新疆某三甲醫院死亡病例時間序列模型建立與應用

周美萍，張甲詳，陳保林，文國新

（1.新疆自治區人民醫院醫務部預防保健科，新疆 烏魯木齊 830001；2.烏魯木齊市疾病預防控制中心，新疆 烏魯木齊 830026)

新疆某三甲醫院死亡病例時間序列模型建立與應用

周美萍1，張甲詳1，陳保林2，文國新2

（1.新疆自治區人民醫院醫務部預防保健科，新疆 烏魯木齊 830001；2.烏魯木齊市疾病預防控制中心，新疆 烏魯木齊 830026)

目的 探討某三甲醫院死亡病例的時間分布情況，從大體上了解該院死亡病例周期性變化趨勢，為后期工作開展及應對提供參考。方法本次研究收集2011年1月至2015年12月該三甲醫院的所有死亡患者的數據，包括患者的死亡時間，使用SPSS 21.0對死亡時間的分布進行分析，并加以預測，以2015年實際觀察值驗證模型的預測效果。結果2011-2014年的數據變化中存在明顯的季節因子，周期性變化明顯，其中加法模型R2最高，因此選擇加法模型進行擬合，模型擬合效果判定指標，RMSE值=8.776；MAPE值=8.368；MAE值=6.552；標化后的BIC值=4.586。本次研究結果中預測誤差值在20%以內，且實測值均落在95%CI的范圍內，經配對t檢驗發現實測值與預測值之間差異無統計學意義(t=0.448，P=0.663)，實測值與預測值之間相關系數r=0.780(P=0.003)。結論新疆某三甲醫院的死亡病例的時間分布符合指數平滑相加模型，存在明顯的季節變化周期，可能與選擇性就醫有關。本結果顯示該院在1、5、9月份的死亡數上升，應在工作中做好應對，做好死者家屬的安撫及處理工作。

新疆；三甲醫院；死亡；時間序列模型

新疆地處我國西北邊疆，地廣人稀，醫療資源配給相對不足，經鄉鎮醫院轉縣級醫院之后再轉至三甲醫院的流程時間相對較長，進入醫院時病情相對較重，因此三甲醫院病例死亡發生情況相對內地而言較高[1]。新疆某三甲醫院作為新疆重點醫院，面向各族群眾開放，其死亡病例的逐年變化趨勢及規律可以為政策制定及后期服務提供數據支持，為此，本文探討了某三甲醫院死亡病例的時間分布情況，以了解該院死亡個案發生的時間周期性及變化趨勢[2]。

1 資料與方法

1.1 資料來源 本次研究收集2011年1月至2015年12月該三甲醫院的所有死亡的病例的數據，收集患者的死亡時間數據。

1.2 數據整理 死亡病例納入標準：(1)已登記入院病例；(2)在治愈或好轉出院前死亡。排除標準：(1)死于院前急救病例；(2)出院后死亡病例。2011年1月至2014年12月的每月死亡病例數用于建立該院死亡隨時間變化的時間序列模型，2015年1～12月份的死亡觀測值(實際死亡數)用于驗證時間序列模型的預測效果。

1.3 時間序列模型簡介 時間序列(time series)是指將某種現象某一個統計指標在不同時間上的各個數值，按時間先后順序排列而形成的序列。時間序列法是一種定量預測方法，亦稱簡單外延方法[3]。時間序列分析(time series analysis)是一種動態數據處理的統計方法。該方法基于隨機過程理論和數理統計學方法，研究隨機數據序列所遵從的統計規律，以用于解決實際問題[4]。

1.4 統計學方法 本次研究使用SPSS21.0進行統計分析，預測值與實際值之間的相關分析使用Perason相關分析，預測值與實種數之間的比較使用配對t檢驗，檢驗水準α=0.05，P＜0.05時認為差異有統計學意義。模型檢驗標準α=0.05，P＜0.05時認為模型顯著，足以解釋變異來源。

2 結 果

2.1 模型篩選 由于此次所選數據年份僅為3年，以12月為一周期，僅使用了3個周期的數據，即可以定為短期預測模型建立，期于數據已有的周期性，考慮使用指數平滑法進行模型擬合。指數平滑法是即根據歷史資料的上期實際數和預測值，用指數加權的辦法進行預測。此法實質是由內加權移動平均法演變而來的一種方法，優點是只要有上期實際數和上期預測值，就可計算下期的預測值，是國內外廣泛使用的一種短期預測方法。根據指數平滑中數據是否有周期性，平滑模型又可以分為周期性指數平滑與簡單指數平滑模型兩大類。進行模型篩選前對數據進行判定，分析數據變化的長期趨勢、季節變動、循環變動、不規則變動；因此使用SPSS進行季節分解。2011-2014年的數據變化中存在明顯的季節因子，周期性變化明顯。見圖1～圖4。因此選擇指數平滑模型中的周期變化類模型。

圖1 死亡數不規則變動圖

圖2 死亡數的季性性周期變化規律

圖3 死亡數的循環變動序列圖

圖4 死亡數長期變化趨勢變動圖

2.2 模型擬合 在已確定的周期性指數平滑模型中，還存在三種模型可以選擇：(1)簡單季節(simple seasonal)；(2)相加模型(winter's additive)；(3)相乘模型(winter's multiplicative)；為選擇較好的模型，擬使用R2作為選擇標準，即R2較大者為優質模型。從表1的結果中可以看出，三種模型均有較好地擬合(P＜0.05說明模型顯著)，其中加法模型R2最高，因此選擇指數平滑模型中的加法模型進行擬合，見表1。

表1 三種指數平滑模型擬合結果比較

2.3 模型參數及序列圖 模型擬合效果判定指標，RMSE值=8.776，MAPE值=8.368，MAE值=6.552；標化后的BIC值=4.586；均符合要求，擬合后模型的序列圖見圖5。

圖5 模型序列圖

2.4 預測結果驗證 本次研究結果中預測誤差值在20%以內，且實測值均落在95%CI的范圍內，經配對t檢驗發現實測值與預測值之間差異無統計學意義(t=0.448，P=0.663)。實測值與預測值之間相關系數r=0.780，P=0.003，見表2。

表2 預測結果與實際數值間比較

3 討 論

死亡對個體而言是生命的結束，對家庭而言均是最為承重的打擊，如何避免死亡、了解死亡發生規律是國內外學者一直以來的研究熱點。導致死亡的原因眾多，環境、個體、社會等因素都有可能導致死亡，一般而言是受到社會、環境、自身等多重因素的相互作用導致的死亡，就某一城市而言、地域而言是有自身一定的人群死亡規律的，如胡夢玨等[5]研究就顯示，社會經濟經濟與環境溫度的變化就對南方城市人群的死亡有重要影響。新疆地處祖國西部，生活環境、習慣、氣候變化等均與內地城市不同，人群的死亡特點是否會存在不同尚不得知，為了解新疆某三甲醫院死亡病例的時間分布情況，為更進一步了解死亡個案發生的周期性因素及變化趨勢，給死亡預測及預防提供方法學及數據參考。

此次研究結果顯示，新疆某三甲醫院的死亡病例的時間分布符合指數平滑相加模型，均存在明顯的季節變化周期，結果顯示，每年1月、5月、9月份存在季節性死亡上升，而在2月份與12月份存在兩個死亡低谷，筆者認為，出現此結果的原因主要有：(1)與12月份及2月份的相應節假日有關，即低等級醫院向該三甲醫院轉院患者數量下降而導致該醫院在12月份及2月份的死亡病例數下降，具體原因可以在后期的研究中做進一步調查。(2)就醫選擇性因素，醫院的接診為被動接診，因此，就醫選擇可能是死亡時間變化的誤差項；(3)季節及氣候等因素導致死亡病例的變化，研究顯示，冬季空氣污染嚴重，導致呼吸系統疾病致死占比增加[6-7]，夏季高熱與循環系統病致死增加有關[8-9]。此結果給醫院工作的提示是，1、5、9月份的死亡數上升，應在工作中加以提前應對，做好死者家屬的安撫及處理工作。

本研究的不足：(1)此次研究選擇了時間序列對單個醫院的所有病種的死亡病例的時間分布進行分析，未對不同性別、不同民族、不同年齡段的死亡的時間規律進行分析，后期可以加以補充；(2)此研究為單一中心的研究，后期可以考慮聯合多家三甲醫院，或者對比多家基層醫院死亡規律，為探討死亡病例的就醫選擇規律提供參考；(3)此次研究所選的死亡病例未按死因進行分類，后期研究中可以針對該醫院的不同類型的死亡進行時間序列分解，從而更有實際意義。

本研究結果顯示，新疆某三甲醫院的死亡病例的時間分布符合指數平滑相加模型，具有明顯的季節變化周期，可能與就醫選擇和氣候、節假日等因素共同作用有關，醫院在1、5、9月份的死亡數上升時，建議應在工作中加以提前應對，做好死者家屬的安撫及處理工作。

[1]Astell-Burt T,Liu Y,Feng X,et al.Health reform and mortality in China:Multilevel time-series analysis of regional and socioeconomic inequities in a sample of 73 million[J].Sci Rep,2015,5:15038.

[2]夏蘭芳,孟郁潔,李迎迎,等.ARMA模型在非意外死亡率動態預測中的應用[J].中國數字醫學,2014,4:35-37,46.

[3]Chang HH,Fuentes M,Frey HC.Time series analysis of personal exposure to ambient air pollution and mortality using an exposure simulator[J].J Expo Sci Environ Epidemiol,2012,22(5):483-488.

[4]楊曉明,沈冰,王妍敏,等.上海市靜安區居民意外跌落死亡率時間序列分析與預測[J].中國公共衛生,2015,31(11):1450-1452.

[5]胡夢玨,馬文軍,張永慧,等.社會經濟因素對南方城市溫度-死亡暴露反應關系的影響分析[J].中華預防醫學雜志,2014,48(5): 401-405.

[6]Lopez-Villarrubia E,Ballester F,Iniguez C,et al.Air pollution and mortality in the Canary Islands:a time-series analysis[J].Environ Health,2010,9:8.

[7]Daumas RP,Mendonca GA,Ponce DLA.Air pollution and mortality in the elderly in Rio de Janeiro:a time-series analysis[J].Cad Saude Publica,2004,20(1):311-319.

[8]Linares C,Martinez-Martin P,Rodriguez-Blazquez C,et al.Effect of heat waves on morbidity and mortality due to Parkinson's disease in Madrid:Atime-series analysis[J].Environ Int,2016,89-90:1-6.

[9]Lin H,Zhang Y,Xu Y,et al.Temperature changes between neighboring days and mortality in summer:a distributed lag non-linear time series analysis[J].PLoS One,2013,8(6):e66403.

Establishment and application of time series model of deaths in a tertiary Hospital in Xinjiang.

ZHOU Mei-ping1, ZHANG Jia-xiang1,CHEN Bao-lin2,WEN Guo-xin2.1.Department of Prevention and Health,Division of Medical Affairs, People's Hospital of Xinjiang Autonomous Region,Urumqi 830001,Xinjiang,CHINA;2.Urumqi Center for Disease Control and Prevention,Urumqi 830026,Xinjiang,CHINA

ObjectiveTo explore time distribution of deaths in tertiary hospital for a better understanding of cyclical factors and trends of hospital deaths occurred,and to provide reference for the further development of targeted policies.MethodsThe data of the death of patients in a tertiary hospital from January 2011 to December 2015 were collected.SPSS21.0 was used to analyze the distribution of the time of death.The effect of forecast model was verified by actual observed value in 2015.ResultsThere were obvious seasonal factors in the change of data from 2011to 2014,and there was significant periodic change.Among them,the additive model R2was the highest,which was chosen for fitting,with the effect determination indexes,of RMSE=8.776,MAPE=8.368,MAE=6.552,BIC after standardization=4.586.The predicted error values were within 20%,and the measured values were within the range of 95%CI. There was no significant difference between the measured and the predicted values by the paired t test(r=0.448,P= 0.663).Correlation coefficient between measured value and predicted value was r=0.780(P=0.003).ConclusionTime distribution of deaths of tertiary hospital in Xinjiang is in line with the exponential smoothing additive model,with obvious seasonal change,which may be related to selective treatment.The results show that the number of deaths risen in the January,May,September,and it is suggested that corresponding measures should be taken to deal with the deceased and to appease their families.

Xinjiang;Tertiary hospital;Deaths;Time series model

R339.3+9

A

1003—6350（2016）18—2981—03

10.3969/j.issn.1003-6350.2016.18.019

2016-03-22)

新疆維吾爾自治區人民醫院院內科研項目(編號：20140301)

文國新。E-mail：wgxxjbc@sina.com