基于人工智能的醫院智能財務發展研究

余 成，翟志斌，王德城，黃傳堂，吳澤杰，周承鐳，黃世俊，江正有

（東莞市婦幼保健院信息科，廣東 東莞 523000）

廣義上，財務管理包括會計、稅務、審計、預算和債務管理，以及投資、融資和運營決策。我國的金融管理分為以下五個發展階段：傳統階段、計算機化階段、信息化階段、智能化階段和智慧化階段[1，2]。“智慧金融”管理是人工智能技術不斷進步的產物，為金融管理領域的轉型提供了更新穎的路徑和更廣闊的空間[3，4]，其本質特征在于對經濟活動中的價值流進行更科學、更人性化的管理，這體現在醫院、大學和其他實體組織的實際業務發展的有機結合上，可以解放人力資源，提高分析和判斷財務狀況的能力。本文從人工智能的發展過程和智能金融的優越性出發，探討醫院智慧財務金融的創新方案。

1 問題分析

1.1 財務信息化程度不夠 目前，大多數醫院的財務信息化程度不高，財務信息化主要體現在會計上，但其他財務工作仍采用人工記錄，工作效率不高[5]。例如，許多醫院在預算編制和預算執行中或通過財務人員使用Excel 表格進行手動登記和匯總。由于綜合醫院涉及多個科室，隨著經濟規模的不斷擴大，經濟問題也越來越多[6]。在手動登記和匯總的過程中，很容易錯過重新記錄，這將影響預算編制和執行結果。另外，在許多醫院的財務報銷流程中，報銷申請填寫、表單審批、報銷原始附件、會計憑證的獲取等環節都是人工操作，信息程度不高。傳統的財務報銷流程通常分為7 個步驟，見圖1。在上述模式中，根據業務需要可能存在多級審批，報銷代理需要找到不同的審批人員進行報銷審批。由于審批人員多為行政領導，公務繁重，可能會造成報銷代理人跑空現象，降低報銷效率。對于審批人員來說，每天零散、多個審批簽名占用了大量時間，每一個審批簽名也會打斷審批人員的工作思路，影響工作效率。財務人員手動計算報銷金額并準備會計憑證。隨著醫院業務量的增加，經濟事項越來越多，人工報銷效率不高，容易出錯。通過信息技術實現“移動審批”和“網上報銷”，可以減少報銷操作人員，提高財務報銷效率。

圖1 傳統的財務報銷流程

1.2 缺乏完善的金融風險預警系統 在醫院的傳統財務模式下，后期管理是財務風險的主要管理方法。對于財務管理風險，缺乏預警和過程控制，缺乏動態財務風險管理機制，這使得醫院財務管理中的財務風險管理具有明顯的滯后性[7]。在醫院的財務管理中，現金流風險是面臨的主要財務風險。例如，在傳染病流行時，一些醫院關閉了全部或部分門診，導致門診患者和慢性病住院患者、門診就診人數和住院患者急劇下降，醫療收入和現金流急劇下降。與此同時，醫療防護設備、消毒和其他設備的當前成本大幅增加，導致現金流支出大幅增加。現金流收入的減少和支出的增加使醫院面臨巨大的財務問題，資金狀況嚴峻。因此，醫院應加強對金融風險的控制，尤其是現金流的控制，并建立覆蓋經濟業務全過程的動態金融風險預警系統。

1.3 “信息孤島”問題 大多數醫院的財務系統與醫院信息系統、資產和人員管理完全相連，無法實現信息共享[8]。“信息孤島”問題非常嚴重。同時，由于不同的供應商提供不同的信息系統，而且每個系統之間的標準和規范也不同，因此無法實現兼容性，導致系統之間數據資源無法有效整合。例如，門診費用、住院費用和其他收入信息。在醫院信息系統中，很難與財務會計系統實時連接和共享。因此，日常醫療收入和其他會計仍處于手工會計狀態。金融和采購供應系統之間缺乏聯系，很容易導致醫院物資流、資金流和信息流無法有效形成良性循環，這可能導致賬目不匹配和數據缺乏真實性[9，10]。同時，如果信息管理不力，就難以進行準確的財務會計，也無法及時發現運營和管理問題，導致大量數據收集或整理重復，浪費大量資源，嚴重影響財務管理的效率。

2 BP 神經網絡模型

2.1 醫院智能財務模式下BP 神經網絡模型的算法

2.1.1 基本結構 常見的神經網絡可以分為三部分：輸入層、輸出層和幾個隱藏層[11]。圖2 是典型的三層神經網絡結構，圖3 是每個神經元模型的結構。

圖2 基本結構

圖3 單個神經元模型的結構

‘Xn’代表‘n’神經元的輸入值，‘Wn’代表“i”神經元的連接權重值，‘θ’是閾值，‘Yi’是‘i’神經元的輸出值。產生的激活函數如下：

其中激活函數是指在神經元中引入非線性因素，從而使神經網絡可以任意接近任何非線性函數。Sigmoid 函數、tanh 函數和ReLU 函數是學術會議中使用的相對廣泛的激活函數。閾值是有限的值。“WiXi”總和后的差異結果最終表示為抑制或激活事件，并給出輸出結果，通常采用二進制科學計數方法[12]。如果差值小于或等于0 且Y=0，則狀態表示抑制。如果差值大于0 且Y=1，則狀態表示激活。

2.1.2 BP 訓練方法 訓練BP 神經網絡需要調整和優化兩個參數：權重和偏差。神經網絡能夠準確反映訓練結果的前提是模型經過充分訓練，通過訓練獲得最佳模型參數：連接權重“W”和“θ”。參數學習的主要訓練方法是BP 算法，該算法主要基于梯度下降算法，也是實際工作中用于訓練神經網絡模型參數的常用算法。梯度下降法的主要工作原理是沿最快局部下降方向求解參數的最優解。

BP 算法的兩個過程是正向傳播和反向傳播[13]。正向傳播是信號，反向傳播是誤差。誤差值在沒有給定誤差范圍的情況下反向傳播以校正單元權重。由于BP 算法中的參數學習是基于梯度下降算法，因此梯度下降的核心是梯度的計算[14]。神經網絡的訓練通常分為4 個過程[15]。第一個過程前進，計算輸出值和實際值之間的誤差值。第二個過程反向傳播計算所有神經元對每層總誤差的貢獻值，主要是輸出層和隱藏層的兩類值。計算第三個過程梯度，以確定總誤差相對于參數權重和閾值更新的每個模型參數的梯度。更新第四個過程參數，更新權重和閾值。

2.1.3 選擇參數 輸入層中節點的數目是輸入神經元的數目。根據分析劃分輸出層中的點數。如果是分類問題，相應的節點數就是分類數。如果是回歸問題，則相應的節點數等于1。隱藏層中的層數和節點數將使模型對訓練集過于滿意，并容易出現過度擬合，而隱藏層的數量和隱藏層節點的數量太小，則會出現欠擬合。這里沒有辦法精確確定隱藏節點的數量，可以根據經驗公式來計算隱藏節點的具體數量。

在上述公式中，“l”表示隱藏層中的節點數，“n”表示輸入層中的結點數，“k”表示輸出層中的數目，“i”表示0 到9 之間的任何常數。

2.1.4 數據標準化 數據規范化非常重要。輸入層將涉及各種不同的指標。這些指標維度和多維單位是不同的，不同的指標將直接反饋數據結果的不準確。數據標準化處理的目的是消除維度的影響，使數據指標具有相同的數量級，并且每個指標都適用于綜合比較評價。本研究中使用的方法是歸一化方法，將數字轉換為0 到1 之間的十進制。得到以下公式：

在上述公式中，“Xn”表示原始指示符，“Xmax”表示所有數據中“X”的最大值，“Xmin”表示全部數據中“X”的最小值，“Xn（new）”是通過對原始索引“Xn”進行歸一化而獲得的新值。

2.2 BP 神經網絡模型數據處理 本研究主要使用MATLAB 編程軟件來訓練和模擬神經網絡的結果。數據主要來自醫院智能金融發展研究中隨機選擇的背景金融數據。初始數據樣本有3365 個數據集，數據分類見表1。

表1 數據分類

在本研究中，將數據導入MATLAB 軟件進行分析。根據標準化方法，所有3365 組數據均為（0，1）之間的小數。歸一化分析后，隨機選擇3000 組數據作為訓練集，其余365 組數據用作實驗集。在此基礎上，驗證了模型預測的準確性。訓練步長為500，預期誤差目標為0.001，學習步長為0.01。

在上述實驗中，隱藏層節點的數量被設置為7、8、9、10 和11，并且通過使用訓練集數據來訓練BP神經網絡模型。主要從以下兩個方面考察不同隱藏節點的訓練效果：①分析了信用級別識別錯誤的總數；②單獨分析偏離度的相對誤差。

對于回歸預測模型，如果預測可以在同一坐標系中繪制預測值和實際值。在實際模型中，判斷系數R2通常用于評估回歸模型的實際結果，即評估回歸模型解釋因變量y 變化的程度。當R2值范圍為0～1時，通常使用百分比表示。如果回歸模型的R2=0.7，則該回歸模型的預測結果可解釋性為70%。學術界一致認為R2大于0.75，具有更好的模型擬合性和高度的可解釋性。如果R2小于0.5，則可以認為其在模型擬合中存在問題，不適用于回歸分析。

使用MATLAB 模型評估R2回歸模型。從實驗組的評分數據計算出R2=0.993 51，反映了本文對金融風險的良好估計能力和高準確性。如果將該模型應用到財務指標評分的實際過程中，可以幫助醫院準確確定每個財務風險的評分，從而有效幫助醫院對估計的財務風險狀況做出合理判斷。

本次根據多個二級指標模擬醫院神經網絡模型的財務智能。通過MATLAB 軟件，使用BP 神經網絡模型進行模型訓練和仿真，并通過模型的良好仿真結果，證明了該模型能夠預測和評估金融智能的發展，能夠有效地幫助醫院預測金融風險，從而降低可能的資金管理風險。未來，可以通過豐富和優化評估指標、增加培訓模型、改進算法和其他方法以及增強神經網絡的解釋能力來提高培訓效果，從而使模型能夠更準確地預測財務管理風險，減少壞賬，提高醫院的財務智能水平。

3 人工智能下醫院智能財務模式的有效措施

3.1 加強信息共享模塊設計 信息共享主要是為了有效地改變醫院的財務數據。在這種模式下，網絡信息平臺可用于整合各部門獨立會計單位的財務數據信息，將必要的財務數據推送給財務管理人員，然后確定內容，并制定相應的處理計劃進行分類控制。由于醫院科室的具體職能不同，數據交互和信息傳輸應根據實際工作情況，按照有序、合理、完整的原則進行，以避免重復傳輸和傳輸錯誤信息。在具體準備過程中，根據業務發展在系統數據庫中選擇合適的報告模板，然后根據模板的要求檢索報告數據。該平臺可以篩選、整合和匯總數據，并編寫報告的分析和解釋。最后，通過互動平臺實現獨立金融主體的信息交流。同時，財務人員可以根據自身和單位的需要調整財務報告的格式，進行全面分析和解釋，關注地表異常數據，并將其提交管理層審查。

3.2 醫院成本的智能控制 智能金融的一個重要功能是會計處理，即會計功能。報銷模塊的智能化建設是在交互式系統中實現憑證記錄、存儲、記賬等一系列工作的自動化和智能化操作。由于引入了人工智能技術，該系統可以自動識別圖像內容并使用大數據分析處理。隨著電子發票、智能財務系統、發票系統深度交互以及實現核心會計系統中記錄的業務憑證的普及，紙質發票內容通過AI 將關鍵數據（如賬單、稅務價格、稅收）識別為存儲在云中的數字語言。同時，智能金融可以與稅務發票查詢系統連接，以識別發票的真實性并有效控制虛假業務。

醫院財務人員應根據既定權限設置，在系統審核后，在OA 辦公系統中提交無紙審批申請，流程可在OA 系統中簽字批準。OA 審核后，原始憑證審批表和審批詳情將被推送到財務會計系統。財務人員將進行審查，文件信息將通過智能財務系統加密，并以二維碼的形式顯示在文件上，以實現數據的唯一性和可靠性。隨后，系統自動打印會計報銷文件的紙質版，財務人員將按照規定將文件和原始憑證放入會計檔案柜。“智能金融”的服務模式具有記憶反饋能力，可以分析財務人員的日常分錄書寫規則，并自動為已識別的經濟業務數據進行會計分錄，節省時間并便于后續審查。同時，審查前后的數據可以共存，并且可以根據會計準則的要求準確、全面地進行分類和歸檔。在財務預算處理中，“智能財務”服務可以根據程序處理會計憑證。為了分析過去3～5年的財務運營數據，結合各種預算模型對未來經濟業務的資本流動進行初步計算。然后，根據各種因素將當前市場環境和政策形勢變化的關鍵指標輸入系統，以便對單位的現金流入和流出、資本需求、業務前景和資產狀況作出合理判斷。在此基礎上，起草財務預算。在根據預算主體的意見和建議對預算單位進行審查后，下一個模塊將轉入執行。

3.3 醫院會計的智能處理 成本管理會計是財務管理的關鍵環節之一，“財務”系統具有智能成本會計和管理模塊，根據成本實體的成本會計規則，在經濟業務發生后及時確認當前損益會計成本和成本責任中心。如果無法確認，可以根據過去的慣例進行預測，并在盤點周期結束后進行清算。成本管理模塊主要確保會計項目能夠覆蓋單位經濟業務的各個環節。在成本控制中，它劃分和計算獨立經濟部門的成本，并通過成本分析模型、結構分析和趨勢預測方法分析獨立財務單位的實際經濟效益。成本控制智能模塊可以編制分析報告，供管理層在調整組織管理結構和業務形式時使用。

4 總結

本文結合新衛生改革的背景，針對醫療行業的改革，分析了金融智慧的內涵，基于金融智慧在醫院智慧財務發展中的重要作用問題，提出了人工智能醫院智慧財務發展的方向措施，旨在滿足不斷變化的外部環境需求，降低人力成本，提高醫院財務資金管理的整體效率。通過分析發現，人工智能的發展是推動醫院智能財務發展的重要舉措，醫院智能財務管理是人工智能技術不斷進步的產物；將人工智能的發展與醫院智能財務理論相結合，結合新時代人工智能發展背景下財務智能化發展的實際趨勢，為醫院智能財務的發展提供科學依據。