廣西老年高血壓患者住院費用的影響因素

高洪達 馮啟明 陳荷 徐婷婷 駱國盛 趙勁民

(1廣西醫科大學信息與管理學院，廣西 南寧 530021；2廣西中醫藥大學公共衛生與管理學院)

據統計，我國的高血壓患者已超過2億人，而60以上老年人高血壓患者占40%～50%〔1〕，平均每兩個老人中就一個患有高血壓，高血壓已經成為危害我國老年人健康的重大的個公共衛生問題〔2〕。但是，由于高血壓多病情復雜、病程較長且不容易治愈，需要消耗較多的醫療衛生資源，不僅給高血壓患者帶來較大的經濟負擔，還不斷助推著住院費用的增長〔3〕。從2004年開始，我國心腦血管的住院費用不斷上升，增速甚至超過了國民生產總值(GDP)〔4〕。本文旨在分析高血壓患者住院費用的影響因素。

1 資料來源與方法

1.1資料來源 數據來源于廣西某大型三甲綜合醫院2012～2016年病案首頁，根據國際疾病分類標準(ICD-10)，選取出院診斷為高血壓1級165例、高血壓2級796例和高血壓3級2 060例患者，ICD-10分類為I10.X03、I10.X04、I10.X05。通過HIS系統收集住院患者病案首頁信息，剔除標準：數據缺失、住院天數低于2 d或者高于90 d及住院費用500元以下或10萬元以上的病例予以剔除，經篩選共有3 021例住院患者進入研究。指標的選擇根據病案首頁所能收集到的信息，其中費用指標采用高血壓患者住院總費用；影響因素指標：性別、民族、婚姻、血型、入院途徑、醫療付款方式、高血壓等級、年齡、住院次數、并發癥數量及實際住院天數等。軟件的選擇：數據存儲選用Microsoft Visual FoxPro9.0軟件，數據的篩選及多元線性回歸擬合分析采用 SPSS19.0軟件進行，對于BP神經網絡(BPANN)的數據擬合分析采用Clementine12.0 進行。

1.2BP ANN模型

1.2.1基本原理 人工ANN是一種模擬生物神經網絡的數學模型，它從信息處理的角度對人腦的神經元網絡進行抽象，并根據連接方式的不同組成不同的網絡模型。BP ANN是人工ANN的一種，是按誤差反向相傳播訓練的多層前饋網絡，基本思想是梯度下降法，利用梯度搜索技術實現網絡期望輸出和實際輸出的誤差均方差最小，基本結構見圖1。

圖1 BP ANN模型算法結構圖

BP ANN包含輸入層、隱藏層和輸出層，每一層包含若干神經元，不同層神經元之間由權值w連接，其基本過程包含信息的正向傳播和誤差的反向傳播：信息的正向傳播時，信息從輸入層經過隱藏層處理后進入輸出層，如果輸出的信息達不到期望水平，則進入誤差的反向傳播，即將誤差信號沿原來信息在神經元間傳播的路徑返回，在返回的過程中逐個修改各層中神經元的權值。此過程不斷循環，權重不斷調整，直到實際輸出和期望輸出間的誤差達到允許的范圍內，這也是ANN的訓練過程〔5～7〕。

Δwij=l×ErrjOi(權重增值)；wij=wij+Δwij(權重更新)

Δθj=l×Errj(偏差增值)；θj=θj+Δθj(偏差更新)。

其中，l是學習率，通常取0～1之間的常數值。

④若前一周期所有的△wij都小于某個閥值或錯誤率小于某一閥值或者超過預先制定的周期數，則終止訓練；否則輸入下一樣本，帶入①繼續訓練。(4)網絡測試：使用測試集對訓練所得的網絡模型進行測試。

1.2.3多元線性回歸模型 多元線性回歸法是研究多個自變量和一個因變量之間的線性關系的方法，是以多個自變量的已知值為條件的回歸分析。多元線性回歸分析法的數學模型為：Y=β0+β1X1+β2X2+…+βPXP，其中Y為因變量，Xi為自變量(i=1，2，3，…，p)，βi為Xi回歸系數，可根據模型中回歸系數的大小判斷自變量對因變量的影響大小。待模型各變量系數求出后，需對模型整體線性的意義進行檢驗(方差分析，α=0.05)及對各變量系數及常量的意義進行檢驗(t檢驗，α=0.05)。

2 結 果

2.1住院費用一般情況 不同高血壓等級間住院費用差異無統計學意義(高血壓1級7 040.25元、2級7 173.29元、3級7 365.95元，Z=2.769，P=0.25)。

2.2分類變量的賦值 分類變量賦值：X1：性別(男=1，女=2)、X2：民族(漢族=1，壯族=2，其他=3)、X3：婚姻〔未婚=1，已婚=2，喪偶=3，離婚=4(剔除婚姻為“其他”的類別)〕、X4：血型〔A型=1，B型=2，O型=3，AB型=4，未查=5(剔除血型“不詳”的類別)〕、X5：入院途徑〔急診=1，門診=2，其他醫療機構轉入=3(剔除入院途徑為“其他”的類別)〕、X6：醫療付款方式(剔除組內樣本數小于5的分組)〔城鎮職工醫保=1，城鎮居民醫保=2，新農合=3，全公費=4，全自費=5，其他付款方式=6(剔除醫療付款方式為“其他”的類別)〕、X7：高血壓等級(高血壓1級=1，高血壓2級=2，高血壓3級=3)、定量變量：住院次數(X9)、年齡(X8)、實際住院天數(Xi1)、并發癥數量(X10)賦值為原始值。

2.3BP ANN模型分析 經BP ANN分析，模型估計準確度為96.944%，輸入層包含31個單元，隱藏層(1層)包含39個單元，輸出層為1個單元，訓練集和測試集分別占樣本量的70%和30%，各影響因素重要程度：實際住院天數為59.8%、并發癥數量為10.5%、醫療付款方式為7.5%、住院次數為6.0%、入院途徑為4.8%、婚姻為3.2%、血型為3.2%、性別為1.6%、年齡為1.4%、民族為1.1%、高血壓等級為1.0%，可知經BP ANN模型的分析，各變量重要程度排名前2分別為實際住院天數和并發癥數量，重要程度在10%以上。

2.4多元線性回歸模型分析結果 根據單樣本的Kolmogorov-Smirnov檢驗得出，統計量Z=10.803，P=0.000<0.05，住院費用變量不符合正態分布，因此不同組建費用的比較采用分參數檢驗，具體選擇多個樣本的Kruskal-WallisH檢驗。分析得出僅有婚姻、血型、性別和醫療付款方式變量組間存在差異(見表1)，因此將婚姻、血型、性別、醫療付款方式以及定量變量(住院次數、年齡、實際住院天數、并發癥數量)作為多元線性回歸模型自變量進行下一步分析。

表1 分類變量的非參數檢驗結果

經Kruskal-WallisH檢驗經得出，僅X1、X3、X4、X6變量的住院費用差異有統計學意義(P<0.05)，因此將該4個分類變量納入多元線性回歸模型自變量。在帶入多元線性回歸方程前，需要對分類變量進行啞變量的轉換，其中將男性、已婚、血型O型、醫療付款方式城鎮職工基本醫療保險的類別設為參考變量。進而以性別、婚姻、血型、醫療付款方式、實際住院天數、并發癥數量、住院次數及年齡為為自變量，住院費用為因變量進行多元線性回歸分析，經多元線性回歸模型擬合后得出，回歸方程為：Y=1 300.939+701.718×X11+513.527×X10-1227.028×X4(X4=5)-1 287.864×X1(X1=2)-60.764×X9+677.873×X4(X4=2)+5 141.983×X6(X6=4)，見表2。

表2 多元線性回歸分析結果

方差分析得出方程F=402.884，P=0.000<0.05，回歸方程有意義。

從多元線性回歸分析的結果中，可以了解到各因素對老年高血壓住院費用影響具體的數值關系，其中實際住院天數、并發癥數量、血型B型、醫療付款方式全公費與住院費用呈正相關，回歸分析中所選取的參考類別為O型血，即B型血高血壓患者的住院費用比O型血患者高677.873元，而醫療付款方式變量所選取的參考類別=城鎮職工基本醫療保險，即全公費高血壓患者的住院費用比城鎮職工醫保患者高5 141.983元。

負相關的自變量有女性、血型未查和住院次數，表示女性高血壓患者的住院費用比男性患者低1 287.864元，未進行血液檢查的高血壓患者的住院費用比查血為O型血患者低1 227.028元，高血壓患者住院次數每增加一次住院費用減少60.764元。見表2。

2.5兩模型誤差結果 通過對兩種方法模型的誤差指標的計算，得出BP ANN模型的調整R2高于多元線性回歸模型，RMSE的比較顯示，BP ANN模型誤差相對要小，見表3。

表3 兩種模型誤差對比

3 討 論

本研究結果暗示未知因素對老年高血壓住院費用存在影響。綜合兩個模型擬合結果，實際住院天數和并發癥數量因素為老年高血壓患者住院費用的主要影響因素。

實際住院天數對住院費用產生正向影響在很多學者的研究中有出現〔10～13〕，屬于醫院可以控制的因素，住院天數的增加必然消耗更多的醫療資源，需要更多的治療、藥品、檢查等。因此，在保證醫療質量的前提下，適當降低住院患者平均住院日，不僅可以降低患者醫療費用，還可以提升病床的使用效率，減少醫院資源的浪費和不必要醫療行為的發生。有研究顯示〔14〕，臨床路徑不會因為病人或者醫生的不同，導致住院天數或者費用的差異，從而達到規范醫療行為，提高服務效率，減少住院天數和醫療資源的浪費，從而達到降費的目的。并發癥的數量雖然不屬于醫院的可控范圍，但與住院天數類似，并發癥越多同樣需要更多的治療或檢查，進而導致費用的增加。

B型血高血壓患者住院費用比O型血高，根據李宗智等〔15〕研究，可能是由于B型血患者學業黏稠度高，容易形成腦血栓，進而增加高血壓患者的住院治療難度；而對于未進行血液檢查的高血壓患者住院費用低，原因可能在于未進行血液檢查意味著省去了部分檢查費用，或者是病情較輕不需要進行血液檢查，治療難度低，而費用也自然相對較低。性別方面對高血壓患者住院費用的影響，與其他研究結果類似〔16〕，可能是由于男女患者生理結構或體制上的差值，導致治療方案和醫療資源需求量的不同，引起的費用差異。

住院次數，即本次住院為第幾次住院，從多元線性回歸分析的結果可以看到，該因素與住院費用呈負相關關系，即住院次數越多，所產生的住院費用越低，原因可能在于住院次數越多，對自身疾病越了解，且有前期的病例記錄，省去了一些重復的檢查等環節，醫院對患者的治療更有針對性，進而對手術或者用藥會更明確，實現降費的效果。

對于醫療付款方式對住院費用的影響主要體現在，全公費高血壓患者的住院費用較高，此類結果在其他學者研究中也有所出現〔17〕，原因可能在于對于醫保患者而言，雖然醫療保險可以報銷一部分，但是自身也要承擔一部分費用，因此會對治療或藥物的價格有所顧忌，會盡量減少不要的檢查，而全公費的患者由于住院費用全部報銷，因此在治療過程中不會過多在意治療藥物和檢查項目的價格情況，進而導致需求膨脹，追求更好的醫療服務〔18，19〕；對于醫院而言，由于醫保對醫院總量控制，所以醫院也會盡量減少藥品或檢查的開支，也會導致醫保患者比公費患者費用低。

ANN模型處理非線性數據資料能力比傳統方法要強〔20〕。而且神經網路模型對數據資料的分布情況無要求，具有容錯性，因此可以運用神經網絡模型處理復雜問題，例如費用的預測等。而多元線性回歸模型在進行數據的擬合過程中，容易受到變量間相關性的干擾，且在有等級或者分類數據資料時，結果容易受到等級或者類別物理數值的影響，進而出現偏差〔7〕。兩種方法結合使用可增加結果的科學性和可信度，針對兩種模型的特點和優勢，可以采用神經網絡進行費用的預測，使用多元線性回歸模型直觀反映各因素與費用間的具體數值關系。

本研究兩模型的誤差分析結構說明ANN模型對數據的擬合效果更好，此現象和其他學者〔20〕研究相類似。而多元線性回歸模型給出的結果僅能解釋患者住院總費用信息量的48.35%(R2=48.35%)，剩下的51.65%的信息通過其他未研究到的因素來解釋，如某些由于未考慮到或技術手段無法獲知等原因，未納入該研究的因素所造成的影響，例如政策的刺激、技術設備的提升、費用結構調整或醫保制度的改變等因素，這一點也提示仍然有很多影響因素需要進一步探討。