GBOM和改進條件下SVM的DRGs系列成本預測分析

耿洪

關鍵詞：GBOM ?改進條件下SVM ?DRGs病種系列 ?成本預測 ?模型建立

近幾年，國內外的醫院不斷在醫療服務付費制度的改革，常見的病種費用和成本預測的方式較多，例如作業成本法，邊際成本法等。這些方式運神經網絡，回歸等方式，加強了病種成本預測以及因素控制。但是這些模型的預測僅僅針對單疾病的預測有效果，對DRGs的病種預測沒有引起重視。現代研究表明，病種的成本因素控制和選擇方式多依據成型的模型或者是專家理論，但是缺乏一定的試驗樣本，導致成本模型預測的選擇和評估方面依舊存在問題。且強化研究也會消耗大量的成本，影響模型的精度。經過實踐證明，實施DRGs能夠有效避免醫療費用的增長。通過對DRGs病種系列進行成本預測，能夠促使醫院在滿足醫療質量的前提下，通過修改治理方案降低醫療成本。進而推動醫院的成本水平朝著健康的方向發展，為后期的成本優化控制奠定了基礎。

一、影響GBOM病種系列成本的因素

DRGs病種系列內的各種信息為成本預測提供了參數，能夠將實例的主要特征反應出來，開展識別、操作，本身具備層次性的特點。病種成本因素屬于主要影響因素，能夠直接影響預測結果。實施DRGs病種系列成本預測，需要制定醫院臨床病例，以便快速響應病人的需求，要求對應的物料單、醫療項目、藥品清單等必須要清晰。由于DRGs病種系列的診斷種類較多，案例數量較為龐大，按照傳統的病種結構構建BOM將會導致實例變化快，會影響預測數據的精準性。

二、改進條件下SVM的DRGs病種系列成本預測模型建立

本文針對SVM的病種成本預測和成本分析可分為多個階段。首先，根據原始數據學習樣本，再根據樣本的特點進行量化和離散化分析，得到條件構成的決策表。其次，借助RS理論強化技術研究，并得新的學習樣本集，在采用PSO的集合算法，優化SVM的結構參數，在針對優化后的SVM病種成本模型進行預測分析，輸出最小條件屬性集的數據形成的測試樣本集，輸出新的預測結果。

（一）影響因素

粗糙集理論最早是在1982年提出，主要是進行應用于數據理論分析、被廣泛應用在機器、人工智能等領域。粗糙集（RS）能夠有效處理模糊、不確定信息，其中屬性簡化屬于核心。可以借助等級管理理論，將不必要的信息剔除，簡化決策表。應用于病種成本預測模型中，能夠選出有效的病種成本影響因素。

（二）SVM病種成本預測

SVM能夠根據樣本數據，將構建風險最小化，將不可分的數據集中在高特征的空間中，促使樣本在高維空間中得到精準區分，有效解決低維空間中的難題。假設成本影響因素為 ，成本預測值為 ，那么SVM的病種成本預測步驟如下：

（1）假設1的訓練樣本集合：

（2）高維空間內超出平面的表達式為：

SVM估算回歸函數中，借助非線性思想，在空間數據內輸入x，將其映射在高維特征空間內，在高維空間內開展線性回歸。SVM的預測函數為： ?。

（3）在 SVM中采用結構風險最小化原理，通過使用 ，對風險進行衡量，衡量式子為：

（4）若是借助回歸預測將上述式子的風險最小化，用SVM對病種系列的成本回歸預測可以轉化為最小值，即K（xi，x）為核函數。針對非線性情況，在特定的核函數內，可以在樣本中選定任何一個樣本作為支持向量w，其回歸預測函數為：

綜上所述，使用SVM需要確定不敏感值、核函數、懲罰因子。

（三）借助POS算法實現SVM參數優化

由于SVM成本預測的精準度與之間有著較大的關系，在優化算法時，需要先對各類參數組合進行優化，確保預測性能的最優化。粒子算法屬于一種群體優算法，主要是對隨機粒子進行初始化，借助迭代選擇最優解，接著進行適應度評估。若是粒子處于最優位置，就按照相應的格式更新粒子的速度，若是未處于最優位置，就替換出位置偏差的粒子，在粒子達到迭代次數時，就停止迭代，進而將最優解輸出。

三、DRGs病種系列成本預測案例

考慮到SVM在解決測試中的問題、成本測算優勢，選擇30組病例作為預測數據。

藥費構成比例使用等頻率離散法對連續性屬性進行離散，在遺傳算法的計算下，得到的屬性集合為{診斷、年齡、住院天數、麻醉方式、用藥占比}，將獲得的原始數據進行重新構建，形成新的訓練樣本，接著輸入數據進行SVM訓練，輸入測試數據開展成本預測。其中PSO的規模群體為40、迭代次數為400，加速常數為C1=1.5、C2=1.7，得到參數 ?。通過對比以上算法得知，改進之后的SVM測試方法得到的MAPE值最小，平均絕對百分比誤差公式為：

其中R（i）為實際值、F（i）為預測值，N代表樣本的數量。在整個預測過程中，BP神經網絡的計算時間為15.98s、SVM計算時間為1.35s，改進后SVM的計算時間為5.71s，PSO-SVM 的計算時間為7.53s。以此可見，經過改造之后的SVM相比其他幾種預測方法在速度、精準度上具備較高的優勢，因此，在DRGs病種系列成本預測上的應用前景較為顯著。

四、結束語

綜上所述，本文通過建立GBOM基礎上的DRGs病種系列成本影響因素模型，在改進SVM數據挖掘上的DRGs病種系列成本預測方法。通過分析了病種的成本多因素和非線性特點，結合醫院的醫療配置相似性進行了分析，對醫院病種成本因素進行預測，充分考慮各項影響因素，線性（非）特點，通過實際案例證明，基于BGOM和改進SVM的DRGs病種系列成本預測適用性較強，針對一些新實例因素，能夠在最小條件屬性集內進行成本預測。具備顯著的應用情景，能夠有效輔助醫院病種系列的成本預測。

參考文獻

[1]徐靖，劉子先，李竹梅，李惠.基于GBOM和改進SVM的DRGs病種系列成本預測[J].工業工程與管理，2013，18（02）：92-99.

[2]楊迎春，巢健茜.單病種付費與DRGs預付模式研究綜述[J].中國衛生經濟，2008，（06）：66-70.

[3]郭富威，任苒. DRGs在美國的發展及在我國的應用對策[J].中國醫院管理，2006，（02）：32-35.