基于Kohonen網絡算法進行醫療設備維修管理模式再優化的應用研究

秦文俊 黃 振 陳 輝

醫療設備維修是醫學工程技術人員的一項重要工作職責，其內容包括前管理、中管理和后管理三項，即故障前的預防性維修、故障中的排除處理和故障后的監控指導[1-3]。但是，醫院臨床在用設備品牌種類繁多，且受使用年限、應用領域及結構復雜等因素影響，其維修管理工作的事項類型及對醫學工程學人員的崗位要求也不盡相同。部分醫院在此項管理工作中，存在人員分工不明確和維修體系不完善等問題，管理模式的創新改革成為該領域的研究熱點[4-5]。本研究通過醫院醫療設備維修數據的Kohonen網絡算法分析，建立人員職責和管理事項的再優化模型，通過動態管理方式不斷完善管理內容。

1 Kohonen網絡算法研究資料與方法

1.1 一般資料

選取襄陽市中心醫院2017-2018年臨床在用的醫療設備管理數據，按照不同的管理方法，將2017年度的1075臺設備管理數據納入對照組，2018年度的1203臺設備管理數據納入觀察組；對照組21名醫工人員分工及維修事項采用傳統管理模式，觀察組建立醫工人員、醫療設備、維修事項和費用支出4個維度的管理數據庫，采用“Kohonen-優化”管理模式優化人員分工和維修事項。兩組設備的品牌類型、數量和管理人員的職稱結構、數量無統計學差異，具有可比性。

1.2 維修管理元素賦值方法

維修管理元素是指醫療設備維修管理中涉及的技術人員和維修事項，其數據集合和賦值方法包括以下4方面。

(1)人員元素：Pi={a1i，a2i，a3i，a4i，a5i，a6i，a7i，a8i}。①式中ai為第i位醫工人員對設備的使用操作能力、維護保養能力、質量控制管理能力以及電源故障、機械故障、電路故障、傳感器故障和其他故障的維修能力；②根據不同人員2017年度維修事項案例數據，當事項成功率＞80%、60%～80%和＜60%時分別賦值為a={1，2，3}。

(2)設備元素：Ej={b1j，b2j，b3j，b4j，b5j，b6j，b7j，b8j}。①式中bj為第j類醫療設備對醫工人員的使用操作需求、維護保養需求、質量控制管理需求以及電源故障、機械故障、電路故障、傳感器故障和其他故障的維修需求；②根據不同類型醫療設備2017年度維修事項數據，事項頻次占設備總維修頻次的比例＞40%、20%～40%和＜20%時分別賦值為b={1，2，3}。

(3)維修元素：Mx={c1x，c2x，c3x}。①式中cx為第x類設備故障的預防性維修、故障排查處理和維修后管理；②根據不同類型醫療設備2017年度管理事項次數進行賦值。

(4)經費元素：Sy={d1y，d2y，d3y}。①式中dy為第y類設備維修事項的人員管理、配件材料和技術支持等費用支出；②根據不同類型醫療設備2017年度維修事項支出額度進行賦值。

1.3 Kohonen-優化方法

1.3.1 人員分工優化方法

人員分工優化的目的是根據不同醫工人員能力水平安排合理的維修事項。選定醫院第i位醫工人員，第j類醫療設備需求與人員維修能力的差值(Dij)計算為公式1：

其中，醫工人員為輸入樣本，醫療設備為輸出神經元，將滿足差值最小的醫療設備作為醫工人員的最優分工內容。依據Kohonen網絡算法理論修正神經元和在其鄰域內包含的節點權值(bj)，直至醫工人員與醫療設備的維修管理匹配度最穩定[6-8]。

醫院根據人員分工優化的分析結果，每月動態調整醫工人員的工作內容和崗位職責，并通過隨機抽查考核的方式進行監督管理。

1.3.2 管理事項優化方法

管理事項優化的目的是最大限度地降低設備維修成本。選定第y類維修經費支出方案，醫院第x類設備維修事項的年度支出成本(Oxy)計算為公式2：

其中，事項維修經費為輸入樣本，醫療設備為輸出神經元，將滿足支出成本最小的維修方案作為醫療設備的最優管理事項。繼續修正神經元和在其鄰域內包含的節點權值(cx)，直至醫療設備與維修經費方案匹配度最穩定。

醫院根據維修管理事項優化的分析結果，每季度動態調整醫療設備的維修管理內容，并通過設備開機率指標檢測管理內容的科學性。

1.4 觀察指標

(1)維修成本增幅：臨床醫療設備的月維修成本較上月的增長比例(%)。

(2)成功事項比例：不同類型設備的成功維修案例占全部維修案例的比例(%)。

(3)設備開機率：不同類型設備實際運行狀態時間與應工作時間之間的比例(%)。

1.5 統計學方法

采用SPSS18.0軟件進行數據統計分析，計量資料以均值±標準差()表示，采用Mann-Whitney U檢驗，以P＜0.05為差異有統計學意義。

2 Kohonen網絡算法研究結果

2.1 人員分工優化結果

對照組21名醫工人員共承擔醫療設備維修管理事項5736例，Dij為9.67±4.23；觀察組醫工人員共承擔維修事項6355例，Dij為6.52±2.25，見圖1。

圖1 人員分工優化前后對比

2.2 管理事項優化結果

對照組共包含預防性維修事項1037 例(占18.08%)、故障中處理事項3769例(占65.71%)和維修后管理事項930例(占16.21%)；觀察組共包含預防性維修事項2372例(占37.32%)、故障中處理事項2658例(占41.83%)和維修后管理事項1325例(占20.85%)，見圖2。

圖2 兩組管理事項比例對比

2.3 兩組觀察指標分析結果

醫工人員分工及維修事項優化前后兩組比較，觀察組的維修成本增幅低于對照組，成功事項比例和設備開機率高于對照組，其差異有統計學意義(Z=-2.512，Z=-2.044，Z=-1.973；P＜0.05)，見表1。

表1 兩組觀察指標分析結果(%，)

表1 兩組觀察指標分析結果(%，)

3 Kohonen網絡算法應用

Kohonen神經網絡由芬蘭赫爾辛基大學教授Teuvo Kohonen提出，可進行環境特征的識別并自動聚類，實現特定神經元節點的模式識別[9]。在醫療設備維修管理領域，科學合理地部署醫工人員的工作內容及職責，減少維修管理費用支出，需要在日常的維修數據中挖掘匹配度較高的醫療設備集合和維修管理方案，以提高醫院的醫療設備管理質量[10-11]。

本研究選取2017-2018年醫院臨床在用的醫療設備為研究對象，從醫工人員、醫療設備、維修事項和經費支出4個維度建立管理數據庫，通過Kohonen神經網絡算法分析醫工人員與醫療設備、維修事項與經費支出的匹配關系，獲得人員分工和管理事項的優化方案。臨床應用結果顯示，觀察組的管理效果優于對照組，表明Kohonen-優化在提升醫院設備維修管理水平方面具有明顯價值。

4 結語

醫院之間醫療設備的種類、數量及臨床應用情況存在一定差異，其管理模式應結合工作實際不斷改進和完善，醫療設備維修數據的挖掘為此項工作提供了科學依據，需進一步結合管理模式創新中的積極思路，加強醫工隊伍和管理人員的培訓指導，為醫院的健康發展提供必要的基礎保障[12-13]。