杜 薇 劉嬋嬋 李 端 胡嘉琦 樊興穎 周涵妮 常 悅▲

1.貴州醫(yī)科大學醫(yī)藥衛(wèi)生管理學院，貴州貴陽 550025；2.貴州醫(yī)科大學科技處，貴州貴陽 550025

“健康中國”2017年首次在總理政府工作報告中提出，以農村和基層為重點“提高居民健康素養(yǎng)水平”在《“健康中國2030”規(guī)劃綱要》中被納入為建設健康中國的十三個主要指標體系之一[1]，十九大報告中闡述“人民健康是民族昌盛和國家富強的重要標志”。這些都意味著健康是民眾生活的美好期盼，推進國民健康事業(yè)是最終實現(xiàn)全面發(fā)展的基本保證。提供衛(wèi)生服務是推進健康事業(yè)的手段。個體從嬰兒時期的出生到衰弱老人時期的臨終，無不連續(xù)地需要衛(wèi)生服務[2]。

健康素養(yǎng)指的是個人根據(jù)自身的知識儲備，獲取并理解健康領域的知識，并運用這些信息做出正確的健康行為決策，以促進和保持自身健康水平的能力[3]。世界衛(wèi)生組織得出研究結論：健康素養(yǎng)與人均期望壽命、生命質量高度相關[4-5]。因此，研究健康素養(yǎng)對衛(wèi)生服務利用的影響，有助于實現(xiàn)衛(wèi)生資源的合理配置。本研究旨在提供一種新的方法研究貴州省少數(shù)民族健康素養(yǎng)對衛(wèi)生服務的利用影響，構建衛(wèi)生服務利用預測模型，讓貴州省少數(shù)民族的衛(wèi)生服務利用預測向智能化發(fā)展。

1 資料與方法

1.1 一般資料

采用多階段分層抽樣，于2019年6～12月在貴州省6 個市（州）抽取少數(shù)民族個體進行調查，共發(fā)放問卷1080 份，回收1031 份，有效回收率為95.46%。納入標準：貴州省常住人口；少數(shù)民族；自愿參與本次調查。排除標準：精神障礙、認知障礙者。

被調查樣本的基本特征方面，男482 名（46.75%），女549 名（53.25%）；城鎮(zhèn)225 名（21.82%），農村806名（78.18%）；年齡15～69 歲；初中及以下學歷459 名（44.52%），高中或中專學歷168 名（16.29%），大專及以上學歷404 名（39.19%）；平均月收入1000 元及以下543 名（52.67%），1001～3000 元275 名（26.67%），3001～5000 元165 名（16.00%），5001～10000 元38 名（3.69%），10001 元及以上10 名（0.97%）。

1.2 調查方法

研究負責人統(tǒng)一培訓課題組成員，貴州醫(yī)科大學醫(yī)藥衛(wèi)生管理學院熟悉少數(shù)民族語言本科生擔任調查員，由調查員攜帶問卷分赴貴州省6 個市（州），按照調查方案和調查計劃的要求，對被調查者進行訪談，并按照問卷的格式和要求來記錄被調查者的回答。問卷內容包括以下三個部分。

第一部分基本情況，包括性別、年齡、學歷、職業(yè)、平均月收入等。

第二部分參考原衛(wèi)生部委托中國健康教育中心2015年制定的最新版《全國居民健康素養(yǎng)調查問卷》[4]。根據(jù)知信行理論分類，問卷可以分為三個方面，分別為基本健康知識和理念、健康生活方式與行為、基本技能；根據(jù)公共衛(wèi)生問題為導向分類，可以將問卷分為六類，分別為科學健康觀素養(yǎng)、傳染病防治素養(yǎng)、慢性病防治素養(yǎng)、安全與急救素養(yǎng)、基本醫(yī)療素養(yǎng)和健康信息素養(yǎng)。

第三部分為衛(wèi)生服務利用，包括4 周患病率、4周門診服務利用率、年住院率。

選取150 名對象進行預調查，得到問卷的Cron bach′s α 系數(shù)為0.730，平均效度為14.2，內部一致性高，內容符合主題。

1.3 統(tǒng)計學方法

1.3.1 單因素分析

采用SPSS 22.0 統(tǒng)計學軟件進行數(shù)據(jù)分析，符合正態(tài)分布的計量資料采用均數(shù)±標準差（±s）表示，兩組間比較采用t 檢驗，不符合正態(tài)分布者轉換為正態(tài)分布后行統(tǒng)計學分析；計數(shù)資料用率表示，組間比較采用χ2檢驗，以P＜0.05 為差異有統(tǒng)計學意義。

1.3.2 多因素分析

多因素分析采用人工神經(jīng)網(wǎng)絡模型。人工神經(jīng)網(wǎng)絡的工作原理是模仿人腦結構，根據(jù)所提供的數(shù)據(jù)，通過學習和訓練，建立由自變量到因變量的模型[6]。輸入和輸出之間的關系不是線性的。根據(jù)輸入的信息建立神經(jīng)元，通過學習規(guī)則或自組織等過程建立相應的模型，并不斷修正，使輸出結果與實際值之間的差距不斷縮小[7]。人工神經(jīng)網(wǎng)絡的具有高速運算的能力，模擬人腦進行自學習、自組織。其由輸入層、隱含中間層、輸出層組成，結構如圖1所示。結構簡單、意義明確、步驟分明。

圖1 人工神經(jīng)網(wǎng)絡模型

本研究采用Matlab 神經(jīng)工具箱構建網(wǎng)絡結構，步驟如下。

①將所有數(shù)據(jù)導入Matlab。

②打開Netural Net Fitting 工具箱，建立神經(jīng)網(wǎng)絡，導入網(wǎng)絡，確立輸入層、輸出層；確定所有數(shù)據(jù)中訓練集、驗證集、測試集的比例分配。

③設置中間層的節(jié)點數(shù)，確立傳輸函數(shù)。

④開始進行訓練，可以加入修正數(shù)據(jù)進行權值修正。

⑤訓練結束，驗證并測試結果。

2 結果

2.1 衛(wèi)生服務利用現(xiàn)狀

被調查的1031 名少數(shù)民族樣本中，4 周內因患病利用門診服務的人數(shù)為73 名，門診服務利用率為7.08%；1年內因患病利用住院服務的人數(shù)為87 名，住院服務利用率為8.44%。

2.2 影響門診服務利用的單因素分析

貴州省少數(shù)民族門診利用組的一般資料、健康素養(yǎng)總分及各類別不同得分與門診未利用組比較，差異無統(tǒng)計學意義（P＞0.05）（表1）。

表1 被調查少數(shù)民族4 周內門診服務利用的單因素分析（n=1031，分，±s）

表1 被調查少數(shù)民族4 周內門診服務利用的單因素分析（n=1031，分，±s）

基本特征門診利用組（n=73）門診未利用組（n=958）χ2/t 值 P 值城鎮(zhèn)[n（%）]男性[n（%）]年齡[歲，n（%）]15～25＞25～35＞35～45＞35～55＞55～65＞65～69文化程度[n（%）]小學及以下初中高中或中專大專大學本科及以上職業(yè)狀況[n（%）]在校學生務農就業(yè)失業(yè)或無業(yè)退休平均月收入[元，n（%）]1000 及以下1001～3000 3001～5000 5001～10000 10001 及以上健康素養(yǎng)總分按知信行分類基本健康知識和理念健康生活方式與行為基本技能按公共衛(wèi)生問題導向分類科學健康觀素養(yǎng)傳染病防治素養(yǎng)慢性病防治素養(yǎng)健康信息素養(yǎng)安全與急救素養(yǎng)基本醫(yī)療素養(yǎng)19（26.0）41（56.2）206（21.5）441（46.0）0.902 1.673 0.428 0.376 0.095 0.669 39（53.4）13（17.8）8（11.0）8（11.0）3（4.1）2（2.7）530（55.3）169（17.6）123（12.8）80（8.4）18（1.9）38（4.0）1.5880.113 15（20.5）23（31.5）13（17.8）4（5.5）18（24.7）147（15.3）274（28.6）155（16.2）93（9.7）289（30.2）0.0190.985 32（43.8）14（19.2）19（26.0）8（11.0）0（0.0）421（43.9）161（16.8）306（31.9）58（6.1）12（1.3）0.4920.623 41（56.2）18（24.6）10（13.7）4（5.5）0（0.0）32.16±10.79 13.93±4.91 10.01±3.82 8.22±3.41 4.73±2.20 4.11±1.51 5.12±2.59 3.53±1.95 8.23±3.35 6.44±2.46 502（52.4）257（26.8）155（16.2）34（3.6）10（1.0）33.77±10.73 14.87±4.72 10.66±3.98 8.24±3.37 4.98±2.14 4.06±1.59 5.76±2.59 3.54±1.94 8.74±3.17 6.70±2.52 1.229 1.628 1.345 0.041 0.969 0.265 1.149 0.898 1.307 0.840 0.219 0.104 0.179 0.967 0.333 0.791 0.253 0.371 0.191 0.401

2.3 影響住院服務利用的單因素分析

貴州省少數(shù)民族住院利用組和住院未利用組的職業(yè)狀況比較，差異有統(tǒng)計學意義（P＜0.05）；住院未利用組的健康素養(yǎng)總分、健康信息素養(yǎng)、安全與急救素養(yǎng)得分高于住院利用組，差異有統(tǒng)計學意義（P＜0.05）。住院利用組的其他基本特征、健康素養(yǎng)其他類別得分與住院未利用組比較，差異無統(tǒng)計學意義（P＞0.05）（表2）。

表2 被調查少數(shù)民族1年內住院服務利用的單因素分析（n=1031，分，±s）

表2 被調查少數(shù)民族1年內住院服務利用的單因素分析（n=1031，分，±s）

基本特征住院利用組（n=87）住院未利用組（n=944）χ2/t 值 P 值城鎮(zhèn)[n（%）]男性[n（%）]年齡[歲，n（%）]15～25＞25～35＞35～45＞35～55＞55～65＞65～69文化程度[n（%）]小學及以下初中高中或中專大專大學本科及以上職業(yè)狀況[n（%）]在校學生務農就業(yè)失業(yè)或無業(yè)退休平均月收入[元，n（%）]1000 及以下1001～3000 3001～5000 5001～10000 10001 以上健康素養(yǎng)總分按知信行分類基本健康知識和理念健康生活方式與行為基本技能按公共衛(wèi)生問題導向分類科學健康觀素養(yǎng)傳染病防治素養(yǎng)慢性病防治素養(yǎng)健康信息素養(yǎng)安全與急救素養(yǎng)基本醫(yī)療素養(yǎng)22（25.3）42（48.3）203（21.5）440（46.6）0.817 0.298 0.888 0.414 0.766 0.375 52（59.8）16（18.4）10（11.5）3（3.4）2（2.3）4（4.6）517（54.8）166（17.6）121（12.8）85（9.0）19（2.0）36（3.8）0.862 0.389 8（9.2）28（32.2）17（19.5）5（5.7）29（33.3）154（16.3）269（28.5）151（16.0）92（9.7）278（29.4）2.243 0.025 41（47.1）9（10.3）25（28.7）11（12.7）1（1.2）412（43.6）166（17.6）300（31.8）55（5.8）11（1.2）0.965 0.335 45（51.7）19（21.9）17（19.5）5（5.8）1（1.1）32.16±10.79 498（52.7）256（27.1）148（15.7）33（3.5）9（1.0）33.77±10.73 2.267 0.024 13.71±4.70 9.76±4.02 7.69±3.47 14.90±4.73 10.70±3.96 8.28±3.36 0.543 0.789 1.575 0.589 0.430 0.115 4.67±2.18 3.85±1.56 5.30±2.57 3.38±1.67 7.41±3.47 6.55±2.43 4.99±2.14 4.08±1.59 5.75±2.59 3.55±1.96 8.82±3.13 6.69±2.52 1.335 1.298 1.561 2.108 3.974 0.485 0.182 0.195 0.119 0.035 0.000 0.628

2.4 基于人工神經(jīng)網(wǎng)絡的貴州省少數(shù)民族衛(wèi)生服務利用預測模型

2.4.1 神經(jīng)網(wǎng)絡初始化

由上述單因素分析，門診利用組與門診未利用組的不同基本特征、健康素養(yǎng)總體及各類別得分比較，差異無統(tǒng)計學意義（P＞0.05）。而住院未利用組的職業(yè)狀況、健康素養(yǎng)總分、健康信息素養(yǎng)、安全與急救素養(yǎng)得分與住院利用組比較，差異有統(tǒng)計學意義（P＜0.05）。因此，本研究利用人工神經(jīng)網(wǎng)絡構建住院服務利用預測模型。

2.4.1.1 輸入層與輸出層的確定 職業(yè)狀況（P=0.025）、健康信息素養(yǎng)（P=0.035）、安全與急救素養(yǎng)（P=0.000）三個因素均有統(tǒng)計學意義，因此，輸入層設置為職業(yè)狀況、健康信息素養(yǎng)、安全與急救素養(yǎng)3 個節(jié)點。輸出層確定為住院服務利用1 個節(jié)點。

2.4.1.2 數(shù)據(jù)標準化 由于職業(yè)狀況與健康信息素養(yǎng)、安全與急救素養(yǎng)不是同一類變量，數(shù)值相差較大，需采用min-max 標準化（min-max normalization）對其進行處理[8]，將其映射到（0，1）之間，采用的公式如下：。

2.4.1.3 中間隱含層節(jié)點數(shù)量的確定 中間隱含層的神經(jīng)元節(jié)點數(shù)對人工神經(jīng)網(wǎng)絡模型的預測精度有較大的影響，節(jié)點數(shù)過多會導致過度擬合，且增加訓練時間；節(jié)點數(shù)過少會出現(xiàn)欠學習狀態(tài)，從而削弱了模型的預測能力[9]。根據(jù)經(jīng)驗公式[10]：（Z 為中間層節(jié)點數(shù)，n、m 分別為輸入層、輸出層節(jié)點數(shù)，a為1～10 之間的整數(shù)常數(shù)）。本研究確定的n、m 分別為3、1，根據(jù)公式計算，模型中間層節(jié)點數(shù)為（3，12）。

2.4.2 神經(jīng)網(wǎng)絡訓練

Matlab 的神經(jīng)工具箱中，網(wǎng)絡設置為具有S 形的隱藏神經(jīng)元和線性輸出的神經(jīng)元（fitnet）的雙層前饋網(wǎng)絡，如圖2所示。輸入層和隱含層的傳遞函數(shù)為tansig 函數(shù)，輸出層的傳遞函數(shù)為purelin 函數(shù)，使用traincg 算法。學習率設置為0.05，迭代次數(shù)為1000次。在Matlab 中，訓練函數(shù)Levevberg-Marquardt 法（L-M算法）收斂速度快且均方誤根差最小，表現(xiàn)效果最優(yōu)[11]。

圖2 Matlab 神經(jīng)工具箱的網(wǎng)絡設置

神經(jīng)網(wǎng)絡建立好以后，導入經(jīng)過標準化處理后的1031 組樣本。將數(shù)據(jù)集按照70∶15∶15 的比例分為訓練集、驗證集和測試集。訓練集用于訓練模型，驗證集用于衡量訓練集構建網(wǎng)絡，驗證完成后再用測試集樣本數(shù)據(jù)進行測試，確定所建立人工神經(jīng)網(wǎng)絡模型的有效性。

2.4.3 網(wǎng)絡模型建立結果

根據(jù)上述初始化設置建立網(wǎng)絡，調整中間層神經(jīng)元個數(shù)，直到均方誤差（MSE）最小，MSE 指的是輸出和目標之間的均方差，值越低越好。調整中間層節(jié)點數(shù)從3～12，訓練網(wǎng)絡，確定隱含層為10 個時，為最優(yōu)神經(jīng)網(wǎng)絡結構。如表3所示。

表3 各中間隱含層節(jié)點數(shù)的人工神經(jīng)網(wǎng)絡模型MSE

迭代次數(shù)與MSE 的關系如圖3（封三）所示，藍線為訓練數(shù)據(jù)，綠線為驗證數(shù)據(jù)，紅線為測試數(shù)據(jù)。模型中，訓練集、測試集、驗證集數(shù)據(jù)的表現(xiàn)類似。最優(yōu)表現(xiàn)為當訓練次數(shù)為4 次時，MSE 達最小值，為0.069 076。

圖3 迭代次數(shù)與MSE 關系圖（見內文第7 頁）

2.4.4 模型驗證

為檢驗所建立的人工神經(jīng)網(wǎng)絡模型的有效性，訓練前，將數(shù)據(jù)中的15%，共155 組數(shù)據(jù)設定為測試集，用于進行模型驗證，結果見圖4，所有測試集樣本數(shù)據(jù)誤差的絕對值均不超過1，且誤差在0 附近的頻數(shù)最大。由此可見，預測住院服務利用的人工神經(jīng)網(wǎng)絡模型預測準確，本模型有效。

圖4 測試樣本數(shù)據(jù)誤差分布圖

3 討論

本研究構建的人工神經(jīng)網(wǎng)絡模型顯示，職業(yè)狀況、健康信息素養(yǎng)、安全與急救素養(yǎng)顯著影響貴州省少數(shù)民族的住院服務利用。健康信息素養(yǎng)是指個體意識到自身對健康信息的需求，熟悉掌握檢索健康信息的方法，評價檢索到健康信息的質量，并根據(jù)自身具體情況，選擇適合的信息分析和運用來做出健康決策[12]。安全與急救素養(yǎng)是個體應對突發(fā)地震、洪澇、爆炸、火災、食品安全、交通事故等公共安全問題的能力，體現(xiàn)了個體的安全和急救方面的認知和能力[13]。健康素養(yǎng)是影響衛(wèi)生服務利用的重要影響因素[14]。低健康素養(yǎng)水平導致低自我健康管理行為水平，傷害、發(fā)病的增加，治療依從性差，疾病自我管理能力低，從而影響人的生命和生活質量，并增加對衛(wèi)生服務的利用。

掌握正確的衛(wèi)生服務利用影響因素，有利于在衛(wèi)生資源有限的前提下，找準針對性的健康教育實施路徑，深化醫(yī)藥衛(wèi)生體制改革，為制定促進衛(wèi)生服務合理利用的政策提供科學依據(jù)。

本研究旨在提供一種簡便、高效的方法，對衛(wèi)生服務的利用進行科學預測。人工神經(jīng)網(wǎng)絡和Logistics回歸模型不同，其是一組程序控件構成的“黑箱”，輸入和輸出之間的關系在“黑箱”中，且為高度非線性的關系，需要借助R 語言、Matlab、Python 等實現(xiàn)和應用[11]。因此，構建人工神經(jīng)模型，將擬合效果較好的模型儲存到模型庫中，讓貴州省少數(shù)民族衛(wèi)生服務利用的預測向智能化發(fā)展。

同時，本研究的主體是貴州省少數(shù)民族。少數(shù)民族群體作為中華民族的重要組成部分，促進其健康水平，關系到國家的長久治安，對實現(xiàn)民族地區(qū)的和諧穩(wěn)定，維護國家發(fā)展具有積極的政治意義[15]。

綜上所述，職業(yè)狀況、健康信息素養(yǎng)、安全與急救素養(yǎng)顯著影響貴州省少數(shù)民族住院服務利用。人工神經(jīng)網(wǎng)絡模型準確率較高，能應用于進一步的衛(wèi)生服務利用預測。