醫院精細化管理：門診量預測模型的建立

丁 磊 程 紅 牛 珉 李環廷 蔣光峰

青島大學附屬醫院 (266000)

醫院精細化管理：門診量預測模型的建立

丁 磊 程 紅 牛 珉 李環廷△蔣光峰△

青島大學附屬醫院 (266000)

目的探討門診量預測建模方法，為醫院運營精細化管理提供參考依據。方法基于山東省某省級綜合性醫院2013-2016年各月門診量等數據，探討回歸、指數平滑及ARIMA等三類多個模型，根據決定系數(R2)、貝葉斯信息準則(BIC)及Ljung-BoxQ統計量確定相應類別最優模型；通過比較三類最優模型的平均相對預測誤差(MRFE)，選擇誤差最小者為最終最優模型。結果最優回歸預測模型表示為：月門診量=月法定工作日天數×12643.946+78959.827，R2為0.20，MRFE為10.0%；最優指數平滑模型為Winters加法指數平滑模型，水平常數α、趨勢常數λ及季節常數δ分別為0.300 、4.177×10-5及6.397×10-5，R2、BIC及Ljung-BoxQ分別為0.952、18.913及17.096，MRFE為3.0%；最優ARIMA模型為ARIMA(1,1,0)(0,1,0)12，R2、BIC及Ljung-BoxQ分別為0.775、19.751及21.028，MRFE為7.4%。結論綜合探討門診量預測建模方法并確定最優預測模型是推進醫院精細化管理的有效措施。

醫院精細化管理 回歸 時間序列分析 預測

醫院精細化管理是圍繞以人為核心，將精細化管理的思想、方法、工具貫穿于整個醫療體系的管理過程，是現代醫院發展的必由之路，包括醫療、護理、醫院運營等精細化管理內容[1-4]。門診量是醫院運營管理的重要評價指標之一；深入分析并準確預測門診量對醫療精細化管理及醫療服務有指導意義。本研究旨在利用某省級綜合性醫院2013至2016年月門診量等數據，通過探討多種門診量預測建模方法以確定最優模型，從而為醫院精細化管理提供參考依據。

資料與方法

1.資料來源：山東省某省級綜合性醫院2013-2016年各月門診量數據、國家規定各月法定工作日天數、醫院所在市各月平均最低氣溫及平均最高氣溫。各月門診量數據來源于該醫院信息化統計報表，所在市各月平均最低氣溫及平均最高氣溫來源官方權威天氣查詢系統。

2.分析方法：采用Pearson相關分析變量間兩兩相關性,并探討曲線擬合關系(一次、二次或三次曲線)；采用回歸分析月門診量影響因素并建立預測模型；應用時間序列分析方法探討多個門診量指數平滑模型及ARIMA模型，根據決定系數(R2)、貝葉斯信息準則(BIC)及Ljung-BoxQ統計量確定相應類別最優模型；分別應用最優回歸模型、指數平滑模型及ARIMA模型對月門診量進行預測，以平均相對預測誤差(mean relative forecast errors,MRFE)最小者為最終最優模型。所有分析均在SPSS 16.0軟件中完成，以雙側檢驗P<0.05認為差異具有統計學意義。

結 果

1.門診量相關因素分析

將月門診量分別與月法定工作日天數、月平均最低氣溫及月平均最高氣溫進行兩兩相關分析，結果顯示變量兩兩間均存在顯著相關性，相關系數r分別為0.447、0.358及0.359 (P均<0.05)。月門診量與月法定工作日一次、二次及三次曲線擬合的R2分別為0.20、0.20及0.23；與月平均最低氣溫一次、二次及三次曲線擬合的R2分別為0.13、0.13及0.17；與月平均最高氣溫一次、二次及三次曲線擬合的R2分別為0.13、0.13及0.16。鑒于三次曲線較一次及二次曲線復雜度按數量級計，而R2僅比一次及二次曲線高0.03左右，因此綜合考慮選擇一次曲線進行關系擬合。

2.月門診量回歸分析及預測

以月門診量為因變量，月法定工作日天數、月平均最低氣溫及月平均最高氣溫為自變量同時納入逐步線性回歸分析，結果顯示僅月法定工作日天數為月門診量的顯著影響因素(P<0.01)，擬合回歸方程為：月門診量=月法定工作日天數×12643.946+78959.827，R2為0.20(見圖1)。將11月法定工作日天數22代入方程進行預測，得到11月門診量預測值為357127，其95%置信區間(confidence interval,CI)為[340371,373882]。與11月實際門診量396825相比，可得MRFE為10.0%。

3.月門診量指數平滑模型及預測

應用時間序列分析分別探討月門診量非季節性及季節性等多種指數平滑模型，以R2值最大、BIC值及Ljung-BoxQ值最小為標準判斷最優模型，最終Winters加法指數平滑模型入選最優，其R2、BIC及Ljung-BoxQ分別為0.952、18.913及17.096(參數見表1)。應用該模型預測，11月門診量預測值及95%CI為384846[362073,407618]。與11月實際門診量相比，可得MRFE為3.0%(見圖2)。

圖1 月門診量與法定工作日天數關系圖

項目參數估計值參數估計值標準差tPα(水平常數)0.3000.1092.7550.009λ(趨勢常數)4.177×10-50.0630.0010.999δ(季節常數)6.397×10-50.1380.0001.000

圖2 Winters加法指數平滑模型對月門診量的預測

4.月門診量ARIMA模型及預測

應用時間序列分析探討多個月門診量ARIMA模型，以R2值最大、BIC值及Ljung-BoxQ值最小為標準判斷最優模型，最終認為ARIMA(1,1,0)(0,1,0)12為最優模型，其R2、BIC及Ljung-BoxQ分別為0.775、19.751及21.028。應用該模型預測，11月門診量預測值及95%CI為367638[330782,404495]。與11月實際值相比，可得MRFE為7.4%。

討 論

本研究探討得到三類模型中各自相對最優模型，并應用其對月門診量分別進行預測，其中以Winters加法指數平滑模型MRFE最低(3%)、BIC及Ljung-BoxQ值最小，R2達0.952，提示其可作為最優模型對月門診量準確預測。該模型充分利用各月數據間的時點關聯性、趨勢性及季節性，并估算出相應參數值以預測，由圖2見，模型門診量擬合值與實際值基本吻合，擬合效果良好。吳學智[5]等采用指數平滑及ARIMA兩種建模來預測門診量，發現季節性指數平滑模型預測總體相對誤差為1.72%，明顯低于ARIMA的7.27%，與本研究結論相符。耿娟[6]等，向前[7]等應用ARIMA模型預測門診量，得到MRFE分別為5.28%、6.11%，與本研究ARIMA的預測誤差(7.40%)相近，亦高于本研究Winters加法指數平滑模型的3.00%。張文濤[8]等對某醫院2004-2013年月門診量進行分析，最終建立ARIMA(1,1,0)(0,1,0)12模型，與本研究ARIMA模型一致。值得注意，不同醫院門診量變化規律未必一致,因此醫務管理人員要根據各醫院實際，綜合探討多種建模方法以得到各自醫院的最優預測模型。

與既往研究相比[5-11]，本研究探討的模型種類及數量較多，討論重點不在于研究醫院門診量的變動規律及可能解釋原因，而在于門診量預測模型在醫院精細化管理中的應用。應用門診量預測模型可及早合理配置醫療資源，如經預測醫院某月或季度門診量將明顯高于既往月或季度，則醫院管理人員就應未雨綢繆，根據門診量預增幅度，有針對性地量化加強候診室就醫秩序管控、引導員數量、門診醫護力量及醫務人員心理預期等措施，使門診工作平穩有序開展。應用門診量預測模型可輔助醫務管理人員及時發現醫院運行管理過程中產生的問題，如預測模型可提供門診量預測值及其95%CI，若實際門診量位于預測95%CI內，則提示醫院醫療運行工作較為平穩；若低于CI下限，則提示醫院內部運營管理或外部環境等產生不利因素，此時醫務管理人員應及時調查落實“癥結”所在，及早采取措施解決問題；若高于CI上限，則提示醫院運行勢頭良好，醫務人員應積極總結經驗并繼續推進醫院良好運行。應用門診量預測模型可協助評估醫院政策措施的利弊，如在醫院采取某項門診管理措施或政策后，管理人員可利用既往門診量數據預測其實施后一段時間的門診量，若實際門診量超過預測CI上限，則提示措施或政策有利有效，若低于CI下限，則提示該政策或措施不利于門診醫療工作運行，若位于CI內，則提示效果欠佳或尚需更長時間考察成效。此外，醫務管理人員可借鑒本研究建模方法對其他醫院管理指標進行探討預測，從而更綜合更精細地評估醫療工作質量和效率。

[1] 易利華主編.醫院精細化管理概論.北京：人民衛生出版社，2010.

[2] 毛羽,張巖,邢紅娟,等.公立醫院實施精細化管理的可行性.中華醫院管理雜志,2008,24(5):345-347.

[3] 李萍，劉鵬.加強醫院精細化管理的思考.現代醫院管理,2011,9(5):28-30.

[4] 王志剛.醫院精細化管理是現代醫院發展的必由之路.中醫藥管理雜志,2016,24(15):74-75.

[5] 吳學智,何為虎,王安政.用兩種時間序列分析方法預測門診量及效果評價.中國病案,2016,17(8):30-32.

[6] 耿娟.ARIMA模型在醫院門診量預測中的應用.中國衛生統計,2014,31(4):643-645.

[7] 向前,陳平雁.預測醫院門診量的ARIMA模型構建及應用.南方醫科大學學報,2009,29(5):1076-1078.

[8] 張文濤,許冰心,孫鵬,等.某三甲綜合醫院2004-2013年門診量變化趨勢預測分析.中國衛生統計,2016,33(1):115-117.

[9] 薛允蓮.廣州某院門診量的ARIMA模型預測.中國衛生統計,2015,32(2):317-318.

[10]毛以成,黃利娟,查君敬,等.移動平均季節指數法分析及預測醫院門診量和出院人數.中國病案,2015(11):46-49.

[11]周琴.利用ARIMA乘積季節模型預測某綜合醫院門診量.中國醫院統計,2016,23(2):141-142.

△通信作者：李環廷，E-mail:lihuanting26@163.com; 蔣光峰， E-mail：qdsleep@126.com

張 悅)