基于改進LSTM 的多源績效數(shù)據(jù)綜合評估與預(yù)測模型設(shè)計

王建琴

（河北北方學(xué)院附屬第二醫(yī)院，河北張家口 075100）

在醫(yī)院內(nèi)部績效管理中，核心的問題是績效評估與預(yù)測，這要求必須選擇合理的指標數(shù)據(jù)對醫(yī)院的績效進行衡量。合理指標不僅可反映出醫(yī)院發(fā)展的真實情況，還能預(yù)測醫(yī)院未來的發(fā)展趨勢。傳統(tǒng)公立醫(yī)院的績效考核主要將財政收支情況及醫(yī)院診治人數(shù)作為核心評價指標，該指標簡單且沒有明確的數(shù)據(jù)體系[1-2]。文中使用DRG（Diagnosis Related Groups）模型指標，同時利用改進長短時記憶網(wǎng)絡(luò)（Long Short-Term Memory,LSTM）模型對指標進行訓(xùn)練，從而實現(xiàn)對醫(yī)院績效的有效評估及預(yù)測。

1 醫(yī)院績效數(shù)據(jù)預(yù)測系統(tǒng)

1.1 DRG績效評估模型

DRG 也被稱為疾病診斷相關(guān)組[3-4]，該模型使用各種病例的診斷結(jié)果作為數(shù)據(jù)基礎(chǔ)。同時考慮醫(yī)療設(shè)備、手術(shù)操作、患者信息等與醫(yī)院資源配置相關(guān)因素的影響，進而實現(xiàn)對醫(yī)院綜合績效的有效評估。

DRG 總體可分為三個部分：1）服務(wù)能力參數(shù)，包括DRG 分組、權(quán)重因子等，其中DRG 分組表征診室所覆蓋疾病種類的廣度，而權(quán)重因子則表征醫(yī)療服務(wù)的總收益；2）服務(wù)效率參數(shù)，包括時間、費用等因素，其中時間因素表示醫(yī)院治愈患者所花費的時間，費用因素則表示治療疾病所需的費用；3）安全參數(shù)，即病患治愈率、死亡率等。表1 為DRG 評價指標同傳統(tǒng)指標的對應(yīng)關(guān)系。

表1 DRG指標同傳統(tǒng)指標的對應(yīng)關(guān)系

從表1 中可以看到，相比傳統(tǒng)績效評估指標，DRG 指標考慮到了資源消耗、病癥難度等綜合因素對醫(yī)院績效管理的影響，因此最終結(jié)果更為精準。

1.2 Bi-LSTM模型設(shè)計

LSTM 全稱為長短時記憶網(wǎng)絡(luò)[5-8]，該算法能夠克服傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）無法處理包含時間屬性序列的缺點。LSTM 中最典型的結(jié)構(gòu)就是時間記憶模塊，該模塊能從時間序列數(shù)據(jù)中提取出隱藏信息。因此，使用LSTM 可對醫(yī)院時間績效管理數(shù)據(jù)進行分析。

LSTM 網(wǎng)絡(luò)結(jié)構(gòu)通常由多個基礎(chǔ)網(wǎng)絡(luò)單元組成。由三個網(wǎng)絡(luò)單元構(gòu)成的LSTM 網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

LSTM 網(wǎng)絡(luò)單元使用門結(jié)構(gòu)對數(shù)據(jù)進行處理，該網(wǎng)絡(luò)單元由輸入門、遺忘門及輸出門三種類型的門組成。輸入門為結(jié)構(gòu)的數(shù)據(jù)輸入接口，其可從外界獲取新的數(shù)據(jù)，同時對數(shù)據(jù)進行預(yù)處理。遺忘門則接收上個單元傳遞而來的記憶信息，再根據(jù)數(shù)據(jù)的權(quán)重，選擇特征最強的數(shù)據(jù)信息，并遺忘特征較弱的數(shù)據(jù)信息。輸出門則負責(zé)將處理完畢的數(shù)據(jù)進行輸出。神經(jīng)單元的當前狀態(tài)可以在基礎(chǔ)網(wǎng)絡(luò)中傳輸，具體的LSTM 單元結(jié)構(gòu)如圖2 所示。

圖2 LSTM單元結(jié)構(gòu)

神經(jīng)單元在上一時刻的輸入數(shù)據(jù)由輸入門輸入的數(shù)據(jù)xt、上個單元記憶狀態(tài)Ct-1以及前單元輸出層狀態(tài)ht-1組成。數(shù)據(jù)輸入后，由遺忘門函數(shù)ft和輸入門函數(shù)it對記憶單元的狀態(tài)進行計算。ft和it的具體計算方法分別如式（1）、（2）所示：

其中，σ和Wf、Wu為網(wǎng)絡(luò)架構(gòu)的權(quán)重系數(shù)，bf、bu為偏置。之后對記憶細胞的信息進行計算，如式（3）所示：

最后，根據(jù)記憶單元的狀態(tài)與輸出數(shù)據(jù)對輸出層進行計算。輸出狀態(tài)為Ct和ht，二者可表示為：

為了提高LSTM 的計算準確性，對其進行改進。文中使用雙向LSTM 算法，通過正向與反向數(shù)據(jù)傳輸路徑共同完成數(shù)據(jù)的訓(xùn)練。雙向長短時記憶網(wǎng)絡(luò)（Bi-directional Long Short-Term Memory,Bi-LSTM）結(jié)構(gòu)由正向及逆向LSTM 組成[9-10]，逆向LSTM 不斷對正向的參數(shù)進行修正，進而減小正向單元層與層之間的數(shù)據(jù)誤差。最終輸出結(jié)果使用不同的權(quán)重融合得到，具體結(jié)構(gòu)如圖3 所示。

圖3 Bi-LSTM結(jié)構(gòu)

為了滿足模型訓(xùn)練的需求，將Bi-LSTM 結(jié)構(gòu)封裝成殘差結(jié)構(gòu)網(wǎng)絡(luò)。原始Bi-LSTM 模型為淺層模型，使用殘差結(jié)構(gòu)即可滿足深度系統(tǒng)的訓(xùn)練要求。殘差網(wǎng)絡(luò)結(jié)構(gòu)見圖4 所示，且網(wǎng)絡(luò)的映射函數(shù)為H(x)=F(x)+x。

圖4 殘差網(wǎng)絡(luò)結(jié)構(gòu)

1.3 ATT-Bi-LSTM模型設(shè)計

各種指標權(quán)重值的訓(xùn)練對于文中的DRG 模型至關(guān)重要。為了得到理想的指標權(quán)重值，此次使用注意力機制（Attention Mechanism）[11-14]對輸入數(shù)據(jù)進行權(quán)重因子訓(xùn)練，進而獲得更為準確的預(yù)測結(jié)果。數(shù)據(jù)分類中的注意力機制本質(zhì)即為一組能對數(shù)據(jù)權(quán)重進行標定的權(quán)值數(shù)據(jù)，具體如圖5 所示。

圖5 注意力機制

1.4 績效數(shù)據(jù)預(yù)測模型

將注意力機制加入Bi-LSTM 模型，最終得到的多層模型如圖6 所示。該模型由輸入層、嵌入層、雙向LSTM 層、注意力機制層以及輸出層組成。其中輸入層數(shù)據(jù)為DRG 模型中的各項指標，嵌入層首先將數(shù)據(jù)進行預(yù)處理，然后雙向LSTM 層對數(shù)據(jù)加以訓(xùn)練，再由注意力機制層對權(quán)重因子進行輸出，最終得到后續(xù)績效的預(yù)測情況。

圖6 多層網(wǎng)絡(luò)結(jié)構(gòu)

嵌入層的權(quán)重et的計算方式為：

整體系統(tǒng)架構(gòu)如圖7 所示。文中使用三個并行的ATT-Bi-LSTM模型對DRG的三大指標——服務(wù)能力參數(shù)、服務(wù)效率參數(shù)及安全參數(shù)進行訓(xùn)練，并作為績效預(yù)測模型的輸入層。將經(jīng)過該模型訓(xùn)練后的參數(shù)輸入Softmax 分類器，再將三大指標模塊的權(quán)重因子加以融合，最終便可得到績效的評估值與預(yù)測值。

圖7 整體系統(tǒng)架構(gòu)

2 算法測試與結(jié)果分析

2.1 誤差指標

為了優(yōu)化模型性能進行評估，此次使用四項誤差指標來分析，分別為平均百分比誤差（MAPE）、均方根誤差（RMSE）、平均絕對誤差（MAE）以及決定系數(shù)（R2）。其中，平均百分比誤差與決定系數(shù)可對績效預(yù)測結(jié)果的準確程度進行判斷。而均方根誤差和平均絕對誤差，則能對預(yù)測精度作出評判。這四項誤差的計算公式如下所示：

2.2 實驗環(huán)境與數(shù)據(jù)集

實驗選擇的數(shù)據(jù)類型為DRG 模型中的各種指標，數(shù)據(jù)采集來源為河北省某大型醫(yī)院的各業(yè)務(wù)部門、醫(yī)療設(shè)備物聯(lián)網(wǎng)終端等，采樣時間為近五年內(nèi)每月的數(shù)據(jù)，總量約為10 000 條，且訓(xùn)練集與驗證集的比例為8∶2。具體實驗環(huán)境如表2 所示。

表2 實驗環(huán)境

2.3 性能測試

在性能測試中，選用BP（Back Prpagatin）神經(jīng)網(wǎng)絡(luò)[15]與循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network,RNN）模型[16]作為對比算法。測試時，三種網(wǎng)絡(luò)的輸入數(shù)據(jù)完全相同，模型運行次數(shù)為10 次，且取預(yù)測權(quán)重的平均值。采用2018-2020 年的數(shù)據(jù)進行訓(xùn)練，并使用2021-2022 年的數(shù)據(jù)加以驗證，得到最終的實驗結(jié)果如圖8 所示。

圖8 性能測試對比曲線

從圖中可看出，與后兩年的實際值相比，該文算法的擬合值相較其他算法而言最為理想，說明其預(yù)測精度較高，且在全局及局部效果中均有較優(yōu)的表現(xiàn)。

為了定量觀察算法的性能差別，使用平均百分比誤差、均方根誤差、平均絕對誤差和決定系數(shù)這四項誤差指標對預(yù)測精度進行對比。對比算法則選用BP 神經(jīng)網(wǎng)絡(luò)、LSTM 網(wǎng)絡(luò)、邏輯回歸模型（Logistic Regression,LR）、Bi-LSTM 模型及RNN 模型。對比結(jié)果如表3 所示。

表3 最優(yōu)值計算結(jié)果

由表3 可知，隨著預(yù)測年數(shù)的增多，由于時間序列數(shù)據(jù)集合的增加，各算法的準確率均有一定的提高。所設(shè)計的ATT-Bi-LSTM 算法預(yù)測兩年的R2 值相較預(yù)測一年的高0.001。同時，與LSTM 和Bi-LSTM模型相比，由于該模型加入了注意力機制，因此能更好地對權(quán)重因子進行預(yù)測，進而得到更為準確的效果。而傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)及LR 模型，二者對時間序列的訓(xùn)練能力較差，導(dǎo)致其性能也不理想，因此測試指標遠落后于該文算法。

由此可見，該文算法能夠根據(jù)已有數(shù)據(jù)集的訓(xùn)練結(jié)果對未來績效結(jié)果進行預(yù)測，故其具有較強的實用價值。

3 結(jié)束語

現(xiàn)有醫(yī)院績效考核的數(shù)據(jù)較為片面、整體性差。針對該問題，文中基于指標綜合考慮較為全面的DRG 模型，對LSTM 加以改進，構(gòu)建了ATT-Bi-LSTM 模型對指標數(shù)據(jù)進行訓(xùn)練，再通過分類器融合權(quán)重因子，從而得到較為客觀全面的未來績效預(yù)測結(jié)果。實驗結(jié)果表明，該算法的預(yù)測結(jié)果與實際結(jié)果更為接近，同時誤差指標較低，證明了該算法可對醫(yī)院的績效進行有效評估及合理預(yù)測。