GBOM和改进条件下SVM的DRGs系列成本预测分析

耿洪

关键词：GBOM  改进条件下SVM  DRGs病种系列  成本预测  模型建立

近几年，国内外的医院不断在医疗服务付费制度的改革，常见的病种费用和成本预测的方式较多，例如作业成本法，边际成本法等。这些方式运神经网络，回归等方式，加强了病种成本预测以及因素控制。但是这些模型的预测仅仅针对单疾病的预测有效果，对DRGs的病种预测没有引起重视。现代研究表明，病种的成本因素控制和选择方式多依据成型的模型或者是专家理论，但是缺乏一定的试验样本，导致成本模型预测的选择和评估方面依旧存在问题。且强化研究也会消耗大量的成本，影响模型的精度。经过实践证明，实施DRGs能够有效避免医疗费用的增长。通过对DRGs病种系列进行成本预测，能够促使医院在满足医疗质量的前提下，通过修改治理方案降低医疗成本。进而推动医院的成本水平朝着健康的方向发展，为后期的成本优化控制奠定了基础。

一、影响GBOM病种系列成本的因素

DRGs病种系列内的各种信息为成本预测提供了参数，能够将实例的主要特征反应出来，开展识别、操作，本身具备层次性的特点。病种成本因素属于主要影响因素，能够直接影响预测结果。实施DRGs病种系列成本预测，需要制定医院临床病例，以便快速响应病人的需求，要求对应的物料单、医疗项目、药品清单等必须要清晰。由于DRGs病种系列的诊断种类较多，案例数量较为庞大，按照传统的病种结构构建BOM将会导致实例变化快，会影响预测数据的精准性。

二、改进条件下SVM的DRGs病种系列成本预测模型建立

本文针对SVM的病种成本预测和成本分析可分为多个阶段。首先，根据原始数据学习样本，再根据样本的特点进行量化和离散化分析，得到条件构成的决策表。其次，借助RS理论强化技术研究，并得新的学习样本集，在采用PSO的集合算法，優化SVM的结构参数，在针对优化后的SVM病种成本模型进行预测分析，输出最小条件属性集的数据形成的测试样本集，输出新的预测结果。

（一）影响因素

粗糙集理论最早是在1982年提出，主要是进行应用于数据理论分析、被广泛应用在机器、人工智能等领域。粗糙集（RS）能够有效处理模糊、不确定信息，其中属性简化属于核心。可以借助等级管理理论，将不必要的信息剔除，简化决策表。应用于病种成本预测模型中，能够选出有效的病种成本影响因素。

（二）SVM病种成本预测

SVM能够根据样本数据，将构建风险最小化，将不可分的数据集中在高特征的空间中，促使样本在高维空间中得到精准区分，有效解决低维空间中的难题。假设成本影响因素为 ，成本预测值为 ，那么SVM的病种成本预测步骤如下：

（1）假设1的训练样本集合：

（2）高维空间内超出平面的表达式为：

SVM估算回归函数中，借助非线性思想，在空间数据内输入x，将其映射在高维特征空间内，在高维空间内开展线性回归。SVM的预测函数为：  。

（3）在 SVM中采用结构风险最小化原理，通过使用 ，对风险进行衡量，衡量式子为：

（4）若是借助回归预测将上述式子的风险最小化，用SVM对病种系列的成本回归预测可以转化为最小值，即K（xi，x）为核函数。针对非线性情况，在特定的核函数内，可以在样本中选定任何一个样本作为支持向量w，其回归预测函数为：

综上所述，使用SVM需要确定不敏感值、核函数、惩罚因子。

（三）借助POS算法实现SVM参数优化

由于SVM成本预测的精准度与之间有着较大的关系，在优化算法时，需要先对各类参数组合进行优化，确保预测性能的最优化。粒子算法属于一种群体优算法，主要是对随机粒子进行初始化，借助迭代选择最优解，接着进行适应度评估。若是粒子处于最优位置，就按照相应的格式更新粒子的速度，若是未处于最优位置，就替换出位置偏差的粒子，在粒子达到迭代次数时，就停止迭代，进而将最优解输出。

三、DRGs病种系列成本预测案例

考虑到SVM在解决测试中的问题、成本测算优势，选择30组病例作为预测数据。

药费构成比例使用等频率离散法对连续性属性进行离散，在遗传算法的计算下，得到的属性集合为{诊断、年龄、住院天数、麻醉方式、用药占比}，将获得的原始数据进行重新构建，形成新的训练样本，接着输入数据进行SVM训练，输入测试数据开展成本预测。其中PSO的规模群体为40、迭代次数为400，加速常数为C1=1.5、C2=1.7，得到参数  。通过对比以上算法得知，改进之后的SVM测试方法得到的MAPE值最小，平均绝对百分比误差公式为：

其中R（i）为实际值、F（i）为预测值，N代表样本的数量。在整个预测过程中，BP神经网络的计算时间为15.98s、SVM计算时间为1.35s，改进后SVM的计算时间为5.71s，PSO-SVM 的计算时间为7.53s。以此可见，经过改造之后的SVM相比其他几种预测方法在速度、精准度上具备较高的优势，因此，在DRGs病种系列成本预测上的应用前景较为显著。

四、结束语

综上所述，本文通过建立GBOM基础上的DRGs病种系列成本影响因素模型，在改进SVM数据挖掘上的DRGs病种系列成本预测方法。通过分析了病种的成本多因素和非线性特点，结合医院的医疗配置相似性进行了分析，对医院病种成本因素进行预测，充分考虑各项影响因素，线性（非）特点，通过实际案例证明，基于BGOM和改进SVM的DRGs病种系列成本预测适用性较强，针对一些新实例因素，能够在最小条件属性集内进行成本预测。具备显著的应用情景，能够有效辅助医院病种系列的成本预测。

参考文献

[1]徐靖，刘子先，李竹梅，李惠.基于GBOM和改进SVM的DRGs病种系列成本预测[J].工业工程与管理，2013，18（02）：92-99.

[2]杨迎春，巢健茜.单病种付费与DRGs预付模式研究综述[J].中国卫生经济，2008，（06）：66-70.

[3]郭富威，任苒. DRGs在美国的发展及在我国的应用对策[J].中国医院管理，2006，（02）：32-35.