桑泉紅 徐培文

1 山東省省立三院醫(yī)務部，250031 山東 濟南；2 澳大利亞阿德萊德大學，5000 澳大利亞 阿德萊德

統(tǒng)計預測是醫(yī)院實行目標量化管理工作的依據(jù)，計劃和指標制定是否合理，關鍵取決于統(tǒng)計預測，科學地進行預測對醫(yī)院的管理工作起著非常重要的作用[1]。醫(yī)院門診量數(shù)據(jù)可以反映一個地區(qū)居民健康狀況、健康意識和醫(yī)院接診救治能力的總體情況,是研究地區(qū)醫(yī)療發(fā)展情況的重要指標[2]。目前利用統(tǒng)計模型預測門診量的方法較多，如ARIMA模型[3]、灰色模型[4]、自回歸移動平均模型[5]、季節(jié)性指數(shù)平滑法[6]等，均取得了良好的效果。隨著人工智能技術的不斷發(fā)展和提升，計算機技術應用越來越廣泛，本研究基于時間數(shù)列的歷史觀察值作為依據(jù)，運用機器學習prophet模型進行門診量預測，反映其季節(jié)變動規(guī)律及發(fā)展趨勢，為有效利用現(xiàn)有資源以及協(xié)調科學發(fā)展提供科學依據(jù)。

1 資料與方法

1.1 資料來源

資料來源于2013—2018統(tǒng)計年某醫(yī)院衛(wèi)生統(tǒng)計報表。見表1。

表1 某醫(yī)院2013—2018年門診人次

1.2 統(tǒng)計學方法

采用描述性方法對數(shù)據(jù)進行分析，利用prophet 乘積模型預測2019年每月的門診量，并以該院2019年實際門診數(shù)據(jù)驗證模型預測數(shù)據(jù)的準確性。

由于數(shù)據(jù)是根據(jù)時間序列組成，時序模型預測更能反映數(shù)據(jù)結果。通過對比發(fā)現(xiàn)基于時序序列的prophet時間序列預測模型比較適合本類數(shù)據(jù)的計算預測。

prophet的大致原理如下，它將一個時間序列看成是3部分的組合：趨勢，季節(jié)和假日。其算法公式如下：y(t)=g(t)+s(t)+h(t)+εt。其中，g(t)代表趨勢項，用于擬合時間序列里面的非周期項；s(t)代表周期性變化(如季節(jié)性變化)；h(t)代表假期的影響(通常表現(xiàn)為對某些時間點的特殊影響)；誤差項εt代表所有未被模型考慮到的誤差因素。同時該模型將一個預測類問題映射為曲線擬合類問題，這天然的就和那些用于分析數(shù)據(jù)間有依賴性的模型有所不同。盡管這種策略會使其放棄很多常規(guī)模型(如ARIMA)的一些優(yōu)勢，但是這種映射帶來了一些其他的優(yōu)勢：①可拓展，曲線擬合問題可以很輕易地引入季節(jié)和多周期性的影響，可以應用于多種數(shù)據(jù)類型；②數(shù)據(jù)靈活，與ARIMA模型不同，曲線擬合問題不需要數(shù)據(jù)等步長，所以不需要對數(shù)據(jù)進行一些特殊操作(如插值)；③速度快，相比較于傳統(tǒng)的訓練模型，曲線擬合的速度更快，有助于對數(shù)據(jù)進行迭代；④變量易解釋，模型的大部分變量都有著明確的物理含義，并且擁有一定數(shù)據(jù)分析經(jīng)驗的人可以很快地將背景知識轉換為新的參數(shù)引入模型。

2 結果

2.1 某醫(yī)院2013—2018年門診人次趨勢

將統(tǒng)計數(shù)據(jù)可視化為折線圖(見圖1)，可以看出醫(yī)院門診量總體呈現(xiàn)逐年增長趨勢。放大至每年進行對比觀察一些普遍存在規(guī)律，比如每年年初有較大幅度的減少，年中后期有小幅度減少，在年末一段時間內呈大幅上升趨勢。以上變化規(guī)律具有普遍性、周期性、短期增長或下降性。因此傳統(tǒng)的線形模型或復雜度不高的模型會出現(xiàn)欠擬合的缺陷，比如關鍵月份的門診量爆發(fā)式上升，線性模型或簡單的非線性模型不能準確預測，將導致醫(yī)療準備不充分以及滯后風險。

圖1 某醫(yī)院2013—2018年門診人次

prophet程序實現(xiàn)：

import pandas as pd

import matplotlib.pyplot as plt

from pylab import mpl

mpl.rcParams[′font.sans-serif′]=[′SimHei′]

df_mz = pd.read_excel(′mzrc.xlsx′)

plt.plot(df_mz["ds"],df_mz["y"],linewidth=3,color=′r′,marker=′o′,markerfacecolor=′blue′,markersize=5)

plt.legend(loc=0)

plt.show()

2.2 prophet乘積模型預測2019年門診人次

通過對數(shù)據(jù)折線圖分析及預測數(shù)據(jù)需求，季節(jié)性因子應選用乘積模型，預測數(shù)量為12，周期為月。

prophet程序實現(xiàn)：

from fbprophet import Prophet

m = Prophet(seasonality_mode='multiplicative')

m.fit(df_mz)

# periods=12 是預測后12個月份，freq=′M′是按月計算

future = m.make_future_dataframe(periods=12, freq=′M′)

fcst = m.predict(future)

m.plot(fcst)

plt.show()

根據(jù)2013—2018年各月份門診人次預測2019年門診人次。見圖2。

圖2 2019年某醫(yī)院門診人次預測趨勢圖

使用plot_components 繪制趨勢，模型的趨勢是按照年度線性增長的。季節(jié)因素中，每年1月份占比最高，2月份占比最低。2月份是歷年春節(jié)假期，病人往往習慣年前進行診療，其他月份比較平均，由此可見模型通過學習歷史數(shù)據(jù)能夠找出每個月的變動趨勢。見圖3。

圖3 某醫(yī)院門診人次趨勢模型與季節(jié)模型

prophet代碼如下：

m.plot_components(fcst)

plt.show()

2.3 預測模型準確性驗證

用2019年某院實際數(shù)據(jù)對預測結果進行對比，全年預測相差17 101人次，誤差百分比2.88%。見表2。

表2 2019年某醫(yī)院門診人次預測值與實際值對比

3 討論

自2013年醫(yī)院改革起，某醫(yī)院走上了持續(xù)、穩(wěn)步、良性發(fā)展之路；從趨勢分析，門診人次逐年增加，也表示醫(yī)院的治療水平逐步提高。

根據(jù)2013—2018年數(shù)據(jù)分析，門診人次季節(jié)變動以1年為1個周期，變動趨勢大致相同，2月份因春節(jié)原因，病人往往提前至1月份進行門診診治，其他月份波動幅度不大。

門診人次隨季節(jié)變化而變動的特點具有明顯的規(guī)律性，在加強宏觀調控的同時要健全微觀管理的調控。保證高峰期醫(yī)務人員安排充足，以充足的人力、物力、信息完成高峰季節(jié)的各項醫(yī)療活動；在低谷時期則可考慮安排業(yè)務進修、設備維護、職工探親休假等[7]。

利用prophet算法模型，能夠很好地找到年度增長趨勢，還可以自動擬合找到月份、季節(jié)性規(guī)律，該時序模型預測準確率高，適用于門診人次預測等方向。

4 結論

隨著人工智能技術的廣泛應用，利用算法與數(shù)據(jù)相結合，新方法新技術能夠很好地應用于數(shù)據(jù)統(tǒng)計工作，基于時間序列的prophet算法用于醫(yī)院門診量預測，方法簡潔、直觀，結果比較準確。預測醫(yī)院門診人次能幫助醫(yī)院管理者更好地進行精細化管理，實現(xiàn)科學的量化醫(yī)療收入預算管理，從而有的放矢地控制醫(yī)療費用成本，加強內部管理，重視經(jīng)濟核算，控制預算外的開支，減少浪費以降低成本消耗[8]。在新形勢下，醫(yī)院統(tǒng)計人員必須認真做好醫(yī)療服務工作的統(tǒng)計，并通過對門診人次的定量化預測，為醫(yī)院領導制定醫(yī)療工作計劃，科學決策提供依據(jù)，對提高衛(wèi)生資源利用效率，提高優(yōu)質服務具有積極意義。這也是預測模型在醫(yī)院管理中應用價值所在[9]。