APP下载

深度学习背景下老年医疗服务体系发展研究

2019-09-05高静韩乐

科技与创新 2019年11期
关键词:粗糙集深度学习人工智能

高静 韩乐

摘要:当前中国老龄化趋势加重,是目前世界上老年人口最多的国家之一,人口老龄化问题已经成为世界各国普遍关注的问题。在“人工智能”的背景下,如何利用深度学习,建立影响老年就医人口的评价指标体系,并与传统人工神经网络模型进行对比探讨,为这一现实问题提供新的解决思路。

关键词:深度学习;人工智能;老年医疗;粗糙集

中图分类号:D669.6

文献标识码:A

DOI: 10.15913/j.cnki.kjycx.2019.11.002

中国现已逐步进入老龄化社会,与其他国家不同的是,中国当前社会人均收入水平较低、社会保障程度较差。在这种背景下,中国在社会保健方面出现了更为复杂的问题。同时,中国拥有世界上最多的老年人口,并且具有规模大、速度快、超前化等特点。随着老龄化程度加深,各种老年疾病、医疗费用负担、养老等问题都变得越来越突出,而中国的老年医疗服务制度中仍存在许多缺陷,如医疗保障水平较低、城乡分布差异过大、缺乏专门的老年服务体系等,如何建设健康的老龄化社会已经成为急需解决的重大社会问题。

1 老年医疗服务的现状

人口老龄化问题已是全社会关注的重点问题,跟据国家统计局2019年发布的数据,2009 2018年65岁以上人口相关数据如表1所示。截至2018年年底,中国65岁以上人口达到16 658万,占人口总数的11.94%,同比增长0.6%。而2017年人口减少200万,人口出生率为10.94%,达到新中国成立以来最低值。2009 2018年65岁以上人口发展趋势如图1所示。

由图1可以看出,中国的老龄化程度在不断加深,解决中国人口老龄化问题将是刻不容缓的国泰民生问题。目前中国人口自然结构和社会结构处于迅速转变中。在未来的50年里,高龄老人数量将会迅速增长,据预测,中国60岁及以上老年人将在2025年达到3.08亿,老年人口占中国总人口的比例将在2025年达到21.1%。可以预料,随着高龄人群的不断扩大,未来将有更多的高龄却不健康的人口,随著家庭看护功能的不断弱化,中国将出现一大批长期照护需求群体,这将给中国的社会保障体系带来巨大冲击。

随着老年人口越来越多,高龄消费者对健康相关产业的需求也在向全面化、多样化发展。老年医疗服务、护理服务、健康保险等需求日益增多。2016年的政府工作报告中指出:“养老服务水平进一步提升,产业将迈向中高端,并且创新是养老服务业发展的强大动力。”同时,国家“十三五”发展规划纲要也提出要推动医疗卫生和养老服务相结合。在2019年的政府工作报告中,再一次强调了“健康养老”的重要性,凸显了国家对于保证老龄人口健康的重视与决心。

本文以老年就医人群为研究对象,建立影响老年就医人口的评价指标体系并预测分类,激发老年医疗体系的主动预防行为,为老年医疗服务体系的发展提供一些依据和更综合的建议。

2 老年医疗服务相关研究方法

2.1 SERVQUAL模型

SERVQUAL是SERVICE QUALITY两词的缩写。该模型是服务质量研究中运用较为广泛的一种差距分析模型,其主要理论是通过客户的实际感受值与期望值的差距,来衡量顾客对服务质量的评价,从而达到发现服务问题的目的,在此基础上分析产生问题的原因,来帮助管理者了解如何进一步完善服务体系。

通过调查问卷的形式,基于SERVQUAL模型对当前社会中所存在的老年医疗服务满意度进行有形性调查、移情性调查、保证性调查、响应性调查以及可靠性调查。针对这些调查,对当前的老年医疗服务现状进行满意度分析,并合理预测未来如何通过改变目前老年医疗服务中的问题来提升社会对老年医疗服务的满意度。

2.2 粗糙集属性约简

在信息系统中,各个属性的重要程度不同,即每个属性在系统中所占的比例是不同的,某些属性是绝对必要的,删除这种属性将不可避免影响系统的分类能力;某些属性是相对必要的,这种属性在同其他属性结合的时候,可以保持系统的分类能力,但是也存在着不需要这种属性而保持信息系统分类能力不变的属性子集;某些属性是完全不必要的,去掉这些属性并不影响系统的分类能力。所谓属性约简就是要找到保持系统分类能力不变的最小属性子集。在预测模型的建立过程中,输入变量和输出变量的选择十分重要,合适的特征子集可以降低模型的复杂程度并获得更为优秀的预测精度和泛化能力。如果不能做好这一步,模型就容易受到数据间相关性和噪声的影响,往往会造成信息冗余,使模型计算量过大,出现预测精度不高或过学习等问题,因此将与研究问题最为相关的指标筛选出来是十分必要的。

由于影响老年就医人口的因素很多,目前的研究大多是基于经验来选择特征属性的,这就使指标的选择带有很大的主观性,但实际上不同的指标对研究对象在不同方面有不同的影响力,选择哪些指标作为输入变量,输入变量的个数多少都会影响模型的预测效度和精度。如果将所有因素考虑在内,就会因属性过多而出现过拟合的现象。利用粗糙集进行属性约减,将关联度最高的因素提取出来,作为深度置信网络的输入,实现精准预测。例如,通过调查得知与老年医疗服务水平相关的因素有人均收入水平、国家医疗财政支出、老年人性别、老年人子女个数、疾病类型等,而通过粗糙集进行属性约简后,将与老年医疗服务水平最为相关的人均收入水平、疾病类型这两个因素提取出来,作为其特征属性,而将剩下的次相关的属性进行约减,从而得到老年医疗服务水平评价体系。

2.3 深度学习

近年来,深度学习逐渐成为各个研究领域炽手可热的研究方法。谷歌、百度等公司相继开展深度学习研究,其中AlphaGo战胜围棋冠军李世石成为了人工智能发展史上浓墨重彩的一笔。在其他领域上如图像识别、语音识别、文本分析等,深度学习皆有许多重大突破。而在当前中国老龄化社会复杂的背景下,深度学习突破了以往研究方法的限制,为老年医疗服务系统的优化提供了新的解决思路。而其中较为有效的方法之一便是深度置信网络。

在构建模型时,最为重要的一步就是确定输入层和隐含层的节点数目。在模型中,输入层节点用来输入搜集的数据集中的数据。而模型中隐层的结点实际上就是通过模型学习,使模型学习数据集中隐含的知识,从而使模型表现出数据中所隐含的复杂的非线性关系。如果模型的隐含层的结点数目过少,则模型构建失败,相反,如果隐含层的结点数目过多,则会出现过拟合,这些都会使预测结果出现较为大的偏离。因此,隐含层结点数目的确定,在此模型确定中是尤为重要的。

2.4 基于深度学习的老年医疗服务体系

基于以上三种方法,可以对老年医疗评价模型进行优化,具体构建流程如图2所示。

首先利用SERVQUAL模型收集原始数据,使数据更加客观全面。将收集到的不同指标的数据,利用粗糙集进行主属性的提炼,对样本数据集的关键信息进行提取和知识约简,消除冗余属性。

此外,由于数据意义和单位的不同再将数据进行归一化处理。在此基础上,可以选择利用深度学习进行老年医疗服务分类,并与人工神经网络模型进行对比探讨。

3 与传统方法相比的优势

随着老龄化步伐的加快,老龄化问题也逐渐成为各个国家面临的重要问题。人口老龄化这一种转变将会给世界带来一系列的挑战。根据第六次全国人口普查数据显示,中国总人口为13.4亿,而其中65岁及以上人口占到了8.9%。在2000-2010年,65岁以上人口增长了高达l.9%,中国已全面步人快速老龄化社会,由此衍生的老年人就医问题也面临着严重的问题。老年人基础医疗体系不完善,医疗设施的缺少等问题都给老年医疗服务带来了巨大的提升空间。

通过以上探讨,将SERVQUAL模型、粗糙集、深度置信網络三种方法结合使用,可以使分类方法在以下方面得到改进:①SERVQUAL模型以差别理论为基础,注重研究被调查者的实际感受和期望感受的差值,利用五个尺度全面地对被调查者进行分析,这是评价和完善服务质量的高效手段。在老年医疗服务体系的研究中,利用SERVQUAL模型将会对影响医疗服务质量的因素进行全覆盖,从而得到较为全面的医疗指标评价模型。②影响老年医疗服务的各个属性间的相关性会影响模型结果的准确性,往往容易造成信息冗余,从而容易导致网络模型过拟合,得出错误结论。而通过粗糙集对输入变量进行筛选,找出与问题相关性最大的影响因素,可以在一定程度上简化模型结构,防止模型过拟合。③目前的研究大多集中在人工神经网络,其结果容易陷入局部最优解。采用深度置信网络实现数据的特征学习,以多变量进行输入,提高精度,这对于老年医疗服务模型的研究具有参考价值。

4 结束语

加强和完善老年医疗服务体系建设意义重大,这是中国全面建成小康社会总目标实现的重要一步,同时也最能体现中华文明的核心价值。根据中国老年医疗服务目前所暴露出的问题,现有的老年医疗服务体系与大众的期望值仍存在较大的差距,在数量和质量上均有一定的不足。同时医疗养老资源配置不当,城乡不平衡。此外,对于老年人的医疗服务价格过高,给社会家庭带来极大的负担。在“人工智能”的背景下,使用现代技术研究老年医疗服务体系,建设基于互联网的在线服务平台,让信息多跑路,群众少跑腿,让老人不出门,服务找上门。老龄化问题复杂多变,事关社会、经济等诸多方面,需要利用各个学科的知识,开展跨学科跨领域的研究,为解决这一问题提供更全面的指导。

随着老龄化程度不断加深,为老年人提供更加精准高效的医疗服务已经成为大势所趋。在“人工智能”的背景下,结合深度学习建立老年医疗服务评价指标体系,分析影响老年医疗服务的主要因素,发现当前老年医疗服务质量存在的问题及原因,有针对性地开展分级和个性服务,从而更好地满足高龄老人的医疗服务需求,加强老年社会福利,提高老人的幸福感。

参考文献:

[1]张清华,胡荣德,姚龙洋,等.基于属性重要度的风险决策粗糙集属性约简[J].控制与决策,2016 (7): 199-205.

[2]柴化敏.中国城乡居民医疗服务需求与医疗保障的实证分析[J].世界经济文汇,2013(5):107-119.

[3]韩智东,王志良,高静.用差别矩阵思想设计的基于正区域的高效属性约简算法[J].小型微型计算机系统,2011, 32 (2): 299-304.

[4]熊瑞锦,赵雅君.社区老年人卫生服务需求影响因素分析[J].护理实践与研究,2009( 8): 127.

[5]吴嘉伟.关毅,吕新波.基于深度学习的电子病历中实体关系抽取[J].智能计算机与应用,2014,4(3): 35-38.

[6]叶永盛.基于深度学习的癌症分类模型研究[D].武汉:华中科技大学,2015.

[7]陈健美,宋顺林,朱玉全,等.一种基于贝叶斯和神经网络的图像组合分类方法[J].计算机科学,2008 (3): 244-246.

猜你喜欢

粗糙集深度学习人工智能
2019:人工智能
人工智能与就业
数读人工智能
基于粗集决策规则性质的研究
一种基于改进的层次分析法的教师教学质量评价模型
一种改进的ROUSTIDA数据填补方法
MOOC与翻转课堂融合的深度学习场域建构
大数据技术在反恐怖主义中的应用展望
深度学习算法应用于岩石图像处理的可行性研究
基于深度卷积网络的人脸年龄分析算法与实现