文摘
医院的住院管理,停留的预测能力时间(LOS)早在提前进气阶段可能有助于监测住院病人护理的质量。本研究是开发人工神经网络(ANN)模型来预测洛杉矶为住院病人的三个主要诊断:冠状动脉粥样硬化(CAS),心力衰竭(HF)和急性心肌梗死(AMI)在一个基督教医院心血管单位在台北,台湾。共有2377名心脏病患者出院在10月1日2010年12月31日,2011年,进行了分析。使用安或线性回归模型能正确地预测为88.07%至89.95% CAS患者predischarge阶段,88.31%到91.53%的提前进气阶段。AMI或心力衰竭的病人,在predischarge阶段精度范围从64.12%到66.78%和63.69%到67.47%时提前进气阶段2天的公差是允许的。
1。介绍
对卫生保健服务的需求持续增长的人口大多数发达国家。使医疗保健更可负担得起的,决策者和卫生组织试图使财政激励措施与护理流程的实现基于最佳实践和成就更好的病人的结果。(洛杉矶)呆在医院的长度通常是用作保健和医院的效率性能指标。人们普遍认识到,较短的停留表明每排放更少的资源消耗和节约成本而出院后护理是转向更便宜的场所1]。它激励努力开发diagnosis-related组(DRG)病人分类基于类型的医院治疗的费用由医院。这个质量保证计划与未来的支付系统(PPS)和通过联邦政府在美国1983年的医疗保险计划。这种支付系统发现中度医院成本膨胀由于显著下降的平均停留时间(ALOS),指天,病人在医院的平均数量(2]。假设病人共享常见的诊断和人口特征需要资源强度相似,DRG的目的是量化和规范医院资源利用率对病人(3]。
诊断属性以外,大多数研究侧重于两种类型的因素来解释变化的:病人特点和医院特点。检查数据的英国国民医疗服务制度(NHS),这些65岁以上的变化在美国一直大跨所有地区(4]。是观察到的变化在洛杉矶医院之间更大的相比,医生在同一家医院5]。医院治疗管理政策也可以确定洛杉矶。发现精神病学家能够预测洛杉矶的准确率显著,但只有对患者治疗。此外,预测医院协调员参与所有患者治疗与真正的洛明显多于精神病学家的预测(6]。比较从24医院在日本数据显示,住院病人容量和不由自主招生的比例相关积极长洛(7]。更高层次的护理护士和医生之间的交互,比如沟通、协调,冲突管理,显著降低洛(8]。
预测洛杉矶作为一个初步评估病人的风险对更好的资源规划和分配至关重要9),特别是在资源有限,如icu (10,11]。杨等人认为时机洛杉矶预测在三对烧伤病人临床阶段:承认,急性和后处理。使用三种不同的回归模型,最好的平均绝对误差(MAE)在《预言约9天的入学和急性期6天在后处理阶段。与三个治疗相关的变量,结果表明,预测精度明显改善在后处理阶段(11]。洛杉矶的准确预测也可以促进与高灵活性的管理在医院的病床上使用和更好的评估成本效益的治疗(12,13]。
这种预测甚至可以分层患者长时间逗留(根据他们的风险14,15]。索兰托等人使用多元逻辑回归方法来确定长时间逗留的相关因素(> 30天)对急性缺血性中风患者。除了老年(> 65),糖尿病和院内感染相关显著延长洛(14]。李等人分析了洛杉矶数据在澳大利亚和童年肠胃炎,使用健壮的伽马混合回归或线性混合回归方法,发现肠胃糖不耐受和未能茁壮成长显著影响长期洛(16]。Schmelzer等人使用多个逻辑回归方法,发现两个美国麻醉医师协会(ASA)评分和术后并发症是重要的长期预测的洛杉矶结肠切除术后(17]。
罗森等人研究了洛杉矶变化后对医保病人冠状动脉搭桥手术(CABG)在28个医院。他们发现,包括死去的病人没有明显影响的结果。除了年龄和性别,最有力的预测因子是二尖瓣疾病或脑血管疾病史和术前主动脉内球囊泵的位置。在洛杉矶不同医院之间存在着显著的差异,重新接纳率线性相关长洛(18]。詹森等人建造了一个逻辑回归模型来预测概率对病人在ICU后品质要求3或更多天。只有60%的患者预测高风险有长期ICU停留15]。张等人发现,在术前因素,超过75岁,慢性阻塞性肺疾病(COPD)患者的多洛选择性肾下的主动脉手术(19]。
尽管诊断一直被认为是影响住院的主要因素,患者的临床状况,如诊断的数量和强度所需的护理服务,可能是至关重要的在确定一些drg内洛变化20.]。一项研究显示,只有12%的差异可以解释为病人特点和综合医院特点的主要诊断患者急性心肌梗塞(AMI) (21]。对于心力衰竭患者,Whellan等人研究了数据从246年医院录取预测洛杉矶。长洛患者有较高的疾病严重程度和更多的并发症,如高血压、心律失常、糖尿病、慢性阻塞性肺病、慢性肾功能不全或衰竭。然而,基于特征的整体模型在入学的时候解释只有适度的洛杉矶变化(22]。
本研究的目的是开发人工神经网络(ANN)模型来预测洛杉矶为住院病人的三个主要诊断:冠状动脉粥样硬化(CAS),心力衰竭(HF)和急性心肌梗死(AMI)在一个基督教医院心血管单位在台北,台湾。更好的识别关键因素在承认之前确定洛,或能力来预测个体病人的洛杉矶,可以促进有效的招生政策的发展和优化资源管理在医院。本研究旨在利用ANN预测洛杉矶三个主要患者诊断:冠状动脉粥样硬化(CAS),心力衰竭(HF)、急性心肌梗死(AMI)在心血管单位。此外,在美国预测提出了两个阶段:一个使用所有临床因素,指定为predischarge阶段,而另一只使用可用的因素在入学之前,指定为提前进气阶段。预测结果在predischarge阶段被用来评估的相对有效性在预测洛杉矶在提前进气阶段。
本文的其余部分组织如下。节2数据收集和处理,该方法包括步骤和预测模型建设。然后,不同的预测结果提出了人工神经网络(ANN)模型3。的讨论结果和结论部分中给出的研究发现4局限性和未来的研究方向。
2。方法
2.1。数据源和数据预处理
本研究马偕纪念医院的机构审查委员会批准(IRB)保护人类受试者的研究。心脏病患者均获得临床和行政数据排放之间的10月1日2010年12月31日,2011年,在一个基督教医院台北市区的两个地点,台湾:台北分行和淡水分支。共有2424名患者的入院病例收集三个主要诊断之一:中科院,高频,AMI。然后47招生被确认为异常值,超过三个标准差的意思是,当适合消除向前回归和向后回归模型。剩余的2377例中,933例冠状动脉粥样硬化(CAS)患者中,872年的心力衰竭(HF)患者,和572年急性心肌梗塞(AMI)患者,总结如表1。《任何病人的心脏病单位被定义为从进入放电的时间范围从1到35天,平均为5.73,标准差为5.44,平均4天。约63%是男性。范围从21岁到99岁,平均67.07,标准差为14.35,平均68;35%是75岁或以上。
承认情况可能有0到多个并发症及类似病史都聚合到疾病的因素。例如,高血压病的历史包含四种类型的疾病被ICD-9码401(原发性高血压)到404(高血压心脏病和慢性肾脏疾病)。每一种情况下可能有0到多个干预在入学。共有46种干预或诊断辅助服务中发现的数据集,只有6干预顶部超过5%发生在整个数据集在本研究采用。TW-DRG支付,最后一个特征是关于是否录取情况下报销的pay-per-case(即。、TW-DRG)系统实现的国家医疗保险管理局(NHIA)。台湾的NHIA提供全民医疗保险制度,覆盖了大约99%的人口23]。除了使用费用支付系统,NHIA开始引入TW-DRG的第一阶段从2010年与164年团体。因为病例相同的DRG补偿相同,它是鼓励医院改善财务表现更好的利用医疗资源(24]。在收集的数据中,25%由NHIA通过TW-DRG报销付款。
2.2。统计分析
皮尔森相关系数是用来研究洛和每个住院病人的特征之间的关系。总结如表2,观察到的所有特征都明显与洛除了慢性气道阻塞的疾病(ICD 496)。至于风险因素,三大显著正相关变量时间洛杉矶是心力衰竭患者428 (ICD)为主要诊断、老年和女性。一致的发现是相关因素长期洛从文学:女,年龄的增加,和脑血管疾病和糖尿病等并发症18,19,22]。三大显著负相关变量时间洛杉矶是冠状动脉粥样硬化患者414 (ICD)为主要诊断,谁经历了经皮穿冠状血管成形术(PTCA)或经皮冠状动脉介入(PCI)。
如图1在数据分布偏斜,一些情况下保持超过14天。洛杉矶ca患者的平均和标准偏差分别为2.63天和2.25天,分别。AMI和心力衰竭患者中,洛杉矶的平均和标准偏差分别为7.74天和5.93天,分别。洛杉矶ca患者的分布明显不同,对于患者AMI或高频(值< 0.0001),表明不同的预测模型应该为non-CAS建立ca患者和患者或称为AMI和心力衰竭患者。
2.3。结构的人工神经网络(ann)
深厚的临床知识和技术的增长,开发更复杂的信息系统支持临床决策是至关重要的,提高产品质量和提高效率。人工神经网络(ann)是有用的在复杂系统建模并应用在各个领域,从会计学校录取25]。查克和Cerpa提出四个设计标准在人工神经网络(ANN)模型:适当的输入变量,最好的学习方法,隐藏层的数量,和神经每个隐层节点的数量26]。安的学习方法可以监督或无监督,根据输出值之前应该知道或应该知道直接从输入值。监督学习,反向传播是最常用的方法之一,由于其鲁棒性和易于实现(27]。
使用安的临床效益显著的在特定领域,如宫颈细胞学和早期发现急性心肌梗塞(AMI) (28]。与逻辑回归相比,人工神经网络在预测医疗结果发现有用由于其非线性统计原则和推理的性质(29日]。苗种等人采用的ANN预测生存结果系统性炎症反应综合征患者和血液动力学休克。提高安迭代的性能后,预测结果更准确比使用逻辑回归模型(30.]。Gholipour等人利用ANN模型预测结果ICU生存和《创伤患者。结果表明,平均预测洛杉矶使用安没有明显不同的比实际的意思是洛(31日]。Launay安等人开发的模型来预测长期洛(13天及以上)的急诊病人(80岁以上)32]。基于生物医学文献从PUBMED Dreiseitl和Ohno-Machado表明,ANN模型的歧视性的性能不更好或更糟的是,93%的受访论文相比,逻辑回归方法(33]。Grossi等人发现ANN模型优于传统的统计方法在精度在不同的胃肠病学诊断和预后问题[34]。
用于一个ANN模型输入变量的选择是至关重要的。李等人发现,ANN模型使用所有输入变量产生预测精度略高于使用变量筛选的一个子集的相关分析(35]。因此,我们决定考虑所有住院病人的特征,包括性别、年龄、位置、主要诊断、八个类型的疾病,六个类型的干预,以及是否符合TW-DRG报销的标准。这些输入变量被分为两个阶段:提前进气阶段和predischarge阶段,如表所示3。变量在提前进气阶段包括住院前信息,如性别、年龄、医院分支(位置)承认,主要诊断、和并发症。predischarge阶段,额外变量在提前进气阶段,它包括干预和是否被TW-DRG报销付款。案例是由TW-DRG报销付款,不是默认pay-per-service,根据实际的放电条件如外科手术、治疗和放电状态根据NHIA指南(36]。
单独的人工神经网络建立预测洛杉矶:一个用于冠状动脉粥样硬化(CAS)病人,另一个用于心力衰竭或AMI急性心肌梗死和心力衰竭患者。图2显示了反向传播人工神经网络的一般结构研究。输出层只有一个神经元,它生成一个数字范围从0到35代表预测洛杉矶。输入层的大小取决于输入变量的数量。这里,使用输入变量的预测模型在predischarge阶段被称为predischarge模型。同样,该模型使用变量在提前进气阶段被称为提前进气模型。predischarge模型,输入层的ANN模型有18个神经元()对CAS患者。AMI和心力衰竭患者的价值19岁与另一个神经元与布尔值来表示是否主要诊断是高频predischarge模型。在提前进气模型的价值是11和12 CAS患者AMI和心力衰竭患者,分别。
至于隐层,发现更多的神经元,使一个更好的closeness-of-fit [37)培训较低的错误(38]。然而,安大尺寸还需要更多的培训工作(39和可能导致过度拟合38]。一些研究表明神经在隐藏层节点的数量的2/3至2倍大小的输入层(26,39,40]。
3所示。结果
在本节中,《预测predischarge使用人工神经网络模型和提前进气模型是基准测试结果使用线性回归(LR)模型。所有的预测模型是实现使用IBM®SPSS®v。21和IBM SPSS神经网络21。类似于初步试验原始数据分为训练数据集和测试数据集。训练数据集包括744 ca患者和1155年招生录取AMI和心力衰竭的病人,和测试数据集包括189 ca患者和289年招生录取AMI和心力衰竭患者。在训练任何ANN模型,70%的训练数据集被随机分配到训练集,其余30%验证集。训练停止当训练时期的数量达到2000或600年验证错误没有改善时代连续。LR模型,整个训练数据集被用来生成线性回归函数。
3.1。CAS患者
预测模型的性能评估使用相同的测试数据集。自《预测得到安或LR模型是连续的数字,我们进一步定义洛杉矶的预测是准确的,如果不同之处在于1天内的实际洛杉矶ca患者。此外,可预见性的有效性测量根据平均绝对误差(MAE)和平均相对误差(绝笔),定义如下: 在哪里和的实际预测洛杉矶和洛杉矶吗测试数据,,测试实例的数量。
将数据的随机性选择培训安,结果显示在表中495%的置信区间(95% CI)精度,基于30分美,绝笔。所有的模型非常有效地预测洛杉矶,与准确率从88.07%到91.53%不等,美从1到1.11天,0.44到0.47的绝笔。图3显示了一个详细的观察分布在准确预测洛杉矶测试数据集。发现LR模型执行比ANN模型洛杉矶2天,患者约60%的测试数据集。然而,LR和ANN模型无法正确预测洛杉矶超过5天,占3.7%的测试数据集。
3.2。对AMI和心力衰竭患者
相同的性能指标用于评估预测模型的有效性对AMI和心力衰竭患者。结果总结在表5表明,这些模型不是有效地预测洛杉矶ca患者,与准确率从32.99%到36.33%不等。所有模型的美一直相当稳定,从3.76到3.97天,0.69到0.77的绝笔。进一步说,考虑到高度变异的分布,准确的定义已经扩展到包括两个场景:允许的公差为1天(LOS预测的区别实际洛小于2天)或2天是被允许的公差(LOS预测实际的差异洛杉矶小于3天)。然而,这些模型的准确率从63.69%上升到67.47%甚至只有2天的预测偏差被允许在表5。
图4显示故障的准确预测洛杉矶没有宽容的测试数据集。可以看出LR和ANN模型进行更好的预测洛杉矶8至11天。predischarge模型中,安执行比洛杉矶患者LR模型3,5,6或7天,这是大约60%的测试数据集。此外,如大小图表,如图所示4,ANN模型能够预测正确的情况下洛大于11天,占14.5%的测试数据集。然而,LR和ANN模型无法正确预测洛杉矶大于18天,占5.9%的测试数据集。
3.3。ANN模型的验证
确定一个合适的结构安用在这项研究中,首次进行了初步试验来确定一个适当的结构ANN模型,假设神经元激活函数用于隐层中的每个神经元log-sigmoidal函数输出在0和1之间(41]。原始数据分为两组:训练数据集和测试数据集。训练数据集包括第一12个月数据,从10月1日2010年9月30日,2011年,744年中科院招生AMI病人和1155个招生和心力衰竭患者。测试数据集包含的数据在过去的3个月,与189年招生CAS患者和289年招生AMI和心力衰竭患者。
避免过度拟合训练数据集被进一步分为两组:一组培训,更新重量和偏见,和一个验证集,停止训练,当安可能会过度拟合。在这项研究中,在训练中训练集和验证集的大小所有ANN模型假定为70%和30%的训练数据集。安被修改的重量使用可变学习速率梯度像样的算法与动量(42]。训练时停止训练时期的数量达到2000或没有改善的验证错误连续600时代。安训练后,模型被用来获得预测洛杉矶的测试数据集。此外,为了避免随机性的影响当比较结果,一个固定的训练集和验证集在训练时使用反向传播人工神经网络。图5显示根均方误差(RMSE)训练集,验证集和测试数据集训练有素的ANN模型与不同数量的隐层神经元,从10到30。训练的错误被发现稍微减少更多的神经元被包含在隐藏层。然而,没有过度拟合观测和测试错误一直相当稳定的模型。
平衡所需的训练工作和测试改进错误,隐层神经元的数量,或者的价值在图2,将13 ANN模型。图6显示隐藏输入神经元和神经元之间的重量分布,每个点显示的重量一个输入神经元的一些隐藏的神经元,并且每个输入神经元共有13点(权重)与隐层。进一步验证以来安本研究中使用的大小重量从−1.5到1.5分散均匀,只有几个点(权重)接近于零。
4所示。讨论和结论
本研究提出了利用神经网络技术来预测洛杉矶为患者心血管单元三种主要诊断:冠状动脉粥样硬化(CAS),心力衰竭(HF)、急性心肌梗死(AMI)。主要基于结果的观察,提前进气模型,有效地预测洛杉矶predischarge模型。甚至发现一些提前进气模型表现略优于predischarge模型如表所示4和5。这个观察表明,病人是否会被TW-DRG报销没有提供额外的预测能力在美国,和一个假设,即短洛杉矶会首选为了医院的财务业绩DRG实施时不适用在我们医院。
利用ANN模型的好处是更重要的在预测长期洛杉矶高频和AMI患者。当预测长期的洛杉矶,大多数文献制定了预测模型以确定是否承认可能属于一个长期呆在14,15,17)或《是否可能在一个固定范围的洛天内(16,22]。莫布里等的研究。43]预测准确的洛天postcoronary病房的病人。与629年和127年招生培训和测试文件,共有74个输入变量被用来预测1到20洛天ann。洛杉矶的平均值为3.84天,3.49天的培训文件和测试文件。他们没有表现出显著差异在实际分布预测洛杉矶和洛杉矶在测试文件。然而,安与两个或三个隐藏层没有预测洛杉矶超出5天(43]。在这项研究中,洛杉矶的平均值为2.65天,2.53天的训练数据集和测试数据集CAS患者。只有18个输入变量,我们的模型能够正确地预测患者洛杉矶如图5天3。AMI和心力衰竭患者中,洛杉矶的平均值为7.86天,7.23天的训练数据集和测试数据集。与LR方法相比,ANN模型能够预测患者保持超过11天,如图4。
一般来说,它是发现LR模型表现略优于ANN模型的精度如表4和5。可能是因为每个ANN模型的原因是由只有70%的训练数据集,由第一个12个月的数据,测试数据集,剩下的三个月数据,已经高度符合之前的12个月。这种现象意味着临床路径的医院在我们的案例中。
这项研究的局限是主要的诊断和并发症的患者被认为是著名的提前进气阶段。进一步研究建议充分评估使用ANN模型的预测,尤其是对患者可能需要再洛杉矶。而不是预测实际的洛杉矶,它可能是实际首先洛杉矶的归类为高危人群。更有耐心的特点,如生命体征或实验室数据的时候承认,可以包括改善洛杉矶可预测性的性能。
床上供给是有限的,利用医院的病床被认为是至关重要的经济手段大多数医院和相关的任何政策改善床利用具有深远影响的感知质量提供护理和病人和医生的满足感。目前,住院医师只依赖聚合数据,如入住率和平均洛,访问性能和竞争力在医院诊所。可靠的洛杉矶预测提前进气阶段可能会进一步协助识别异常或潜在医疗风险为个案引发额外的关注。它甚至允许床经理预见任何瓶颈在床上可用性时承认患者避免不必要的床病房之间的转移。
相互竞争的利益
作者宣称没有利益冲突。
确认
研究了金融支持的国立台北大学Technology-Mackay纪念医院联合研究项目(长程-嗯- 100 - 15)。作者要感谢Cheng-Hsien毛的洞察力的输入和整个行政人员参与医院寻求帮助和支持。