基于人工神經網絡模型的衛生人力測算指標構建

摘要：衛生人力具有復雜性、時變性的特征，基于人工神經網絡模型的方法，經過文獻評閱分析及專家小組討論，通過指標篩選，確立了一套合理、有效的測算衛生人力需求量的指標體系。

關鍵詞：人工神經網絡模型；衛生人力；人力資源測算

衛生人力是指經過專業培訓、在衛生系統工作、提供衛生服務的人員，包括直接從事醫療、衛生、保健服務的衛生技術人員以及管理、工勤等其他人員。由于衛生系統本身具有復雜性和時變性的雙重特性，因此衛生人力受許多因素影響，如人口、經濟、社會與文化、資源利用效率、健康狀況等等，而且多個因素間相互作用、相互影響。

我國的衛生事業雖然取得了很大的發展，但卻存在明顯的衛生人力資源失衡現象，突出表現在：衛生人員總量過剩、人員地區分布不均衡尤其是城鄉差距較大、衛生人員總體素質不高。因而迫切需要加強衛生人力預測研究，使其更合理地從數量上、質量上和分布上調整現有存量、優化增量，以推動整個衛生事業的發展進程[1，2]。

人工神經網絡作為一種綜合信息處理和模擬技術，其特有的非線性適應性信息處理能力，克服了傳統方法的局限性，而且還具有學習預測精度高、容錯能力強和預測速度快的特點[3]。本研究基于人工神經網絡方法，構建出一套合理、有效的測算衛生人力需求量的指標體系。

1人工神經網絡簡介

人工神經網絡基本組成單位是神經元（節點），神經元之間按一定的方式相互連接，構成神經網絡系統，可以通過預先提供的一批相互對應的輸入--輸出數據，分析掌握兩者之間潛在的規律，最終根據這些規律，用新的輸入數據來推算輸出結果[4，5]。

迄今為止，已有多種人工神經網絡模型被開發和應用。本文應用較為成熟的誤差反向傳播學習算法人工神經網絡（BP-ANN）。BP神經網絡從模擬生物的神經網絡出發[6]，其最基本的結構是3層前饋網絡，即輸入層、隱含層、輸出層（見圖1），層與層之間多采用全互連方式，同一層單元間不存在相互連接。

圖1 人工神經網絡結構

BP網絡模型的應用過程包括訓練和預測兩個過程。訓練時，輸入信息從輸入層經隱含層逐層處理，并傳向輸出層。如果輸出層得不到期望的輸出，則將誤差信號沿原來的連接通道返回，通過修改各層神經元的連接權值，使得誤差最小。網絡重復以上過程進行迭代計算，直至收斂，由此構成了非線性映射模型，掌握了隱含在樣本內部各元素間的特殊關系[7]。經訓練后的人工神經網絡不僅對擬合過的樣本有效，而且對未經擬合的樣本也可以較準確地預測。人工神經網絡以其獨特的信息儲存方式、良好的容錯性、大規模的非線性并行處理方式[8]以及強大的自組織自擬合和自適應能力，已應用于信號處理、模式識別、綜合評價、預測分析等領域。

2指標篩選

本文的研究對象是衛生人力的數量。人工神經網絡要求選擇那些影響輸出的主要因素作為輸入層，選定的輸入變量數必須足夠且具有代表性[9，10]，基于這一點，經過文獻評閱分析及專家小組討論，本研究對于輸入變量，即測算指標的選擇主要從以下幾方面進行：

2.1人口數量變化 人口數量的變化是影響衛生人力需求量的最重要的因素。人口的增減會引起衛生服務需求量的增減，從而引起衛生人力需求量的波動。對應的變量選擇了總人口數、就診人次數、住院人次數。

2.2經濟發展水平 隨著社會經濟迅猛發展，居民的生活水平不斷提高，人們對生活質量要求也逐步提高，而健康是衡量生活質量的重要指標之一，所以隨著居民對健康意識的增強，衛生服務需求量將會加大，衛生人力的需求量也隨之增加[11，12]。對應的變量選擇了衛生總費用、人均衛生費用、人均國民生產總值。

2.3醫院發展規模 醫院規模直接影響整個衛生人力需求量和衛生人力內部構成。醫院規模的大小通常是以病床數來衡量的，而病床數又是人員編配的重要標準[13]。對應的變量選擇了醫院機構數、總床位數。

2.4衛生人力供給 每年都有大量的醫學生走向工作崗位，為醫療系統注入新的血液。對應的變量選擇了高等醫學院校畢業生數、中等醫學院校畢業生數[14]。

3結果與討論

得到衛生人力的測算指標包括總人口數（萬人）、就診人次數（億次）、住院人次數（萬人）、衛生總費用（億元）、人均衛生費用（元）、人均國民生產總值（元）、醫院機構數、總床位數（萬張）、高等醫學院校畢業生數、中等醫學院校畢業生數10項指標。鑒于年鑒收錄自國家及各省市地方統計局的歷年統計資料，具有資料翔實，信息密集的特點，所有數據均從統計年鑒中獲取，按照年份順序進行整理，過濾缺失的數據，建立起從1990～2008年的有關衛生人力資源的數據庫。

參考文獻：

[1]薛婭，高歌，沈月平.常州市衛生人力需要量統計預測研究[J].中國衛生統計，2007，24（3）：287.

[2]Francis Omaswa. Human resources for global health： time for action is now[J].The Lancet.2008，371：625.

[3]蔣宗禮.人工神經網絡導論[M].北京：高等教育出版社，2002.

[4]任宏，姜慶五.人工神經網絡及其在預防醫學領域的應用[J].上海預防醫學，2003，15（1）：22.

[5]黎衍云，李銳，張勝年.人工神經網絡及其在疾病篩查中的應用前景[J].環境與職業醫學，2006，23（1）：71.

[6]錢玲，施侶元，程茂金.應用人工神經網絡預測糖尿病/糖耐量異常[J].中國公共衛生，2003，19（10）：1272.

[7]Qian AI，Shrestha GB.An ANN based load model for fast transient stability calculations[J].Elec Power Syst Res，2006，76：217.

[8]RiccardoB，DarioG，LauroC，et1a.Artifcilaneura1.networks and robust Bayesian classfiers for risk stratification following uncomplicated myocardial infarction[J].Int J Cardiol，2005，101：481.

[9]薛婭，高歌. 衛生人力需求量預測研究綜述[J].上海預防醫學雜志，2005，17（12）：589.

[10]鐘珞，饒文碧，鄒承明.人工神經網絡及其融合應用技術[M].北京：科學出版社，2007：12.

[11]陳力凌.江蘇省衛生人力資源現狀及需要量預測研究[D].碩士學位論文，2006：23.

[12]左延莉.廣西衛生人力資源配置現狀與預測研究[D].碩士學位論文，2002：12.

[13]董恒進，曹建文.醫院管理學[M].上海：復旦大學出版社，2006：34.

[14]程曉明，羅五金.衛生經濟學[M].北京：人民衛生出版社，2003：172.

編輯/申磊