打开文本图片集
摘 要 对某精神疾病的专科医院患者数量及费用进行分析，采用径向基函数（RBF）神经网络模型对精神疾病患者的看病费用进行拟合及预测，并比较该预测模型与BP神经网络的预测效果.将贵州省某精神类疾病的专科医院2015年1月-2016年12月医院HIS系统中的病人处方数据作为训练集，建立BP模型、RBF神经网络模型.分别对2017年1月1日-2017年1月16日病人用以精神类疾病看病费用情况进行预测.RBF神经网络模型均能够较好地拟合和预测精神类疾病患者看病费用，可以为医院管理者了解本院精神病患者看病费用的变化趋势提供依据，为制定精神病患者疾病负担的相关政策提供数据支撑.
关键词 精神疾病;统计分析;RBF神经网络
中图分类号 F224.9 文献标识码 A
Abstract The number and cost of patients in a specialist hospital of a mental disease were analyzed. The radial basis function （RBF） neural network model was used to fit and predict the cost of the patients with mental illness， and the prediction results of the prediction model and the BP neural network were compared. The patients" prescription data in the hospital HIS system of a psychiatric hospital of Guizhou province from January 2015 to December 2016 were used as the training set， and the BP model and RBF neural network model were established. The patients" mental illness expenses were predicted from January 1 to 16， 2017. The RBF neural network model can better fit and predict the cost of patients with mental disease. It can provide the basis for the hospital managers to understand the change trend of the hospital psychiatric patients" medical expenses， and provide data support for the related policies of the disease burden of mental patients.
Key words mental illness; statistical analysis; RBF neural network
1 引 言
隨着生活节奏日益加快，现代人的精神压力日剧增，频繁出现各种各样的精神心理问题.精神疾病和精神卫生问题成为全球性的重大公共卫生问题，也是较为严重的社会问题[1].目前全球约有4.5亿人受到精神疾病的困扰，中国疾病预防控制中心精神卫生中心于2009年公布我国各类精神疾病患者人数在1亿人以上.每13个人当中就有1人有某种程度的精神问题[2].世界卫生组织预测，到2020年中国精神疾病的负担将占疾病总负担的四分之一以上[3].国内的调查显示，精神疾病的患病率在不同地区之间存在很大差异.此外，还有研究表明，癌症和精神疾病有着密切的相关性，癌症患者在诊断、治疗、恢复、死亡等阶段均可出现心理危机，其中焦虑和抑郁性障碍比例高达70%左右[4].
本文基于贵州省某精神病专科医院的HIS系统数据，对精神疾病患者情况进行了统计分析，并利用2015年1月1日-2017年1月16日精神病患者数据构建神经网络模型，对该院精神病人看病费用数据进行预测，并比较模型的预测效果，提高监控效率.为了解当地精神类疾病类型和人数提供数据支撑，为积极开展社区防治，规范精神疾病患者管理提供科学依据.
2 材料与方法
2.1 材料来源
数据来源于贵州省某精神疾病专科医院管理系统，2015年1月-2017年1月共747天在研究医院的开方监测数据.包含患者的ID，开方类别，开方时间、费用、疾病类型等信息.
1.2 研究内容
对贵州省某精神疾病专科医院的HIS系统中2015年1月-2016年12月门诊患者监测数据进行分析，在SQL Server 2012中进行数据整理与清洗.对精神疾病类型进行分类和统计，建立基于精神类疾病患者看病费用的BP神经网络和RBF神经网络模型并比较拟合效果.利用RBF神经网络模型预测2017年1月1日-16日精神类疾病患者看病费用.
2.3 统计方法
本研究在SQL Server 2012中进行统计分析，对疾病类型和人数进行统计.建立RBF神经网络建模.运用Matlab 2017a软件，以2015年1月-2016年12月该精神疾病专科医院开方数据作为训练样本建立BP神经网络和RBF神经网络拟合模型，并利用RBF神经网络预测2017年1月1日-16日医院精神疾病患者看病费用.
2.4 预测方法
2.4.1 RBF神经网络模型
径向基函数（RBF， Radial Basis Function）神经网络是一类非常重要的神经网络，具有结构简单、收敛速度快、逼近能力强、网络结构易于调整的优点，其在神经网络的应用广泛程度仅次于BP神经网络[5].RBF神经网络与BP神经网络同为前向型网络.对于BP网络，已经证明了三层网络结构能够逼近任意连续函数，而RBF神经网络能以任意精度逼近任意非线连续函数.到目前为止，已经提出了许多种RBF网络的训练算法，RBF神经网络的优良特性使其成为替代BP网络的另一种神经网络，越来越广泛地应用于各个领域[6].
RBF神经网络结构由三层组成，第一层为输入层，由信号源节点组成;第二层为隐含层，采用RBF神经元的转换函数对输入结点数据进行非线性变换.第三层是输出层，采用Purelin作为神经元的转换函数对隐含层的输出进行线性变换，产生网络的最终输出结果，其网络结构如图1[5].需要求解的参数有三个：基函数的中心、方差以及隐含层到输出层的权值.
2.4.2 建模步骤
RBF神经网络模型构建的主要过程分为六步：①输出该精神疾病专科医院开方原始数据观测趋势;②采用t-1，…，t-N 的数据作为神经网络的输入，t时刻的数据作为神经网络的输出，生成神经网络的输入与输出及待识别的输入与输出;③构建RBF神经网络，并定义网格的相关参数;④调整隐含层单元数和单元中心，用Gauss函数计算隐含层权值，获得隐含层输出;⑤计算训练误差并判断是否小于给定目标，利用最小二乘法调整权值;⑥利用RBF神经网络进行预测（最大神经元个数不宜过大，神经网络误差不宜过小，否则容易过拟合.扩展速度不宜过小，否则影响神经网络的平滑性）;BP神经网络模型构建的主要过程第4步则是根据原始数据确定隐含层单元数，用Sigmoid函数计算隐含层权值，获得隐含层输出.
3 结 果
3.1 精神疾病患者看病金额日分布特点
2015年1月-2017年1月16日该精神疾病专科医院患者数106943人，其中精神疾病患者共计49266人，占医院看病人数的46.07%.每日处方费用见表1.
通过看病科室的统计分析，精神疾病主要有以下几类：睡眠障碍、精神分裂症、抑郁症、焦虑障碍、强迫症、阿尔茨海默症、精神障碍、分裂情感性精神病、心境障碍等，有的患者同时患有以上疾病的几种.下面对观测期间病人看病数据进行统计分析.
绘制该院精神疾病看病患者2015年1月-2017年1月16日费用时序图如图2所示，精神疾病患者看病人数在9月至12月明显高于其他时段，费用也有一定幅度的增加.
3.2 模型建立与识别
采用BP神经网络和RBF神经网络模型（见图3）对2015年1月1日-2016年12月31日该精神疾病专科医院精神疾病患者看病费用进行拟合，取最大神经元个数为500个，扩展速度为2，误差为0.00001.
从图3可以看出，RBF神经网络能够较好地拟合实际值，对其利用三类误差指标进行评价分析：实际值与预测值平均绝对误差百分比（MAPE）：
由图3和表3可以看出，RBF神经网络模型能较好地拟合2015年1月-2016年12月该精神病专科医院精神疾病患者看病費用，平均绝对误差为-1.5313×10-14%，均方根误差为547.07，对原始数据的拟合效果优于BP神经网络.
3.3 模型诊断
将该专科医院2017年1月1日-16日精神病患者看病费用作为验证集，采用本文建立的RBF神经网络模型对该省级精神病专科医院2017年1月1日-16日精神病患者看病费用作预测，比较实际值和预测值的误差，预测相对误差见表4.
4 结 论
从49266例精神病患者种类可以看出，排名前三位的疾病依次为抑郁症、精神障碍、精神分裂症，在门诊看病患者中占83.09%，抑郁症有上升趋势，精神分裂症呈下降趋势.医疗费用近期呈现上升趋势，2015年1月精神病患者看病人数4288人，平均看病费用达到581.58元，2016年同期5301患者平均门诊看病费用564.54元，有所下降.这与新医改强调适度调整医疗技术服务价格，同时，人们也越来越重视行为治疗、娱乐治疗、心理治疗及各方面的疏导，以减轻患者的种种障碍.相比之下，药物治疗的费用会有所下降.
精神病患者作为一类特殊人群，病程长并且会反复发作.精神疾病一方面作为一个医学问题，需要从生理医学方面寻求解决方案;另一方面作为一个与社会环境关系密切的问题，需要从社会学方面采取防治措施[7].建立合适的预测模型，准确预测区域精神疾病的发生量，可以为医院管理者了解本院精神病患者看病费用的变化趋势提供依据，为掌握医院医疗质量及精神病患者看病费用上涨或下降趋势、制定精神病患者疾病负担的相关政策提供依据，同时对维护社会稳定也有一定的促进作用.
参考文献
[1] 李向青，杜敏霞，李荣. 2005-2012年中国精神疾病死亡率的流行病学分析[J]. 现代预防医学， 2015，42（1）：4-7.
[2] 李妍. 我们的病人——中国精神病患者报告[J]. 中国经济周刊， 2011，7（28）：24-37.
[3] DESJARLAIS， ROBERT R. World mental health [M]. New York： Oxford University Press， 1996.
[4] 贾韵博，张阳，韩芳. 癌症相关基因与精神疾病的关联[J]. 现代肿瘤学， 2017，25（21）：3527-3530.
[5] 周志华， 机器学习[M]， 北京： 清华大学出版社， 2016.
[6] 邓捷， 陆百川， 刘权富，等.基于RBF神经网络的交通生成预测模型[J]. 武汉理工大学学报（信息与管理工程版），2014，36（1）：43-47.
[7] 陈霞， 王江涛， 杜妍，等. 2010-2013年某三甲医院精神疾病患者流行病调查研究[J]. 国际精神病学杂志， 2015，42（3）：46-48.
相关热词搜索： 患者 精神疾病 负担 预测 分析
