基于时间序列分析法的静脉用药调配工作量波动分析及预测

宗留留，杨蕴智，老东辉，李晓宇，吕迁洲 （复旦大学附属中山医院药剂科, 上海 200032）

静脉用药调配中心（pharmacy intravenous admixture services, PIVAS）是专为临床提供静脉用药调配服务的药品调剂部门。随着PIVAS 业务的发展，人员配置、时间分配等诸多管理话题备受关注[1-4]。通常资源配置、时间管理及工作方式等管理决策的落地均需结合工作量情况，这是因为工作量不仅可用于绩效考核，也可用于衡量需求与供给是否匹配，是调整工作强度和实现最佳调配实践过程的关键组成部分，并且对静脉药物调配服务的提供有着深远的影响（诸如人员倦怠、供应短缺导致治疗延误、调配差错等不期望的结局）[5]。因而，客观选择能够代表工作量的关键指标进行准确量化及特征分析，对PIVAS 工作模式的制定和优化具有重要意义。

据上海市药学会医院药学专委会PIVAS 学组2022 年统计数据显示，以长期医嘱（执行两次以上的定期医嘱）为调配工作类型的上海医疗机构高达97.4%，其中31.6%的机构仅接收执行此项工作[6]。因此，客观上存在管理决策匹配至长期医嘱工作的需求，以达到解决临床用药需求、保证准点交付及提高服务质量的目的。然而，现阶段PIVAS 管理决策的匹配多依赖于实操经验，缺乏可靠的理论依据，主要原因是长期医嘱工作量特征没有得到细致量化的分析并在文献中进行报道。

按日期汇总的PIVAS 长期医嘱工作量是典型的时间序列，而时间序列分析法目前较为成熟，已在金融、气象、医学等领域得到广泛应用[7]。该技术不仅可通过分解法识别变量存在的周期性、循环性、趋势性等变化特征，还可根据历史数据特征进行回归分析或机器学习等模型的构建及预测[8]。因此，本研究借助时间序列分析法对PIVAS 长期医嘱工作量数据进行特征分析及预测，以期为PIVAS 工作模式的制定提供参考。

1 资料与方法

1.1 数据来源

数据来自复旦大学附属中山医院东院区PIVAS，选取2020 年7 月至2021 年6 月的长期医嘱日工作量整年周期数据，进行时间序列分析及预测模型构建，选取2021 年7 月的数据用于模型预测准确度的验证。

1.2 数据波动性分析

利用SPSS 25.0 软件对获得的工作量数据绘制时间序列图。通过局部加权回归拟合函数（loess function）对序列进行季节和趋势分解[9]，初步描述分析数据的长期趋势、季节波动、循环波动、不规则波动等重要特征。

1.3 预测模型构建及评价方法

基于数据的趋势性、季节性或平稳性假设，通过制定一个数学模型来捕捉现有的动态关系，理解数据生成过程，并可能在提出的假设限制内进行预测。传统的建模方法包括指数平滑、移动平均、多元线性回归和自回归综合移动平均等，可利用SPSS 25.0 软件直接进行统计分析以识别适合的建模方法。

1.3.1 数据预处理

预测模型的构建方法大多需要序列平稳假设的前提，即序列的均值和方差等基本统计量随时间保持不变。采用Eviews 11 对时间序列数据进行单位根检验（ADF 检验），以观察平稳性，若检验为非平稳序列则需进行差分运算，转化为平稳时间序列。

1.3.2 模型构建方法

应用SPSS 25.0 软件中的“时间序列建模器”进行建模。根据序列的波动特征、自相关系数（ACF）及偏自相关系数（PACF）识别模型，通过试误法进行模型参数估计。以Ljung-Box 统计量检验残差是否符合常态分配的基本假设，P＞0.05 说明模型构建成功；当拟合度（平稳R2和R2）＞0.05、残差的ACF 和PACF 图无规律及拟合值与实际值的平均绝对误差（MAPE）＜10%时，说明模型拟合效果好。

1.3.3 模型预测效果评价

利用所构建的时间序列模型进行样本外预测，并与实际值比较，通过相对误差百分比验证模型的预测能力。相对误差百分比(δ)= (预测值-实际值)/实际值×100%，δ＜10%时说明模型预测有效。

2 结果

2.1 波动特征

利用复旦大学附属中山医院东院区2020 年7 月至2021 年6 月PIVAS 长期医嘱工作量数据，绘制原始序列图并进行时间序列分解。图1A 为原始序列，由365 个数据集成，工作量日均值为16188.55 个，且整年数据基本维持在16000 振幅波动，但极值（8326～21302）间相差约为2.5 倍，说明PIVAS 长期医嘱工作量的波动存在规律性及异常性等特征。时间序列分解结果表明：序列具有周期性、缓慢上升趋势及不规则变动等特征。图1B 为季节因子序列，说明长期医嘱工作量数据遵循以7 d为周期的变动规律，单周期波动总体存在周一（谷值）至周六（峰值），先上升而后下降的模式；图1C为循环趋势序列，提示不规则变动均发生在国家法定节假日期间，且假期越长序列的不规则性越明显；工作量总体呈现缓慢上升趋势且在节假日前迎来高峰。

图1 PIVAS 长期医嘱工作量波动序列

2.2 PIVAS 长期医嘱工作量时间序列预测模型构建

2.2.1 时间序列平稳性检验

对PIVAS 长期医嘱日工作量时间序列进行单位根ADF 检验，检验结果表明：ADF 统计值为-5.922 144，小于1%（-3.448 518）、5%（-2.869 442）、10%（-2.571 047）显著性水平的临界值（P＜0.000 01），说明工作量时间序列不存在单位根，为平稳序列，符合时间序列模型构建要求。

2.2.2 模型评价

根据原始序列图的波动特征，将趋势及季节因素均纳入考虑的简单季节性模型、温特斯加法模型或温特斯乘法模型建模，最终选取温特斯乘法模型。该模型Ljung-Box 统计量的显著性值大于0.05（P=0.060），表明模型正确，说明所观测的序列中不存在模型无法解释的结构（图2）。拟合参数平稳R2=0.549、R2=0.777、残差的ACF 和PACF 图无规律性（图2A）；工作量拟合图拟合值波动趋势与实际值基本吻合（图2B），且 MAPE=4.45%（＜10%），说明模型拟合效果好。

图2 基于温特斯乘法模型残差的ACF、PACF(A)及工作量预测值与实际值拟合图(B)

2.2.3 模型预测效果评价

工作量预测结果的波动特征呈现明显的周期性特征（图2B）。表1 显示，2021 年7 月长期医嘱工作量的短期预测误差处于10%之内，且平均相对偏差为3.81%，说明模型有效。

表1 2021 年7 月静脉用药调配中心实际工作量与预测工作量的比较

3 讨论

前期通过文献查阅梳理出可以代表工作量的常见指标[10-12]，主要包括“日调配时间”、“日输液袋量”、“日用药支数”及“日注射剂总量”。通过相关性分析（表2）发现，指标间均存在显著正相关，说明指标间可能存在某种联系，一定程度均可以代表工作量。尽管按输液量（袋数）计算的日调配量是现今PIVAS 工作量评价共识[12]，但该指标更适用于周转过程的统计，并不能较好体现输液制备过程的工作难易程度。此外，“日调配时间”指标统计过程的规范化程度，以及“日用药支数”指标忽略大容量注射剂（输液）统计导致的大容量注射剂工作量缺失，均可能引发工作量特征量化的准确性争议。因此，基于指标参数获取的准确性、PIVAS 长期医嘱工作结构、过程及结果的综合考虑，本研究最终选择“日注射剂总量”（即每日注射剂总量，包含大容量注射剂）作为长期医嘱工作量指标。该指标参数不仅可直接从医院信息系统（HIS 系统）获得，而且一定程度体现了工作强度及药品使用情况，有助于建立管理和PIVAS医嘱工作量之间的统计关联。

表2 主要指标的相关系数矩阵(n=365)

研究发现长期医嘱工作量波动具有明显的周期性、受节假日因素影响的不规则变动以及不明显的缓慢增长趋势等特征。有意思的是，多项研究证实门急诊日诊量波动具有同样的波动特征[13-14]，说明医院工作模式可能是影响医疗机构内日工作量波动的关键因素。需要注意的是，PIVAS 药学服务在医疗机构中属于下游服务节点，存在滞后性，从而导致工作量波动特征存在周一谷值和周六峰值等现象。此外，波动性还可能受临床患者住院时间的主观因素影响，包括入院期、出院期、床位周转率、化疗周期以及患者手术择期选择等因素[15]。后续有必要采用相关性分析等手段进一步验证假设，从而建立与临床数据间的联系，以便更好地为临床服务。随后课题组将波动特征规律运用到PIVAS 运营管理中，制订了一些措施，取得较好成效。如：（1）周六及节假日初期充足准备，中后期直至工作日来临适当减少，一旦进入工作日周期又逐步增加的资源配备；（2）通过周排班模式合理搭配、均衡人力配置原则来统筹协调人力资源；（3）每周周一盘点，周二物资采购，周五补充，来保障物资供应以应对周内工作量攀升压力。

简单季节模型、温特斯乘法模型均能提供准确预测，基于贝叶斯信息准则最小原则选择温特斯乘法模型。温斯特乘法模型具有实践轻松简单、高预测精度的优点，然而仍存在一定的局限性，体现在其主要通过提取时间序列中季节变动及长期趋势因素建模，对于元旦、春节等节假日信息提取不足，从而可能降低预测值的精确度。导致这一结果的根本原因是节假日的时间跨度不明确，后期将收集更多长期医嘱工作量数据以便丰富数据，考虑构建长期记忆模型以便将元旦等节假日因素纳入模型中，从而使预测更精准。

综上所述，本研究所采用的时间序列分析法为科学分析与预测PIVAS 长期医嘱工作量变化提供了思路，该方法实现简单，可行性强，准确度高，对药房管理有一定指导和实践意义。然而，真实世界中的数据存在固有的复杂性，不存在适用于任何环境的通用模型，如受天气或流感爆发等因素影响时，可进行及时的短期分析以实现更精确的近期预测。