天津市参保心绞痛患者住院费用影响因素研究

发布时间：2020-07-30 19:45

【摘要】：目的:通过对天津市参保心绞痛患者住院费用的分析,了解费用构成情况和影响费用的内部和外部因素,为日后心绞痛住院费用的控制提供数据支持和理论建议。通过对数据资料进行深入挖掘,探讨心绞痛患者费用超限的规则。构建三种不同的预测模型,比较预测性能的优劣,选取最优的模型进行费用超限的预测。方法:病例数据来自天津市城镇职工医疗保险数据库。选取2003-2013年数据用于分析,以ICD-10编码为标准筛选出心绞痛住院患者病例(心绞痛ICD-10编码为I20.0、I20.1、I20.8、I20.9)。并排除住院天数1天或住院费用超出SX±3范围者,最终纳入22 958例样本。基于数据描述心绞痛住院患者的个人情况和住院费用情况;使用新灰色关联分析方法探究各单项费用与住院费用的关联程度;通过结构变动度分析了解各单项费用变化情况,得到影响住院费用的内部因素。使用套索(LASSO)回归模型分析影响心绞痛患者住院费用的外部影响因素。使用关联规则挖掘探讨超限住院费用的隐含规则。使用三种模型支持向量机、随机森林、AdaBoost分别对费用超限进行预测,寻求最优预测模型。结果:纳入研究患者中有男性12 279例,女性10 679例;年龄27-98岁,中位年龄为63.00(15.00)岁;在职4 743例,退休18 095例,老工人120例;就诊于一级医院4 391例,二级医院8 502例,三级医院10 065例;接受手术5 405例,未接受手术17 553例;接受输血341例,未接受输血22617例;住院天数1-90天,中位住院天数为10.00(8.00)天。新灰色关联分析结果显示,关联度排名前四位的单项费用分别为药品费(0.9470)、医用材料费(0.9287)、治疗费(0.8132)和检查费(0.8037);结构变动度分析结果显示结构变动贡献率最大的前四项单项费用分别为药品费(32.99%)、医用材料费费(31.84%)、治疗费(13.68%)和中药费(11.71%)。LASSO回归分析的结果表明,医院级别、性别、人员类别、是否手术、是否输血、年龄、实际自付比例和住院天数是心绞痛患者住院费用的影响因素。心绞痛患者所就诊的医院级别越高,住院费用越高;女性心绞痛患者住院费用低于男性心绞痛患者;老工人心绞痛患者的住院费用高于在职员工和退休人员;手术组心绞痛患者住院费用高于未手术组;输血组心绞痛患者住院费用高于未输血组;住院天数37天的心绞痛患者住院费用高于住院天数(27)7天的患者;实际自付比例为0.05的心绞痛患者住院费用低于实际自付比例为0.15的患者;年龄为60-74岁的心绞痛患者住院费用高于其他年龄组。关联规则模型共挖掘出9条有意义的规则,对于接受手术、输血的患者发生费用超限的概率是原来的6.59倍;就诊于三级医院、接受输血、男性患者发生费用超限的概率是原来的6.39倍;就诊于三级医院、接受手术、住院天数321天的患者发生费用超限的概率是原来的6.27倍;就诊于三级医院、接受输血的患者发生费用超限的概率是原来的6.20倍;男性、接受输血的患者发生费用超限的概率是原来的6.15倍;接受输血、年龄60-74岁的患者发生费用超限的概率是原来的5.99倍;自付比例为0.1、接受输血的患者发生费用超限的概率是原来的5.76倍;退休、接受输血的患者发生费用超限的概率是原来的5.76倍;接受手术、住院天数321天的患者发生费用超限的概率是原来的5.76倍。费用超限的模型预测结果显示,SVM在特异度、AUC和G-mean上的表现均优于随机森林和AdaBoost,差异具有统计学意义,随机森林和AdaBoost算法之间预测效能无明显差异。结论:针对天津市心绞痛患者住院情况,相关部门应着重关注患者药品费、医用材料费、治疗费和中药费四项单项费用。应需要通过激励机制加强药物的规范使用,指导药品的合理定价,推行医药分离,在控制总体住院费用的基础上着手降低药品费占比。对于医用材料费和检查费,应提高医生和患者对医用材料费用的认知水平,在疗效相等的情况下优先选用国内的医用材料,强化医院内部监管体系及规范医务人员诊疗行为。随着中药治疗的进展,中药费在心绞痛住院费用中也会有着举足轻重的作用,相关部门也应重点关注。应从心绞痛单病种着手推动分级诊疗的实行,避免医疗资源的浪费;同时构建临床路径管理,缩短患者住院天数,从而降低心绞痛住院费用。支持向量机可以用来预测天津市心绞痛患者住院费用超限情况。
【学位授予单位】：天津医科大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R541.4;R197.3
【图文】：

关系图,分类器,关系图,误差

图 1 AdaBoost 基分类器个数与误差的变化关系图由图可见，随着基分类器个数的增加，预测误差逐渐减小并趋于稳定。当分类器个数大于 20 时，波动趋于平缓，因此我们选取 20 作为基分类器的个。模型预测结果见表 17。由表可知，AdaBoost 预测的灵敏度为 0.963；特异为 0.505；准确率为 0.897；AUC 为 0.734；查准率为 0.921；F1-score 为 0.941；mean 为 0.697。表 17 十次 AdaBoost 模型预测结果种子数灵敏度特异度准确率 AUC 查准率 F1-score G-mean201901 0.958 0.539 0.898 0.748 0.925 0.941 0.718201902 0.970 0.459 0.897 0.715 0.915 0.942 0.668201801 0.959 0.533 0.898 0.746 0.925 0.941 0.715201701 0.973 0.438 0.896 0.705 0.912 0.941 0.653201601 0.959 0.534 0.898 0.746 0.925 0.941 0.715201501 0.960 0.513 0.896 0.736 0.922 0.940 0.701201401 0.959 0.526 0.897 0.743 0.924 0.941 0.710201301 0.958 0.541 0.898 0.749 0.926 0.941 0.720202020 0.971 0.445 0.896 0.708 0.913 0.941 0.658

【相似文献】