首页 > 文献资料
-
医疗设备管理大数据应用的实践探索
目的:从大数据应用的角度,完善在用的医疗设备管理系统,为决策者提供准确的数据支持.方法:采用数据挖掘的方法,从数据分析和数据预测两个方面,阐述了大数据在医疗设备管理的应用.结果:给决策者提供直观的统计图和清晰的数据.结论:得到的统计图和数据可以有效地指导科室制定医疗设备购置、维修、维护计划.
-
某三甲妇幼专科医院门急诊人次ARIMA预测分析
目的 门诊量是医院医疗工作的重要评价指标,本文采用ARIMA模型对医院月门急诊量进行短期预测,为医院管理决策提供依据.方法 提取某三甲妇幼专科医院2000年1月至2015年12月门急诊患者数据,用ARIMA模型预测近2年门急诊人次,评价模型效果.结果 可决系数R-squared值为0.765,说明模型拟合效果较好,门诊量预测中Theil不等式系数的取值为0.037,协方差比例(CP)为0.988,并用模型预测2016年门急诊量,预测值与实际值对比,平均相对误差为7.17%.说明模型对门急诊量进行了较好的跟踪,其预测效果较好.结论 采用ARIMA模型预测效果较好,操作简单,结果易于解释,是一种短期预测精度较高的医院季节性波动数量指标短期预测工具.
-
某三甲综合医院门诊量ARIMA预测分析
目的 探讨ARIMA模型预测医院门诊量效果,短期预测某院门诊量,为医院门诊管理决策提供依据.方法 在医院信息系统中,提取某三甲综合医院2010年1月至2014年3月门诊患者数据,采用PASW软件时间序列预测模块,拟合门诊量ARIMA模型,评价模型效果,预测未来2年门诊量.结果 2010至2013年累计接诊门诊患者303.6万人次,年平均增长率为24.07％.男女性别比0.81∶1,平均年龄40.36±19.32岁,内外科比为1.35∶1.基于2010年-2013年门诊量数据,采用ARIMA模型预测2014年1季度门诊量相对误差为4.11％,模型预测效果较好.基于2010年1月-2014年3月门诊量数据,预测2014年门诊量为113.2万人次,2015年门诊量为129.5万人次.结论 借助PASW软件,采用ARIMA模型预测大型综合医院门诊量操作简单,模型拟合和预测效果较好,结果易于解释,是一种值得推广的医院季节性波动数量指标(门诊量、收容量、手术量等)短期预测工具.
-
ARIMA乘积季节模型在天津市痢疾发病预测中的应用
目的:探讨ARIMA乘积季节模型分析预测天津市痢疾发病率的可行性和适用性,为痢疾的预防与控制提供决策依据.方法:利用R3.3.1对天津市2004年1月至2013年12月痢疾月发病率资料进行建模,并以2014年痢疾月发病率资料验证模型的预测效果.结果:模型ARIMA(2,1,2)(0,1,1)12较好地拟合了天津市痢疾月发病率,残差分析统计量经检验差异无统计学意义(Ljung-Box Q=9.16,P=0.24),提示残差为白噪声.预测值与实际值的相对误差范围为2.35％ ～ 74.31％,平均相对误差为27.21％.结论:模型ARIMA(2,1,2)(0,1,1)12可用于拟合天津市痢疾发病的变化趋势并进行短期预测.
-
我国手足口病重症患者数自回归移动平均模型预测研究
采用自回归移动平均(Autoregressive integrated moving average,ARIMA)模型对我国(不含中国港澳台)手足口病月报告的重症患者数进行预测研究,为该模型在手足口病及其它传染病预防控制中的应用提供参考依据.根据2010-2015年全国手足口病月报告重症患者数时间序列,以2016年1-9月的月报告重症患者数作为验证数据,建立我国手足口病月报告重症患者数的ARIMA模型,并与2010-2014年数据建立的模型进行比较.2010-2014、2010-2015年两个不同时间序列建立的我国手足口病月报告重症患者数模型分别为ARIMA(1,1,0)(2,1,0)12、ARIMA(0,1,1)(2,1,0)12.以上两个不同时间序列预测结果比较发现,数据积累较多,预测的平均相对误差变小,但预测时间越短尚未发现平均相对误差较小.同一研究内容,时间序列年代不同,所建立的预测模型可能不同;认为ARIMA模型数据积累越多、预测时间越短、预测误差越小的情况还需得到进一步验证.
-
应用随机时间序列分析法预测痢疾发病率
目的:应用随机时间序列分析法预测痢疾发病率.方法:应用SPSS11.5 软件对某市2001~2007 年痢疾逐月发病率进行ARIMA 模型建模拟合,用所得到的模型对2008 年各月痢疾发病率进行预测.结果:ARIMA(1,0,0)×(1,1,0 )12 模型很好地拟合了既往时间段上的痢疾发病率序列,对2008 年各月发病率的预测值符合实际发病率变动趋势,且实际发病率均在95%可信限内.实际值与预测值的全年误差为13.02%,1~6 月份误差为4.91%.结论:应用随机时间序列分析法对痢疾的发病率进行短期预测能够收到很好的效果,为痢疾的防控提供科学有效的依据.
-
ARIMA模型在流感发病预测中的应用
目的：探讨时间序列模型在流感病例发病预测方面的可行性。方法通过国家疾病报告管理系统收集本市医疗机构2004~2012年的流感月发病数资料,用Eviews软件对流感月发病数据建模,用单位根检验法对模型的适应性进行检验,并回代的方法验证其有效。结果流感月发病数时间序列的自相关分析图显示数据不平稳,所以进行一阶差分,并建模,终模型为ARIMA(0,2,0)(0,2,0)7,所建模型差异有统计学意义。结论 ARIMA(0,2,0)模型可用于流感发病的预测。
-
时间序列模型在月平均住院日预测中的应用及评价
目的:对某综合医院的月平均住院日建立时间序列模型,利用指数平滑法和ARIMA模型对其进行模拟评价及短期预测.方法:在某综合医院统计报表中提取2014年1月—2017年12月的月平均住院日,其中2014年1月—2017年6月的数据用于创建时间序列,利用SPSS20.0进行统计分析,分别采用指数平滑法和ARIMA对创建的时间序列拟合模型,评价模型效果,并对2017年7月—2017年12月的平均住院日进行预测,比较实际值与预测值间的符合程度.结果:指数平滑法模型:平稳的R方为0.814,表明拟合程度较好.白噪声序列的Ljung-Box检验无统计学意义(Q18=18.730,P=0.226).模型参数估计中平滑参数Alpha的估计值为0.200,且参数检验结果有统计学意义(T=2.106,P=0.042).ARIMA模型:平稳的R方为0.361,Ljung-Box检验无统计学意义(Q18=15.215,P=0.580).AR的参数检验有统计学意义(T=-4.652,P<0.001),为-0.654.两模型实际值与预测值间的相对误差绝对值均小于5％.结论:指数平滑模型比ARIMA拟合及预测效果更好,是某综合医院月平均住院日的首选预测模型,为医院管理决策提供科学依据.
-
基于LSTM深度神经网络的月门诊量预测精度研究
目的:分析新疆地区慢性阻塞性肺病的月门诊量变化趋势,对医院月门诊量预测方法进行探讨,为医院合理配置医疗资源和提高救助能力提供科学依据.方法:采用ARIMA模型和LSTM模型对新疆地区慢性阻塞性肺病的月门诊量的时间序列进行预测,使用RMSPE值评价不同方法的预测精度.结果:ARIMA模型、时间步为1的LSTM、时间步为12的LSTM的RMSPE值分别是20.23％、22.23％和20.01％,相较之下时间步为12的LSTM网络的预测效果较好,时间步为1的LSTM效果差.结论:LSTM预测医院月门诊量的准确率较高,为医院月门诊量预测提供了新的方法.
-
基于趋势外推与ARIMA预测我国医院诊疗及住院人次
目的 探索我国医院诊疗与入院人次预测建模方案并比较其差异.方法 借助SPSS、SAS软件,以曲线拟合和ARIMA法建立模型进行拟合与预测.结果 我国医院诊疗与入院人次数据均符合二次曲线变化,拟合与预测效果好;ARIMA法对二阶差分后平稳序列建模未见更优性能,其拟合性能与数据段选取无明显联系.结论 数据预分析和方法适配很有必要;ARIMA法在时间序列分析领域有普适代表性,适于随机长期序列建模;传统曲线拟合法对于趋势平滑数据具有优良性能.
-
应用ARIMA模型对河南省1991-2011年乙型肝炎发病趋势分析
目的 探讨应用ARIMA模型对河南省进行乙肝发病趋势进行预测,为制定防控策略提供科学依据.方法 采用SPSS15.0软件对河南省1991 ～2011年乙型肝炎发病率拟合ARIMA模型进行预测,将预测值与实际值进行比较.结果 确定模型为ARIMA(0,1,1),残差序列为随机序列,预测值和实际值平均相对误差为10.04％,预测2012年乙肝发病率为182.1/10万.结论 ARIMA(0,1,1)模型可以很好拟合乙肝发病趋势,可为乙肝防治提供科学依据.2012年预测结果提示乙肝发病有上升趋势,当地可制定相应防控策略.
-
基于增长特征法与ARIMA的人均卫生事业费趋势预测比较研究
目的 以增长特征法与ARIMA法对人均卫生事业费建立预测模型,比较方法原理、应用条件、数据要求、设计步骤和适配性能.方法 依据算例资料,方法借助excel、SAS软件进行计算、检验和仿真实现;建立拟合模型并外推预测.结果 两种方法均对卫生事业费增长趋势预测有代表性,前者强调截取近期部分数据优选曲线,适于近期规律优曲线拟合,后者需数据充分和趋势差分处理,适于长期规律拟合,经建模比较ARIMA法更适于卫生事业费拟合,预测精度高.结论 两种方法原理、前提条件、数据要求及和适配特点有差异;增长特征法特定于近期平滑增长趋势数据问题,适配好但不具更普遍的优性能;ARIMA法对长期平滑趋势数据资料拟合预测好,对随机性时序资料有较强普适性;预测建模问题须注重原理分析、方法优选、数据处理和适配论证工作.
-
组合预测在医院门诊量预测中的应用
目的 通过构建优化组合预测模型,弥补单一预测方法的缺陷,为医院合理配置医疗资源和提高救助能力提供科学依据.方法 利用某三甲医院1990年至2010年门诊人次月度数据时间序列,基于趋势拟合法、ARIMA模型及组合预测模型,对三者的预测结果进行比较分析,并分别用三种预测方法预测2011年门诊人次.结果 组合模型预测误差的标准差(SDE)比二次型模型降低了36.7％,比ARIMA模型降低了5.2％；其预测时残差也小于其他两种单一模型的预测残差.结论 组合预测模型的预测精度优于单一模型的,可以在医院门诊人次预测中推广应用.
-
灰色模型GM(1,1)和ARIMA在拟合全国婴儿、5岁以下儿童死亡率中的应用
目的 比较分析灰色模型GM(1,1)、ARIMA模型在全国婴儿死亡率(IMR)和5岁以下儿童死亡率(U5MR)拟合过程中的适用性,为儿童保健工作提供科学依据.方法 以1991-2012年全国IMR、U5MR为原始资料,统一运用SAS分析软件.采用灰色模型GM(1,1)和ARIMA模型进行拟合分析,分别计算各模型拟合MPE、MAPE值,比较各模型的适用性和精确性.结果 婴儿死亡率GM(1,1)和ARIMA模型MPE分别为0.32、1.18,MAPE分别为3.09％、5.34％;5岁以下儿童死亡率GM(1,1)和ARIMA模型MPE分别为0.57、0.89,MAPE分别为3.11％、4.33％.结论 GM(1,1)模型对儿童保健指标拟合效果优于ARIMA模型,模型拟合要充分考虑数据特征.
-
基于组合模型的我国城乡卫生技术人员数量趋势预测
目的 了解当前我国卫生人力资源城乡分布现状;对我国城乡未来五年每千人口卫生技术人员数进行预测.方法 应用ARIMA模型、GM(1,1)模型以及由两个模型得到的加权平均组合模型对未来五年(2017-2021年)我国城乡每千人口卫生技术人员的数量进行预测,比较预测精度.结果 2017-2021年我国每千人口卫生技术人员数预测值分别为11.16,11.73,12.33,12.96,13.61(城市地区);4.25,4.43,4.61,4.80,5.00(农村地区).结论 加权平均组合模型更适合每千人口卫生技术人员数的预测,我国卫生人力资源城乡分布不平衡状况逐年加剧,急需有效措施加以改善.
-
重庆市艾滋病发病人数的ARIMA时间序列分析
目的 探讨按感染途径分类建立ARIMA时间序列模型在艾滋病发病预测方面的应用,验证分析模型的可行性和适用性,为艾滋病防治提供更为精确的信息.方法 利用重庆市2004年第一季度至2013年第四季度的艾滋病发病资料,建立ARIMA模型,对重庆市2014年各季度艾滋病发病人数进行预测和评价.结果 分别为异性性行为序列,同性性行为序列,吸毒序列建立ARIMA(0,1,1)×(0,1,1)4,ARIMA(1,0,0)×(1,1,0)4,ARIMA(0,0,0)×(2,2,0)4模型,预测结果基本符合实际发病人数的变化趋势,验证了模型的可行性及按感染途径分类建模的适用性.结论 ARIMA模型可用于按感染途径分类模拟艾滋病发病在时间上的变化趋势,进行短期的预测.
-
模糊C均值聚类在时间序列分析中的应用
时间序列方法广泛应用于气象、金融、医学、电力、水文、工业控制等诸多领域,具有重要的研究价值.常用的时间序列预测方法有AR,ARMA,ARIMA,SARIMA等,其优点是模型简单和容易识别,但很难直接应用于现实中复杂时间序列的处理.
-
乙类传染病的ARIMA、灰色模型及组合预测模型比较
目的 构建义乌市乙类传染病流行趋势优预测模型.方法 通过对义乌市2010-2012年乙类传染病按月发病率的日平均进行ARIMA时间序列、GM(1,1)灰色模型以及两者的组合模型进行建模,并预测2013年1-4月发病率与实际比较.结果 ARIMA(1,1,1)模型的r(曲)为82.49％,GM(1,1)灰色模型的r(曲)为59.07％,组合预测模型的r(曲)为70.89％; ARIMA(1,1,1)预测的MAPE为118.77％、MSPE为67.07％,GM(1,1)预测的MAPE为15.50％、MSPE为9.33％,组合预测模型预测的MAPE为107.24％、MSPE为60.06％.结论 在进行义乌市乙类传染病发病流行趋势建模中,ARIMA是一个较好的方法,但是进行预测不如GM(1,1).
-
三种模型在江西省流感样病例预测中的应用与比较
目的 构建江西省流感流行趋势优预测模型,为流感防控提供科学指导.方法 从“中国流感监测信息系统”导出江西省2013-2017年每月流感哨点监测数据,并采用自回归(autoregressive,AR)、指数平滑(exponential smoothing,ES)和自回归积分滑动平均(autoregressive integrated moving average,ARIMA)等不同预测方法建模,并将2017年1～12月的预测值和实际比较.结果 三种模型的R2分别为0.731、0.751和0.815;均方根误差(root mean square error,RMSE)分别为0.253、0.243和0.212;平均绝对误差(mean absolute error,MAE)分别为0.189、0.178和0.151;平均绝对百分误差(mean absolute percent error,MAPE)分别为10.092、9.523和8.124;平均相对误差(mean relative error,MRE)分别为11.45％、10.92％和8.96％.结论 在进行江西省流感样病例就诊百分比趋势建模中,ARIMA是一个较好预测流感样病例就诊百分比的模型.
-
ARIMA-BP神经网络组合预测模型在卫生人力资源配置中的应用
目的 通过构建组合预测模型,提高预测的精确度,为相关部门制定卫生人力资源规划,合理配置卫生资源提供依据.方法 将ARIMA和BP神经网络有机结合,建立ARIMA-BP神经网络模型,用ARIMA模型对卫生人力资源数据的线性部分建模预测,从线性模型中保留的残差将只保留非线性关系,然后用BP神经网络模型对非线性残差构成的序列进行预测,将两个模型的预测值相加作为该序列的预测值,BP神经网络模型预测产生的随机误差作为ARIMA-BP神经网络模型的预测误差,从而得到后的预测结果.后应用山东省1995-2012年卫生技术人员数量的数据对模型进行验证,并对2013-2015年山东省的卫生技术人员数量进行预测.结果 通过山东省1995-2012年卫生技术人员数量的数据对模型验证,显示用ARIMA模型预测线性数据,用BP神经网络预测ARIMA的误差,形成组合预测模型,降低了ARIMA模型的预测误差,提高了预测的精度,同时通过组合模型预测2013年、2014年和2015年山东省卫生技术人员的数量分别为581 297人、635 013人和686 465人.结论 组合预测模型能够较大限度地利用各种预测样本信息,比单个预测模型考虑问题更系统全面,从而提高预测精度,可以在卫生人力资源预测中推广应用.
