成都市某医院疾病诊断相关分组及绩效评估研究
发布时间：2021-03-27 22:58
目的:了解CHS-DRGs分组方案的具体流程及评价指标,探索建立系统的DRGs细分优化方法,为本地化DRGs分组器的研发提供参考依据。明确DRGs分组器在医疗单位绩效评估中的应用途径,为医院精细化管理提供新的思路。方法:基于CHS-DRGs指导方案,对本院住院患者中MDCC及MDCK两个MDC相关病例进行ADRG基本组划分,利用CV、RIV值筛选需细分的ADRG组。基于多重线性回归模型筛选严重CC类别,并计算患者CCI,利用数据挖掘技术进行影响因素分析,以结果中重要性较高的因素为输入变量,住院费用为输出变量,建立CART及CHAID决策树分组模型,评估细分后分组方案的优化效果。通过综合指数法进行相关科室绩效评估,利用DRGs相关指标（DRGs组数、总权重、CMI、费用/时间消耗指数）评估各个科室在服务能力及效率维度上存在的差异。结果:1、ADRG组划分结果中,MDCC及MDCK中均有4个ADRG组住院费用CV值大于0.8,占总ADRG组数的比例分别为25.00%、30.77%,费用CV值最高的ADRG分别为CW1（各种类型白内障）、KF1（因内分泌、营养、代谢疾患的植皮和/或清创术）,...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
中国CHS-DRGs的分组流程图
最广泛的是BP神经网络，它是一种单向连接的前馈式神经网络模型，包含输入层、隐含层、输出层三层，输入节点负责接收和处理训练样本集中各输入变量值；隐含节点负责实现非线性样本的线性变换；输出节点负责输出分类预测结果，流程示意图见图3-1。神经网络可通过简单函数内部的多次迭代来实现对复杂映射的拟合和逼近，并且可通过敏感性分析对输入变量变动对输出变量的影响程度进行研究，以评估各影响因素的重要性，多项研究[65,66]表明，BP神经网络处理非线性问题的能力优于多元线性回归，拟合性能显著高于传统统计方法。图3-1BP神经网络算法网络拓扑图（2）SVM：支持向量机是通过核函数映射来处理复杂多维数据关系的一种监督学习方法[67]，它可以通过构建超平面使在低维空间中线性不可分的数据变换到高维空间后线性可分，从而实现更准确的预测。支持向量回归机的核心是超平面的参数估计，其计算方法与统计学中的回归类似，都是基于损失函数最小原则求解方程的参数，原理示意图见图3-2。同时，SVM在寻找最优分类面时根据支持向量来确定其决策函数，不受样本数目的影响，可有效避免因样本量不足造成的局限性。韩阳等[68]运用SVM、线性回归、BP神经网络三种算法对生产数据进行回归预测，结果显示SVM的预测结果最为准确，有较高的推广价值，相关研究表明[69,70]，SVM模型运用于医疗费用的影响因素分析，拟合优度较好，可为医疗控费政策的制定提供参考依据。（3）LSVM：线性支持向量机原理与SVM基本类似，都是通过寻找最佳分类平面来进行预测的一种机器学习方法，常用于线性可分数据的分类预测。
第三章DRGs分组模型建立及结果评价21图3-2支持向量回归原理示意图3.2.5决策树模型针对不同类型的变量，选择与其匹配的数据挖掘方法，是数据挖掘成功的前提，本研究输出变量为连续型数值变量，因此选择分类回归树（ClassificationAndRegressionTree，CART）及卡方自动交互检验（Chi-squareAutomaticInteractionDetector，CHAID）算法进行分组研究，并基于两种算法的输出结果，选择拟合更好的模型作为DRGs分组依据。CART：分类回归树是由布雷曼等人于1984年提出的一种基于Gini系数的二元分割方法[71]，其建立的树为二叉树，CART回归树依据方差减少情况评估两组输出变量异质性的下降程度，每次分割都把样本数据划分为两个子集合，理想的分组应该尽量使子集合的异质性总和最小，其建立的步骤如下[72]：（1）检验树的每一个节点并且选择最佳的分割点。（2）创建两个子节点并判断每个样本数据进入哪个子节点。（3）从每个子节点重复搜索下一个测试属性进行分割，直至达到终止准则。CART算法的优势在于能够自动对模型进行检验并找出表现最佳的一般模型，并且它采用更有效的代理变量法处理输入变量中存在的缺失值，依据最佳分组变量的替补变量决定样本数据本应归属的组。CHAID：卡方自动交互检验算法由卡斯在1980年提出[73]，它是一种基于统计检验结果选择最佳分组变量和分割点的算法，分类型及数值型目标变量分别采用卡方检验及F检验。CHAID与CART的不同之处在于，CHAID可以建立多叉树，且在划分子集前需要对数值型输入变量进行分箱处理，基于统计检验结果合并对输出变量取值没有显著影响的组，分类型变量也需合并对目标变量取值影响不显著的类别，形成“超类”，以免形成的树过于“茂盛”；同时其分组变量的确定依据是输入与输出变量间的相关程?
【参考文献】：
期刊论文
[1]试论医疗保险运行分析对医保政策的影响[J]. 米丽梅. 商讯. 2020(01)
[2]云南省医疗机构DRGs-PPS支付改革试点效果分析[J]. 李雅琳,熊蔓,陆烨,高华斌. 中国卫生质量管理. 2019(05)
[3]基于变异系数计算的DRG本土化应用分析及建议[J]. 舒琴,李迪,孙扬,徐小兵,肖涟,陈婷. 中国医院管理. 2019(08)
[4]省级统筹视角下职工医保基金财务可持续性分析[J]. 袁涛,李冰健. 学习与实践. 2019(06)
[5]DRGs在某医院住院医疗服务绩效评价中的运用[J]. 陈娇花,王杰宁,夏伟,马慧芬. 解放军医院管理杂志. 2019(05)
[6]我国DRGs医保支付制度探索性发展的经验分析及启示[J]. 朱李婷,南瑞琥,成颖,张华. 卫生软科学. 2019(05)
[7]医院绩效管理中的DRGs应用[J]. 陈莹. 财会学习. 2019(13)
[8]基于DRGs的综合医院住院服务绩效RSR评价[J]. 李欢,周磊. 中国卫生信息管理杂志. 2019(02)
[9]浅谈医院如何通过绩效管理变革适应DRGs支付改革[J]. 杨森. 纳税. 2019(09)
[10]基于RBRVS+DRGs的医院绩效分配改革实践[J]. 丁小春,蒋艳红,冯群蓉. 财经界(学术版). 2019(04)
硕士论文
[1]桂林市基本医疗保险支付方式改革研究[D]. 刘曦婷.广西师范大学 2019
[2]病例临床复杂（ECC）模型在DRGs分组器中的应用[D]. 沈雅萍.北京中医药大学 2017
本文编号：3104392
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
中国CHS-DRGs的分组流程图
最广泛的是BP神经网络，它是一种单向连接的前馈式神经网络模型，包含输入层、隐含层、输出层三层，输入节点负责接收和处理训练样本集中各输入变量值；隐含节点负责实现非线性样本的线性变换；输出节点负责输出分类预测结果，流程示意图见图3-1。神经网络可通过简单函数内部的多次迭代来实现对复杂映射的拟合和逼近，并且可通过敏感性分析对输入变量变动对输出变量的影响程度进行研究，以评估各影响因素的重要性，多项研究[65,66]表明，BP神经网络处理非线性问题的能力优于多元线性回归，拟合性能显著高于传统统计方法。图3-1BP神经网络算法网络拓扑图（2）SVM：支持向量机是通过核函数映射来处理复杂多维数据关系的一种监督学习方法[67]，它可以通过构建超平面使在低维空间中线性不可分的数据变换到高维空间后线性可分，从而实现更准确的预测。支持向量回归机的核心是超平面的参数估计，其计算方法与统计学中的回归类似，都是基于损失函数最小原则求解方程的参数，原理示意图见图3-2。同时，SVM在寻找最优分类面时根据支持向量来确定其决策函数，不受样本数目的影响，可有效避免因样本量不足造成的局限性。韩阳等[68]运用SVM、线性回归、BP神经网络三种算法对生产数据进行回归预测，结果显示SVM的预测结果最为准确，有较高的推广价值，相关研究表明[69,70]，SVM模型运用于医疗费用的影响因素分析，拟合优度较好，可为医疗控费政策的制定提供参考依据。（3）LSVM：线性支持向量机原理与SVM基本类似，都是通过寻找最佳分类平面来进行预测的一种机器学习方法，常用于线性可分数据的分类预测。
第三章DRGs分组模型建立及结果评价21图3-2支持向量回归原理示意图3.2.5决策树模型针对不同类型的变量，选择与其匹配的数据挖掘方法，是数据挖掘成功的前提，本研究输出变量为连续型数值变量，因此选择分类回归树（ClassificationAndRegressionTree，CART）及卡方自动交互检验（Chi-squareAutomaticInteractionDetector，CHAID）算法进行分组研究，并基于两种算法的输出结果，选择拟合更好的模型作为DRGs分组依据。CART：分类回归树是由布雷曼等人于1984年提出的一种基于Gini系数的二元分割方法[71]，其建立的树为二叉树，CART回归树依据方差减少情况评估两组输出变量异质性的下降程度，每次分割都把样本数据划分为两个子集合，理想的分组应该尽量使子集合的异质性总和最小，其建立的步骤如下[72]：（1）检验树的每一个节点并且选择最佳的分割点。（2）创建两个子节点并判断每个样本数据进入哪个子节点。（3）从每个子节点重复搜索下一个测试属性进行分割，直至达到终止准则。CART算法的优势在于能够自动对模型进行检验并找出表现最佳的一般模型，并且它采用更有效的代理变量法处理输入变量中存在的缺失值，依据最佳分组变量的替补变量决定样本数据本应归属的组。CHAID：卡方自动交互检验算法由卡斯在1980年提出[73]，它是一种基于统计检验结果选择最佳分组变量和分割点的算法，分类型及数值型目标变量分别采用卡方检验及F检验。CHAID与CART的不同之处在于，CHAID可以建立多叉树，且在划分子集前需要对数值型输入变量进行分箱处理，基于统计检验结果合并对输出变量取值没有显著影响的组，分类型变量也需合并对目标变量取值影响不显著的类别，形成“超类”，以免形成的树过于“茂盛”；同时其分组变量的确定依据是输入与输出变量间的相关程?
【参考文献】：
期刊论文
[1]试论医疗保险运行分析对医保政策的影响[J]. 米丽梅. 商讯. 2020(01)
[2]云南省医疗机构DRGs-PPS支付改革试点效果分析[J]. 李雅琳,熊蔓,陆烨,高华斌. 中国卫生质量管理. 2019(05)
[3]基于变异系数计算的DRG本土化应用分析及建议[J]. 舒琴,李迪,孙扬,徐小兵,肖涟,陈婷. 中国医院管理. 2019(08)
[4]省级统筹视角下职工医保基金财务可持续性分析[J]. 袁涛,李冰健. 学习与实践. 2019(06)
[5]DRGs在某医院住院医疗服务绩效评价中的运用[J]. 陈娇花,王杰宁,夏伟,马慧芬. 解放军医院管理杂志. 2019(05)
[6]我国DRGs医保支付制度探索性发展的经验分析及启示[J]. 朱李婷,南瑞琥,成颖,张华. 卫生软科学. 2019(05)
[7]医院绩效管理中的DRGs应用[J]. 陈莹. 财会学习. 2019(13)
[8]基于DRGs的综合医院住院服务绩效RSR评价[J]. 李欢,周磊. 中国卫生信息管理杂志. 2019(02)
[9]浅谈医院如何通过绩效管理变革适应DRGs支付改革[J]. 杨森. 纳税. 2019(09)
[10]基于RBRVS+DRGs的医院绩效分配改革实践[J]. 丁小春,蒋艳红,冯群蓉. 财经界(学术版). 2019(04)
硕士论文
[1]桂林市基本医疗保险支付方式改革研究[D]. 刘曦婷.广西师范大学 2019
[2]病例临床复杂（ECC）模型在DRGs分组器中的应用[D]. 沈雅萍.北京中医药大学 2017
本文编号：3104392
本文链接：https://www.wllwen.com/guanlilunwen/lindaojc/3104392.html
