017年兒科日平均門診量有668人次,2018年兒科日平均門診量有694人次,2019年兒科日平均門診量有753人次。挖掘到的數據運用MATLAB繪制三維點如圖1所示:
圖1 2017-2019兒科日門診量
從圖1可以觀察到門診量集中在(600,800)范圍之間。對醫(yī)生與門診量的數據采用一元線性回歸法,在構建每日醫(yī)生出診人次數與當日門診量之間的線性關系的基礎上,運用最小二乘法對模型參數進行估計,構建出預警模型,并運用卡方檢驗、相關性分析對模型進行檢驗,保障構建模型合理科學,為醫(yī)院資源配置起到科學的指導作用,為應對突發(fā)性規(guī)模性疾病反應更迅速。
采用R語音、MATLAB軟件對兒科門診數據進行統(tǒng)計分析,采用神經網絡、線性回歸分析、相關性分析,對挖掘數據信息進行分析。將兒科日門診量進行標準化處理,運用神經網絡思想進行定義預警門閥值,具體如下:
1)日門診量在[0,0.25),為一級兒科門診診療水平。
2)日門診量在[0.25,0.50),為二級兒科門診診療水平。
3)日門診量在[0.50,0.75),為三級兒科門診診療水平。
4)日門診量在[0.75,+∞),為四級兒科門診診療水平。
采用這種單一分類節(jié)點,可能對閥值進行微調,調整前會運用專家問詢、頭腦風暴等方法進行分析,進行科學論證后再對閥值進行微調,保障兒科門診診療水平分級更科學、更實際。
在構建一元回歸模型的過程中,回歸系數的精確估計需要采用最小二乘法,構建的回歸方程與y i之差稱為估計誤差或為殘差,回歸方程為+e i,e i的大小是衡量估計量的回歸系數好壞的最重要標志,令:
使Q達到最小估計出回歸系數由多元微分可知,讓Q達到最小必須滿足如下條件:
這里,n是樣本數據的組數。通過化解求解上述方程組
通過最小二乘法對構建的回歸模型參數進行估計,最終確定相應的回歸模型。
根據2017年—2019年兒科日門診量數據信息,運用MATLAB軟件對數據信息進行可視化處理,對差異的離散數據信息進行識別,分別繪制二維圖、三維圖、箱線圖等,從多方面、多角度觀察其分別情況。如圖2所示:
圖2 兒科門診量二維圖
從圖2中,可以觀察到2017-2019年三年日門診量變化趨勢基本相同,呈季節(jié)變化,基本上出現(xiàn)兩個峰值,兩個低谷。1-60天內出現(xiàn)第一個變化低谷期,70-200天內出現(xiàn)日門診人次量第一個峰值,趨勢比較平穩(wěn),而且日診療量較大,200-280天內,出現(xiàn)第二個低谷期,280-365天內會出現(xiàn)第二個峰值。
在數據進行標準化前,需要先對數據進行離散識別,采用箱線圖進行識別,三年平均日門診量為707人次,最低值為197人次,最高值為1056人次,,中位數為705人次。Q1為629人次,Q2為705人次,Q3為789人次。對差異數據進行分析,發(fā)現(xiàn)最低水平的日門診量均發(fā)生在每年春節(jié),對于高于最高水平的日門診量均發(fā)生春冬季交替期,門診量劇增。
對醫(yī)生人數進行構建模型,如圖3所示:
圖3 醫(yī)生平均診療水平數據模型一次函數
其擬合的一次函數為y=11.3789x+497.7391x為每日兒科醫(yī)生出診人次數,y為兒科平均日門診人次。通過構建模型有利于了解兒科醫(yī)生接診情況,面對突然爆發(fā)性疾病有效識別提供保障,為合理安排醫(yī)生提供保障。一方面有利于醫(yī)院合理配置醫(yī)療資源,讓每一位醫(yī)生在合理的時間內合理接診,不會由于分配不均而導致醫(yī)生接診負擔過重,另一方有利于對醫(yī)院兒科日門診量進行監(jiān)測,對突發(fā)性基本能夠快速識別,快速響應。
一級、二級兒科門診診療水平分布圖分別如圖4、圖5所示:
圖4 一級兒科門診診療水平分布圖
圖5 二級兒科門診診療水平分布圖
結合一級兒科門診診療水平分布圖,對該曲線進行擬合,構建一級診療模型,y=11.91x+310.37,模型檢驗為:
結合二級兒科門診診療水平分布圖,對該曲線進行擬合,構建二級診療模型,y=4.814x+626.007,模型檢驗為:
三級、四級兒科門診診療水平分布圖分別如圖6、圖7所示:
圖6 三級兒科門診診療水平分布圖
圖7 四級兒科門診診療水平分布圖
結合三級兒科門診診療水平分布圖,進行對該曲線進行擬合,構建三級診療模型,y=2.252x+759.083。模型檢驗為:
結合四級兒科門診診療水平分布圖,進行對該曲線進行擬合,構建四級診療模型,y=-0.5472x+896.8370,構建模型為:
p值小于0.05,醫(yī)生出診人次與兒科門診量是顯著相關的,構建的模型有意義。
根據診療模型預測,不論是門診自助還是人工分診,每分診一次,對應的醫(yī)生需要診療的人次就增加一次,當診療人次累計增加到28人次時,響應一級診療水平,累計增加到33人次時,響應二級診療水平,累計增加到36人次時,響應三級診療水平,累計增叫到39人次時,響應四級診療水平。
當所有醫(yī)生對應的診療人次累加,得到總人次這時用構建好的分級診療模型函數進行計算,輸出相應的接診醫(yī)生人數,按照結果及時進行調整,一方面可以有效利用醫(yī)療資源,另一方面也可以有效合理安排醫(yī)生接診,避免患者因為就診人次過多而等到時間過長,引起不必要的醫(yī)療糾紛。
縱觀三年分析數據,三級診療水平占比大,采取三級響應診療方案多,同時要完善四級診斷響應方案,為應對如這次的爆發(fā)的新型冠狀病毒感染肺炎做好全面的準備,快速預警,快速反映,科學應對,減低風險,將損失降到最低。
根據兒科門診量地變化情況,采用預約就診機制可以更好地落實分級診療,完善預警機制,安排醫(yī)生在每個時間段在網上開放預約號,通過神經網絡的算法,將每個醫(yī)生的預約數量進行累加,按照閥值,觸及分級診療的回歸方程,預測出安排醫(yī)生人次數,從而優(yōu)化門診服務流程,提高門診患者就診效率。