某医院普外科住院病例时间序列分析

北京市首都医科大学附属北京友谊医院(100050)

王伟辉 崔 燕 韩宝泉△

某医院普外科住院病例时间序列分析

北京市首都医科大学附属北京友谊医院(100050)

王伟辉 崔 燕 韩宝泉△

目的 了解2010-2014年某医院普外科住院病例情况，探索时间序列模型在普外科住院病例中的应用，为医院管理决策服务。方法 在北京市某三级医院统计室导出2010年1月-2015年9月普外科住院病例资料，其中2010-2014年数据用于建立时间序列模型，2015年1到9月数据用于验证所建立的模型，具体统计过程借助SPSS 18.0完成。结果 2010-2014年普外科住院治疗人数逐年增加，从3614例上升至6841例， Winters可加性模型可对普外科住院病例进行较好拟合，R2=0.907，总体相对误差为-5.19%。结论 时间序列分析可应用于临床，为资源和人员配置提供数据支持。

普外科住院病例 时间序列模型 预测

时间序列分析的基本任务是揭示支配观测到的时间序列的随机规律，预测未来的事件，并且通过干预来控制将来事件[1]。但由于计算方法比较复杂，目前时间序列分析针对门诊或住院人次的预测较少[2-4]，本研究利用SPSS 18.0中的“专家建模器”对2010-2014年某医院普外科住院数据进行了拟合，并对2015年1-9月份数据进行了预测，探讨其发展规律，为做好医院内资源配置提供科学依据。

资料与方法

1.资料

2010年1月-2015年9月普外科住院病例资料来源于某三级甲等综合医院统计室，其中2010-2014年数据用于建立时间序列模型，2015年1到9月数据用于验证所建立的模型。

2.方法

首先将数据按照年月的格式转为时间序列，之后利用时间序列图显示信息特征，最后应用SPSS 18.0的“专家建模器”自动为数据选择最优模型。“专家建模器”将时间序列的特征分析及序列的平稳化处理、模型识别、参数估计和模型诊断以及预测等过程全部整合在软件中，直接计算出最佳模型。

结 果

1.一般情况

2010-2014年某医院普外科累计住院27916例，2010年最少，为3614例，之后逐年上升，至2014年达到6841例，是2010年的1.89倍。

2.时间序列模型

(1)时间序列图

绘制2010-2014年某院普外科住院病例数时间序列图(图1)，从图中可以看出，序列同时具有线性趋势成分和季节成分，总体来看，住院人数逐年升高，在年内则表现为春节期间最低，秋冬季最高。

图1 2010-2014年某院普外科住院病例数时间分布

(2)模型构建

应用SPSS 18.0中的专家建模器进行拟合，自动进行最优模型的选择、参数估计和预测，最终确定最佳模型为指数平滑模型中的Winters可加性模型，该模型统计量R2=0.907，Ljung-Box Q=14.640，P=0.478。残差的ACF 图和PACF 图发现自相关函数的Box-Ljung统计量差异无统计学意义(P>0.05)，说明该残差是白噪声系列，提示专家建模器所建模型拟合效果较好。

(3)模型评价和预测

应用Winters可加性模型对2010-2014年某院普外科住院病例数进行拟合的结果和实际住院情况基本一致。应用该模型对2015年1月至2015年9月该院普外科住院病例数进行预测，并和观测值进行比较，可见除2015年6月外，实际值均在预测上下限范围内，2015年1-9月份普外科住院病例数预测值和实际值的总体相对误差为-5.19%，预计2015年12月份，该院普外科住院病例数可达704例左右，在602例至806例之间，具体见表1。

表1 2015年1-9月某院普外科住院病例数预测值及95%CI

讨 论

1.运用时间序列分析为医院管理服务

本文应用专家建模器，对2010-2014年的普外科月住院病例数进行了分析，结果表明最佳模型为Winters可加性模型，模型残差序列为白噪声，R2高达0.907，应用该模型对2015年1月至2015年9月该院普外科住院病例数进行预测，并和观测值进行比较，可见除2015年6月外，实际值均在预测上下限范围内，2015年1-9月份普外科住院病例数预测值和实际值的总体相对误差为-5.19%，综合来看，模型拟合及预测较好。应用模型推测，2015年年底，该院普外科住院病例数可达704例左右，远高于该院往年同期住院数，建议医院早做准备，提前应对。

2.住院病例数与多种因素相关。

某医院为北京市综合性三甲医院，年住院病例数在2010年已达3万例以上。随着专业的发展及群众对自身健康需求的提高，该院普外科住院病例数近年来有明显上升趋势，具体从2010年的3614例上升至2014年的6841例，病例数5年间上升了将近一倍。年内病例数变动与季节高度相关，秋冬季住院病例较多，春节期间最低，考虑和某些择期手术患者的自主选择有关。

3.随着医院接诊病例数的增多，医院规模的增大，医院的管理工作应随之增强。

对于病例数开展科学的预测，有利于医院人员和物资的配备及调整。由于时间序列分析需要较为专业的统计学基础，并通过反复试验来选择适当模型[2,4]，故可及性较差，目前医院管理工作中应用较少。SPSS 18.0中的专家建模器，可将时间序列的特征分析及预处理(平稳化)、模型识别与定阶、模型参数估计与检验、残差检验等4个过程整合到软件运行中，大大降低了模型应用的难度，使得医院管理人员可以方便应用该模型进行医院的硬件设施/软件装备、门诊/入院就诊量、医疗费用、药品收入/消耗量进行分析和预测，使卫生资源配置和卫生服务需求逐步趋于合理化[5]，但使用的同时应考虑到，任何模型都有其局限性，应结合专业特点及其他影响住院量的因素进行综合分析。

[1]王黎明，王连，杨楠.应用时间序列分析.上海：复旦大学出版社，2009.

[2]张越,王胜难,刘媛,等.应用ARIMA模型对呼吸系统疾病月住院量及住院费用的预测.中国卫生统计,2015,32(2):197-200.

[3]覃桓.基于多重回归模型的住院人数预测.中国卫生统计,2014,31(3):523-524.

[4]马春柳,刘海霞,李小升,等.SARIMA 模型在医院住院人次预测中的应用.中国卫生统计,2013,30(3):432-433.

[5]邓丹，王润华，周燕荣.时间序列分析及其在卫生事业中的应用.数理医药学杂志,2002,15(5):455-457.

(责任编辑：张 悦)

△通信作者：韩宝泉，E-mail:13581671778@163.com