两种模型在医院门诊量预测中的应用

合集下载

ARIMA模型与指数平滑法预测门诊量效果比较

·疾病控制·ARIMA 模型与指数平滑法预测门诊量效果比较王晨1，郭倩1，周罗晶21.扬州大学医学院，江苏扬州225001；2.扬州大学临床医学院摘要：目的比较差分自回归移动平均（ARIMA ）模型与指数平滑法对医院门诊量的预测效果。

方法利用扬州市某综合性三甲医院2010—2016年门诊量数据分别拟合ARIMA 模型和指数平滑模型，以2017年该院门诊量数据评价两种模型的预测效果。

结果拟合最佳的ARIMA 模型为ARIMA （2，1，0）（2，1，0）12，拟合的均方根误差（RMSE ）、平均绝对百分比误差（MAPE ）和平均绝对误差（MAE ）分别为5062.47、2.83%和3473.96；对2017年门诊量预测的RMSE 、MAPE 和MAE 分别为8243.26、4.42%和6084.00。

拟合最佳的指数平滑模型为Holt-Winters 加法指数平滑模型，拟合的RMSE 、MAPE 和MAE 分别为4605.15、2.79%和3296.90；对2017年门诊量预测的RMSE 、MAPE 和MAE 分别为9585.25、5.50%和7733.58。

ARIMA （2，1，0）（2，1，0）12预测的3个误差指标值均小于Holt-Winters 加法指数平滑模型。

结论ARIMA 模型预测精度更高，可应用于医院每月门诊量的短期预测。

关键词：差分自回归移动平均模型；指数平滑法；门诊量中图分类号：R197.3文献标识码：A文章编号：2096-5087（2018）11-1152-04DOI ：10.19485/ki.issn2096-5087.2018.11.019作者简介：王晨，硕士在读通信作者：周罗晶，E-mail ：luojing76@医院门诊量反映了一个地区居民的健康状况、就诊意识以及医院的医疗和管理水平，是研究区域医疗发展状况的重要指标［1］。

科学预测医院门诊量动态变化趋势，有助于合理配置医疗资源，更好地满足患者需求，同时避免医院管理决策的主观性和盲目性。

灰色GM1_1预测模型在门诊量预测中的应用

（１５）
２模型应用
（１）建立模型。资料来源于某院２０００—２００６年的门诊工
作量报表，数据真实、可靠、准确，见表２。建立ＧＭ（１，１）
预测模型，并对近几年门诊量进行外推预测。
表２某院２０００—２００５年门诊量及Ｙ（ｔ），Ｚ（ｔ）计算值
①按公式（７）、（５）、（６）计算Ｄ值和 α， μ的估计值α$ ，
μ$ 。Ｄ＝（６－１） ×５６８４９４．４６５－１４６０．１９２＝７１０３１７．４８９，
α$ ＝１
［（６－１） ×（－１９９１３６．４１３）＋１４６０．１９×５９０．５５］＝
７１０３１７．４８９
年份（年）２０００２００１２００２２００３２００４２００５
表３数列Ｘ（ｔ）与Ｘ$ （ｔ）的比较
ｔ
Ｙ$ （ｔ）
Ｙ（ｔ）
Ｘ$ （ｔ）Ｘ（ｔ）
１
４１．９３
２１１６．７３１１２．７９７４．８０７０．８６
３２０９．７０２１２．９１９２．９７１００．１２
４３２５．２６３２６．３６１１５．５６１１３．４５
ｔ＝２
ｔ＝２
ｔ＝２
，
（５）
&$ %$ %$ % ’ μ＝１Ｄ
ｎ
ｎ
ｎ
ｎ
!Ｚ（ｔ）
－ !Ｘ（ｔ）Ｚ（ｔ）＋
!Ｘ（ｔ）
!２Ｚ（ｔ）
，
ｔ＝２
ｔ＝２
ｔ＝２
ｔ＝２
（６）
$ % ｎ
２ｎ
! ! ２
其中Ｄ＝（ｎ－１）Ｚ（ｔ）－

季节模型在某医院月门诊量预测中的研究与应用

季节模型在某医院月门诊量预测中的研究与应用根据海南省某医院月门诊量时间序列的特征，首先识别出多个可能的季节模型，经模型检验对比后构建了最优的乘积季节模型；然后利用季节模型分析了该医院月门诊量的周期性及趋势性变化规律；最后基于最优模型对该医院月门诊量进行预测，进而验证了月门诊量变化规律符合生活实际情况，建立的最优季节模型具有科学性及可行性，季节模型分析的预测值为医院门诊管理工作提供参考建议。

Abstract：According to the features of outpatient numbers time series for one hospital in Hainan province，firstly identify several possible seasonal models，and construct the best multiplicative seasonal model by using models testing and comparison；then analysis change regularity of the periodicity and trend by the seasonal model ；finally forecast the outpatient numbers of that hospital based on the best model which has been given，and verify that change regularity conform to the reality of life. The best seasonal time series model which had been constructed had the scientific nature and feasibility，thus，the predictions of the model give recommendations for the hospital outpatient management.Key words：Monthly outpatient number ；Time series；Seasonal model；Predictive value隨着海南国际旅游岛建设的不断加快，人口数量也在不断加大，经济在发展和人们生活水平在提高，这将对卫生产品和医疗服务供给的需求加大，提高医疗服务水平对于海南省建设至关重要。

预测性模型在临床疾病诊断中的应用

预测性模型在临床疾病诊断中的应用预测性模型是指基于现有数据和统计分析方法，对未来事件进行预测的数学工具。

在医疗领域，预测性模型可以用于疾病的早期诊断和治疗效果预测，对于提高医疗质量和降低医疗成本具有重要的意义。

本文将从模型构建、数据采集和预测结果分析三个方面探讨预测性模型在临床疾病诊断中的应用。

一、模型构建预测性模型的构建需要有一定的数学统计基础和医疗专业知识。

一般来说，预测性模型可以分为两类：回归模型和分类模型。

回归模型是用连续变量来预测相应变量，例如用患者年龄、体重等因素来预测心血管疾病的发病率；分类模型是用离散变量来描述预测结果。

例如糖尿病的诊断，可以将病人的病历数据输入到模型中，模型会输出诊断结果。

模型构建的第一步是选取预测因素。

预测因素应该与疾病的发病率、治疗效果等密切相关。

在数据采集中要注意数据质量的好坏，避免噪音和离散值产生影响。

其次，根据选定的预测因素建立适当的模型，选择合适的算法进行分析。

例如，在分类问题中，可以采用逻辑回归、随机森林等算法进行模型训练，以得到最优的预测效果。

最后，将模型与实际数据进行比对，进行模型的微调，确保模型的准确性和可靠性。

二、数据采集数据采集是预测性模型构建的重要环节，也是预测性模型成功应用于临床诊断的基础。

数据的质量可以直接影响到模型的效果和应用价值。

目前，数据采集主要分为两种方式：一是直接采集患者病历数据，二是采用电子健康档案系统。

直接采集患者病历数据是目前最常用的数据采集方式。

它的优点在于可根据疾病诊断标准和医学专业知识，对数据进行初步筛选和挑选，保证数据的质量。

数据采集过程中，医务人员应注意数据的准确性和完整性，在不侵犯患者隐私和个人信息的前提下，尽可能收集多样的患者信息。

电子健康档案系统可以实现数据的自动化统计和管理，并且提供了更大量级的数据。

目前，我国的部分医疗机构已经开始采用这种模式，但是受到数据安全和隐私保护等因素的影响，这种方法在具体应用中仍有一定的不确定性。

【医疗信息化】利用ARIMA模型预测门诊人次

基于ARIMA模型预测门诊人次李文祯1，肖芬芳2（1广州医科大学附属第三医院信息科，2广州医博信息技术有限公司）摘要：通过建立ARIMA模型，同时考虑到节日对门诊人次的影响，采取ARIMA模型与定性研究相结合的组合方法，对2015年1月1号至10号的门诊人次进行预测。

预测结果显示，非节日误差百分比低于4%，在节日数据不足的情况下，节日误差百分比低于23%，处于可接受范围。

这表明，模型不仅有效地刻画了门诊人次的季节性，同时充分考虑了节日对门诊人次的影响，使预测结果更贴近实际情况。

本模型预测效果良好，运行此预测模型所得出的数据具有较强的指导性，可为医院科学决策和门诊管理提供参考意见。

关键词：ARIMA模型，门诊人次，预测1.引言门诊是医院医疗工作的起点，是医院直接对外服务的“窗口”。

医院的门诊人次是反映医院工作效率的一项重要指标，对医院的门诊人次进行分析与预测，可以为医院制定工作计划和统筹安排提供决策依据。

目前可以用于医院门诊人次的预测方法较多，如利用传统时间序列分解模型[1]、趋势季节模型[2]、移动平均比率法[3]、自回归模型[4]、灰色模型[5]等，本文选取ARIMA模型对医院的门诊人次进行预测。

2.ARIMA模型简介2.1 ARIMA模型原理ARIMA模型是被广泛运用于对各类事件序列数据分析和建模的方法[6-8]，它由美国学者博克斯和英国统计学家詹金斯共同建立，也称博克斯-詹金斯法，简称B-J法[9]。

模型基于如下观念：要预测的时间序列是由某个随机过程生成的。

如果生成序列的随机过程不随时间变化，则该随机过程的结构可以被确切地刻画和描述。

利用序列过去的观察值，可以外推出序列的未来值。

在ARIMA模型中，序列的未来值被表示成滞后性和随机干扰项的当期及滞后期的线性函数，即模型的一般形式如下式所示：Y t=μ+ϕ1Y t−1+⋯+ϕp Y t−p+εt+θ1εt−1+⋯+θqεt−q(1) 其中，μ为序列Y t的均值。

ARIMA模型与GM(1,1)模型在医院门诊人次预测中的比较研究

ARIMA模型与GM(1,1)模型在医院门诊人次预测中的比较研究刘国柱【摘要】目的对ARIMA模型和GM(1,1)模型在门诊人次预测中的应用效果进行比较,为选择适宜的预测方法提供依据.方法利用某院2005—2014年的月门诊人次数据构建ARIMA模型和GM(1,1)模型,评价拟合效果.同时,对2015年的门诊人数进行预测,采用2015年的实际门诊人数验证两种模型的预测效果,评价指标为平均相对误差和平均绝对值误差.结果 ARIMA和GM(1,1)模型的平均误差率(MER)分别为3.90%和4.41%;决定系数R2分别为0.961和0.955.对2015年进行预测,预测值与实测值的平均相对误差分别为23959和35397,平均绝对值误差分别为4.62%和6.83%.结论 ARIMA模型对于样本大于30以及长期趋势、周期性趋势及隐含季节性的变化趋势资料比GM(1,1)模型的效果较好,对解决时间序列类型的门诊人数等资料首先考虑建立ARIMA模型,一般能得到较佳的拟合效果,相对误差也较小.【期刊名称】《中国医院统计》【年(卷),期】2017(024)001【总页数】4页(P5-8)【关键词】ARIMA模型;灰色模型;门诊人次;预测【作者】刘国柱【作者单位】510730 广州开发区医院【正文语种】中文在医院信息管理中，统计预测已成为一种不可或缺的工具，可为医院管理决策提供客观依据[1-2]。

在加强门诊医疗管理的基础上，科学、准确地分析医院门诊量动态变化，拟合合理统计模型，预测门诊量趋势，对于医院合理配置人、财、物等资源，制定科学的医院门诊发展规划具有重要意义[3-6]。

对时间序列类型的资料，常用的主要有时间序列模型和GM(1，1) 灰色预测模型，为了比较两个模型对门诊人次的预测准确性，本文通过对某医院2005—2014年的月门诊人次分别运用(ARIMA)模型和GM(1，1) 灰色预测模型进行建模和预测，然后对所建立模型的效果进行比较。

GM(1,1)模型在预测医院人均门诊费用中的应用

Ｚ（ｔ）＝ ÷［Ｙ（ｔ）一Ｙ（ｔ一１）］（ｔ＝２，３．．．ｎ）
（２）建立ＧＭ（１，１）模型ＧＭ（１，１）模型表示为一阶线性微分
方程：
０【
＋ａＹ（ｔ）：ｕ
根据最小二乘法估计参数０【和向量，并得方程特解，２．研究方法：本文使用Ｅｘｃｅｌ２０１０对数据进行分析，建立
Ｍｏｄｅｌ，ＧＭ）是基于灰色系统理论发展而来的数据分析模型，
影响，本文采用ＧＭ（１，１）模型对广西科技大学第二附属医院２００６～２０１３年人均门诊费用进行建模分析，并根据计算出的
模型预测２０１４年医院人均门诊费用，为医院管理提供依据。
，
Ｄ表达式为：Ｙ（ｔ）＝（ｘ０一）ｅ ‘ ＋其中Ｘ０为ｔ＝０的
【摘要】目的均门诊费用。结果
２０１０软件，基于ＧＭ（１，１）模型对２００６－２０１３年医院人均门诊费用建模，使用得到的模型预测２０１４年人
计算出模型为Ｙ（ｔ）＝５８１．３ｅ。。 “ ’ ５０２．７８，后验差比值Ｃ＝０．３６９３，小误差概率Ｐ建立ＧＭ（１，１）模型预测医
［１］张晓燕，王金辉，李铣．自芍的化学成分研究［Ｊ］．沈阳药科大学学报，２００１，１８（１）：３０－３２．［２］国家药典委员会．中华人民共和国药典：２０１０年版一部［ｓ］．北京：中国医药科技出版社，２０１０：９６．［３］刘焕莉，范丽娟．无糖附桂骨痛颗粒芍药苷含量测定的研究［Ｊ］．云南中医中药杂志，２００９，３０（７）：６０－６２．

新疆某三级综合医院门诊量预测模型构建及应用

ｔｈｅｒｅｌａｔｉｖｅｅｒｒｏｒ４．４％．ＣｏｎｃｌｕｓｉｏｎＴｈｅｒｅｗａｓａｓｅａｓｏｎａｌｃｈａｎｇｅａｎｄａｇｒｏｗｉｎｇｔｒｅｎｄｏｒｆｔｈｅｎｕｍｂｅｒｏｆｏｕｔｐａｔｉｅｎｔｖｉｓｉｔｓ．ｓｕｉｔ — ａｂｌｅｏｒｆｕｓｉｎｇＡＲＩＭＡｍｏｄｅｌ，ａｎｄｔｈｅｍｏｄｅｌｐｒｅｄｉｃｔｉｏｎｅｆｆｅｃｔｗａｓｇｏｏｄ．Ｉｔｃｏｕｌｄｐｒｏｖｉｄｅｂａｓｉｓｏｒｆｏｐｅｒａｔｉｏｎｍａｎａｇｅｍｅｎｔａｎｄｄｅ — ｃｉｓｉｏｎ — ｍａｋｉｎｇｆｏｒｔｈｅｈｏｓｐｉｔａｌｌｅａｄｅｒｓｈｉｐ，ａｎｄｅｆｆｅｃｔｉｖｅｌｙｇｕｉｄｅｔｈｅｗｏｒｋｐｌａｎａｎｄａｒｒａｎｇｅｍｅｎｔ．Ｔｈｅｍｏｄｅｌａｐｐｌｉｃａｔｉｏｎｈａｓｅｆｆｅｃ —
门诊量为２３０．９９万人次，相对误差为４．４％。结论三级综合医院门诊量存在着季节变化和逐渐增长趋势，适合用ＡＲＩ — ＭＡ模型进行拟合，模型预测效果较好，可为医院领导层决策及门诊运行管理提供依据，从而有效指导工作计划与安排，该模型在门诊管理中的应用具有实效性及推广性。

建立线性回归模型预测医院门诊人次

ａ一
９
２２．４４
８１
５０３．５５
２０１．９６
１０
２４．４９
１００
５９９．７６
２４４．９Ｏ
利用表２的数据求得参数ｂ＝２．Ｏ０，ａ＝４．５４。得回归方程为＝４．５４＋２．ＯＯＸ
建立线性回归模型预测医院门诊人次
朱瑶
（湖州市南浔区人力资源和社会保障局浙江．湖州３１３００９）
摘姜：采用最小平方法建立线性回归模型，并对模型进行回归分析，预测某二级医院２０１４．２０１８年门诊人次。最，Ｊ平方法是通过事物变化的因果关系，来预测的一种方法，通过预测门诊人次，控制医院均次费用的上涨，有效控制不合理的医药费用，可为医院今后的工作决策提供理论依据，促使卫
剩余标准差Ｓｙ＝￣／ ∑（ｙ＿）２／一２）＝６．４７
时该院作为一家与杭卅Ｉ浙一医院保持了多年协作关系的
综合性医院，技术力量雄厚，医疗及护理水平不断提高，
回归系数的标准误差ｓｂ＝ｓ，／ √∑ （ｙ＿）＝ｏ．７１
７．２
８．２９
９．１９
１２．４９
１５．１３
１７．１２
１８＿８０

ARIMA与SARIMA模型在医院门诊人次与出院人次预测中的应用

ＴｈｅＡＲＩＭＡ（６，０）ｗａｓｔｈｅｏｐｔｉｍａｌｉｆｔｔｉｎｇｍｏｄｅｌｉｎｐｒｅｄｉｃｔｉｎｇｈｏｓｐｉｔａｌｏｕｔｐａｔｉｅｎｔｓ，ａｎｄｔｈｅＳＡＲＩＭＡ，１，１（０），（０，０）（ｅｘｃｌｕ — ｄｉｎｇｃｏｎｓｔａｎｔ）ｗａｓｔｈｅｏｐｔｉｍａｌｉｆｔｔｉｎｇｍｏｄｅｌｉｎｐｒｅｄｉｃｔｉｎｇｈｏｓｐｉｔａｌｄｉｓｃｈａｒｇｅｓ．Ｂｏｔｈｍｏｄｅｌｓｃｏｕｌｄｂｅｗｅｌｌｉｆｔｔｅｄｉｎｐｒｅｄｉｃｔｉｎｇｏｕｔ —
中国医院统计
２０１７年４月第２４卷第２期
・
８１・
・
论
著・
ＡＲＩＭＡ与ＳＡＲＩＭＡ模型在医院门诊人次与出院人次预测中的应用
廉恒丽俞剑琴傅映晖
【摘要】目的应用ＡＲＩＭＡ与ＳＡＲＩＭＡ模型对某院门诊人次与出院人次进行分析和预测。方法收集某医院
ｄｉｓｃｈａｒｇｅｓｆｒｏｍＮｏｖｅｍｂｅｒ２０１６ｔｏＪｕｎｅ２０１７．ＳＰＳＳ１７．０ｓｔａｔｉｓｔｉｃａｌｓｏｆｔｗａｒｅｗａｓｕｓｅｄｆｏｒｍｏｄｅ１ｉｆｔｔｉｎｇａｎｄｆｏｒｅｃａｓｔ．Ｒｅｓｕｌｔｓ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

服务的 “ 口 ” 医院的门诊量是反映医院工作效率的一项窗。重要指标，医院的门诊量进行分析和预测，以为医院制对可
１４拟合效果评价本研究采用平均误差率（ｅｎｅｒｒ．ｍａｒｏ
Ｓ＝１一（ｔｌ１ｙ＋（）Ｓ— ＋ｂ一）
６＝Ｓ一Ｓ一）＋（）１（１１一ｂ一
＋＝Ｓ＋６ｍ
３２，Ｏ：一．３７，５（ｔ０１８ｕ＝２．０５；医院的预５７８）Ｂ一３．３，ｄ＝一０１５，２７６３（．２１８ “＝
差比值ｃ与小误差概率Ｐ将预测等级划分为４等（２。）表）
表２Ｇ１１模型预测精度等级判断Ｍ（。）
趋势值ｂ加入到一个基础值Ｓ上，ｍ是预测的超前期数。
霍尔特预测模型中含有Ｏ、两个平滑常数，常推荐预测ｔ通模型参数Ｏ＝．０＝．０／０５，０６。如用试验法选取平滑常数时，应考虑两个平滑常数的所有可能的搭配，选出最佳预测模优型。本研究采用平均相对百分误差（Ｐ）误差平方ＭＡＥ和和（Ｓ）为优选预测模型的指标。ＳＥ作
测模型为 … ）＝７．９４。２０７３ｅ・
２．９８８８０７）
模型的拟合检验若两者拟合精度好，则模型可用于外推预测；若两者拟合精度不合格，则不可直接用于外推预测，须经残
差修正后，再行外推预测。拟合检验指标有平均相对误差和后验差比值ｃ与小误差概率Ｐ。设．为原始数据序列的标准差，ｓ
西南国防医药２１００年５月第２０卷第５期
・５５３・
两种模型在医院门诊量预测中的应用
武权，海威，王魏
中图分类号
文章编号
星
文献标识码Ａ
ｄｉ１．９９ｊｉｎ１００８．０００．４ｏ：０３６／．ｓ．０４－１８２１．５０１ｓ
（）３
（）４
（）５
．．
霍尔特双参数线性指数
平滑预测模型使用两个平滑参数（均在０—１之间取值）３和
Ｓ残差的标准差，，２Ｃ＝Ｐ＝｛Ｉｌ０６４Ｓ｝其中为ｓ一＜．７５。，
Ｉ）ｌ
ｓ＝ｔＸ为实测值与预测值的残差，Ｘ—ｔ根据拟合检验指标（后验
詈 “ ＋詈
～
（１）
（２）
原始资料的理论预测值：
“）Ｘ）＝ｌ（）一：ｃ，
¨ ，ｔ， … ，（＝１２，）
注：门诊量单位：人次。Ａ医院的预测模型为： … 、：万
２１０ｅ３７一１５７．６１ｔ８８
公式（）３是修正Ｓ，Ｓ被称作数据的平滑值。这个方程
式是把上一期的趋势值ｂ加到Ｓ上，以消除一个滞后，修正Ｓ，使其与实际观察值尽可能地接近；式（）公４应用于趋势的更新，即修正倾向；式（）于预测，公５用它是把修正的
用结构式的因果模型加以解释。时间序列分析（ｉｅｉｔｓｒｓｍｅｅａａｓ）是运用历史的观点，据系统有限长度的运行记ｎｌｉ，ｙｓ根
ｓ实（实为实际值的方差，Ｓ５ｓ残为误差的方差）。
２结果
录，并通过量化手段，建立能较精确地反映时序中所包含动
［关键词］灰色模型；霍尔特线性指数平滑预测模型；门诊量；预测
Ｒ１７３３９．２
１００８（００００５００４— １８２１）５— ５３— ２
预测是实行科学管理的重要手段之一Байду номын сангаас，是决策和计划的前提条件Ｊ。门诊是医院医疗工作的起点，医院直接对外是
态依存关系的数学模型的一种统计分析方法。本研究对两家大型综合性医院的门诊数据用时间序列分析中常用的灰
２１两家医院预测比较．
灰色模型Ｇ１１拟合结果见表１Ｍ（，）。
表１两家医院实测值与预测值比较
色模型、霍尔特双参数线性指数平滑预测模型进行建模和预
．
上述方程中的ｙｆ时间序列在ｔ为时期内的累加数据的估计值，为初始时刻的原始数据，、Ｏ为待定系数。在该／模型中根据最小二乘法来估计参数向量，用残差检验及拟采合优度检验来判断模型的预测精确度。１３双参数指数平滑预测模型．个方程式：
测，然后对所建立的效果进行比较。
１资料与方法
１１资料来源选取北京地区两家大型综合性三甲医院．２０２０门诊就诊人次数据。０１— ０９年１２灰色模型．
㈤＝一
灰色模型Ｇ１１的基本形式：Ｍ（，）
ｒｔ，Ｒ）ａＭＥ及决定系数（）ｅ两个指标来评价Ｇ１１模型、Ｍ（，）霍尔特双参数线性指数平滑预测模型对门诊量拟合的效果。ＭＥ平均误差绝对值／测值的均值，＝（实一ｓ残）Ｒ＝实ＲＳ／
定工作计划和统筹安排提供决策依据。影响门诊量的因素很多，而且影响因素之间又保持着错综复杂的联系，难运很