肿瘤专科医院门诊人次预测方法的探讨

　　作者：阿里木江·艾山 古丽巴哈尔·卡德尔 作者单位：新疆医科大学附属肿瘤医院病案室, 公共卫生学院社会医学教研室, 新疆乌鲁木齐830011

　　【摘要】 目的：比较动态数列法、直线回归模型、对数模型、二次曲线模型、三次曲线模型、ARIMA模型在肿瘤专科医院门诊人次拟合效果的优劣,为医院行政部门提供合适的预测模型。方法：应用6种预测方法对肿瘤专科医院门诊人次进行预测并比较拟合值的绝对误差、平均相对误差绝对值和误差平方和。结果：对肿瘤专科医院门诊人次预测方面，ARIMA模型相对误差绝对值最小(11.29%)，其次为三次曲线模型(15.28%)、二次曲线模型(15.43%)、直线回归模型(15.60%)、动态数列法(17.38%)，相对误差绝对值最大的是对数模型，为20.17%。结论：ARIMA模型对肿瘤专科医院门诊人次发展变化规律的分析有较好的适应性和实用性, 可以为肿瘤专科医院今后工作的发展规划提供一定的依据。

　　【关键词】 预测模型 门诊人次 医院管理

　　An Explorative study on the methods of predictive models for Tumor Hospital outpatient amount

　　Alimujiang· Aishan, Gulibahar ·Kader

　　(Medical record library, Affiliated Tumor Hospital, Xinjiang Medical University, Urumqi 830011, China)

　　Abstract: Objective: To compare the predicting effect of the number of outpatient amount in Tumor Hospital by dynamic series, linear regression, logarithmic regression, quadratic regression, cubic regression, ARIMA models and provide a fitted model for hospital managers. Methods: The different statistical models were applied to predict the number of outpatient in Tumor Hospital and compared their absolute errors, relative errors and error sum of square. Results: In the prediction of the tumor hospital outpatient amount, the relative absolute errors of ARIMA models was the smallest 11.29%, and then cubic 15.28%, quadratic 15.43%, linear 15.60% and dynamic series 17.38%, the logarithmic regression was the largerest 20.17%. Conclusions: ARIMA model is one of the best models in predict the outpatient amount in Tumor Hospital, this model can provide more efficient massage about hospital development.

　　Key words: predictive models; outpatient amount; hospital management

　　医院门诊量和住院人数是表示医院工作量的重要指标之一，门诊、住院人数受各种因素的影响较大，如人口的变化、人口构成比变化、疾病谱的变化、业务技术、医疗质量变化、某些疾病在相对季节出现的频率变化、流行疾病变化等[1,2]。统计预测是一门新兴的预测学分科，它是根据过去和现在估计未来发展趋势的方法;是以提高工作的预见性和主动性、克服盲目性为科学决策提供信息和依据为目的科学[3,4]。因此它既不是从样本的统计指标来推断总体参数，也不是对检验假设加以验证，而是从过去和现在的信息来推断将来，是统计推断的新开拓,但预测不可避免地会存在误差。本研究对肿瘤专科医院2002年1月～2006年12月报表的门诊人次进行总结、汇总，尝试用动态数列法、直线回归模型、二次曲线模型、三次曲线模型、ARIMA预测模型，选用合理的统计预测方法，建立并评价预测模型，为医院行政部门进行卫生决策提供参考依据。

　　1材料与方法

　　1.1资料来源某肿瘤专科医院2002年1月～2006年12月月报表的门诊人次(表1)。

　　表1某专科医院2002～2006年门诊人次每月构成情况(略)

　　1.2预测方法

　　1.2.1动态数列法[5]动态数列(dynamic series)是一系列按时间顺序排列起来的统计指标(包括绝对数、相对数或平均数)用以说明事物在时间上的变化和发展趋势。

　　1.2.2回归预测模型[6,7](1)直线回归预测: 成对的两个变量的数据散点图分布大体上呈现直线变化趋势时，可拟合一元线性(直线)回归模型，然后根据自变量的变化，来预测因变量的变化。直线回归(Linear):=b0+b1t(2)曲线回归预测: 成对的两个变量的数据散点图呈现曲线变化趋势时，可拟合相应的曲线方程。对数模型(Logarithmic):=b0+b1lnt二次曲线(Quadratic):=b0+b1t+b2t2三次曲线(Cubic):=b0+b1t+b2t2+b3t3

　　1.2.3ARIMA预测模型[8,9]ARIMA(Auto-regressive Integrated Moving Average)即自回归求和移动平均模型，是Box-Jenkins方法中重要的预测模型。

　　1.2.4评价指标以绝对误差、平均相对误差绝对值、误差平方和作为评价指标。

　　2结果

　　2.1动态数列法预测结果利用肿瘤专科医院门诊人次的数据求出平均发展速度，再利用平均发展速度预测下一年同期门诊人次，实际门诊人次与预测值相互比较，评价动态数列法预测肿瘤专科医院准确程度，见表2。

　　表2动态数列法拟合门诊人次及其结果评价(略)

　　2.2直线回归模型结果门诊人次和时间的数据散点图呈现曲线变化趋势，建立了直线回归、对数模型、二次曲线、三次曲线等曲线方程，对方程进行评价，见表3。

　　表3门诊人次拟合回归方程及其评价(略)

　　利用拟合程度较好的方程来预测每一个时间序列的门诊人次，实际门诊人次与预测值相比较，评价几种回归拟合模型预测某专科医院准确程度(表4、5)。

　　2.3ARIMA模型拟合结果根据ARIMA模型的建模思路，建立ARIMA预测模型，并比较实际门诊人次和预测值，评价该预测模型的拟合程度，见表6。

　　表44种回归模型拟合门诊人次的结果(略)

　　表5门诊人次回归拟合模型的评价(略)

　　表6门诊人次ARIMA模型预测及其结果评价(略)

　　3讨论

　　本研究所采用的6种预测方法具有较好的理论支持，虽然计算复杂，工作量大，但在实际工作中应用是可行的，具有一定的现实意义。本研究将其用于肿瘤专科医院门诊量的预测，均得到了较理想的结果。1月、2月为一年门诊量的低谷期，其间休息日较多，按传统习俗，逢年过节患者普遍不愿意上医院看病，可能是门诊量减少的主要原因。10月的门诊量比1月、2月份高而比其它月份低，可能由于此季节秋高气爽、气候冷暖适中、呼吸系统疾病的发病率全年最低，再加上郊县农民由于农忙，也较少在此时来看病、手术，所以10月门诊工作量不高;7月的门诊量、住院量略高于10月份，除恶性肿瘤手术外，一般病人通常不会选在高温季节手术，气温高出门也不方便，也是门诊、病房工作量不高的重要原因;春节过后，3月份气温忽高忽低，正常工作日延长，此时也是某些疾病的高发季节，门诊、病房工作量因此较高;8～9月门诊、病房工作量有一个小高峰，由于此时是上消化系统等疾病的多发季节，且学生放暑假，学生、家长看病人数增加，这是门诊、病房工作量增加的主要原因;11月、12月成为门诊工作量的高峰期主要是因为下呼吸系统疾病发病率增加;非急诊手术的适宜季节，如妇科疾病、乳腺疾病等，也致使门诊、病房工作量增加。本研究结果表明，对肿瘤专科医院门诊人次预测方面，ARIMA预测模型相对误差绝对值最小,为11.29%，其次为三次曲线预测模型,为15.28%，二次曲线预测模型为15.43%，直线回归预测模型为15.60%，动态数列法预测为17.38%，相对误差绝对值最大的是对数模型,为20.17%。说明预测肿瘤专科医院门诊人次时，首选ARIMA预测模型。综上，ARIMA模型对肿瘤专科医院门诊人次发展变化规律的分析有较好的适应性和实用性， 可以为肿瘤专科医院今后工作的发展规划提供一定的依据。

　　【参考文献】

　　[1]邵珠艳. 医院门诊量预测模型的构造及其应用[J]. 数理医药学杂志，2005，18(4)：310-312.

　　[2]侯兆红,刘天晓,尚磊.某医院门诊与收容人次的预测[J].中国医院统计,2003,10(3):165.

　　[3]Lin J, Yao MJ, Tan J. A prediction of out patient number with moving average method [J]. Chin J Hospital Statistic,2002,9(1):9-12.

　　[4]杨丽琴.浅谈两种统计预测方法在医院管理中的应用[J].中国医院统计,1996,3(3):153.

　　[5]Murray CJL. Dynamics and pollens of mortality change. In: Chan LC. Heal and Social Change in International Perspective[M]. Cambridge: Harvard University Press,1994.

　　[6]王晓燕，许凤娟，王辉. 应用回归模型预测2001年我院住院医疗服务收入[J].中国医院管理,2001,21(3):18.

　　[7]温星来. 自回归模型和线性回归模型在门诊人次预测中的应用[J]. 中国医院统计,2004,11(4):340-341.

　　[8]梁桂玲,刘颜,邓泗沐.ARIMA模型应用于月门诊量预测[J]. 中国医院统计, 2006,13(1):24-26.

　　[9]张蔚,张彦琦,杨旭. 时间序列资料ARIMA季节乘积模型及其应用[J].第三军医大学学报,2004, 24(8):955-957.