基于時序序列模型預測醫(yī)院門診人次

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，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)院門診量數據可以反映一個地區(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，本研究基于時間數列的歷史觀察值作為依據，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，為有效利用現有資源以及協調科學發(fā)展提供科學依據。

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據進行分析，利用prophet 乘積模型預測2019年每月的門診量，并以該院2019年實際門診數據驗證模型預測數據的準確性。

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

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據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，可以應用于多種數據類型；②數據靈活，與ARIMA模型不同，曲線擬合問題不需要數據等步長，所以不需要對數據進行一些特殊操作(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，有助于對數據進行迭代；④變量易解釋，模型的大部分變量都有著明確的物理含義，并且擁有一定數據分析經驗的人可以很快地將背景知識轉換為新的參數引入模型。

2 結果

2.1 某醫(yī)院2013—2018年門診人次趨勢

將統(tǒng)計數據可視化為折線圖(見圖1)，可以看出醫(yī)院門診量總體呈現逐年增長趨勢。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：

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

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

prophet程序實現：

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據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年某院實際數據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2013—2018年數據分析，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，利用算法與數據相結合，新方法新技術能夠很好地應用于數據統(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，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]。