人工神经网络在医疗风险预测中的应用,本文是神经网络相关在职开题报告范文跟人工神经网络和应用研究和风险方面毕业论文开题报告范文.
神经网络论文参考文献：
【摘 要】 目的 建立基于人工神经网络的医疗风险预测模型,为有效预防医疗风险提供参考.方法 运用SPSS21.0统计软件,以入院方式、住院天数等变量为输入神经元,以医疗纠纷分组为输出神经元,用RBF(径向基函数)建立神经网络模型,预测医疗风险的发生,评估各因素对医疗风险的作用.结果 训练样本和测试样本的预测准确率分别为83.7%和84.2%,医疗风险影响因素重要性排序前6位分别是住院费用(100.0%)、住院天数(78.2%)、四周内手术次数(61.4%)、感染(60.5%)、伤口愈合不良(54.0%)和手术并发症(47.8%)等.结论 运用RBF(径向基函数)神经网络对医疗风险进行预测,不受样本分布特点及数据类型的影响,适用性较好.
【关键词】 人工神经网络;径向基函数;医疗风险;预测;应用
ApplicationofArtificialNeuralNetworkinMedicalRiskPrediction/SHENGHuifeng,LIUQing,XUPing,etal.//ChineseHealthQualityManagement,
2017,24(4):15-17
Abstract Objective Toestablishpredictionmodelofmedicalrisksbasedonartificialneuralnetwork,providereferenceforeffectivepreventionofmedicalrisks. Methods
Withtheadmissionform,lengthofstayandothervariablesastheinputneurons,medicaldisputesgroupastheoutputneuron,usingradialbasiunction(RBF)toestablishneuralnetworkmodel,theoccurrenceofmedicalriskwaspredicted,andthefactorsontheroleofhealthriskwasevaluated.Results Thepredictionaccuraciesofthetrainingsampleandtestsamplewere83.7%and84.2%,respectively.Thetopsiximportanceofmedicalriskfactorswerehospitalizationexpenses(100.0%),lengthofstay(78.2%),fourweeks’operationtimes(61.4%),infection(60.5%),poorwoundhealing(54.0%)andcomplications(47.8%). ConclusionItisnotaffectedbysampledistributionfeaturesanddatatypestouseRBFneuralnetworktoforecastthemedicalrisksandhasagoodapplicability.
Keywords ArtificialNeuralNetwork;RadialBasisFunction;MedicalRisk;Prediction;ApplicationFirst-author´saddress MinistryofMedicalAffairs,105thHospitalofPeople´sLiberationArmy,Hefei,Anhui,230031,China
人工神经网络(ArtificialNeuralNetwork,ANN)简称神经网络(NeuralNetwork,NN),是模拟生物神经系统结构,由大量处理单元组成的非线性自适应动态系统[1].神经网络因其强大性、灵活性和易用性,成为预测数据应用程序的首选工具.径向基函数(RadialBasisFunction,RBF)是人工神经网络诸多形式中应用较广泛的一种,由于其具有能够逼近任意的非线性函数、学习收敛速度快等优点,目前已经成功应用于非线性函数逼近、模式识别、信息处理等方面[2].本研究在前期研究基础上,初步尝试采用RBF神经网络建立医疗风险预测模型,筛选医疗风险影响因素,以期为进一步加强风险控制,制定管理决策提供参考.
1 资料来源与方法
1.1 资料来源
本研究所使用的数据资料均来源于合肥市某军队三甲医院信息系统.针对该院2010 年-2015 年发生的60例手术纠纷案例和120例非纠纷案例,通过医院信息系统调取各案例的16 项医疗风险指标.其中,60例纠纷案例为该院6年间发生的全部手术纠纷案例,反映该院实际纠纷情况;120例非纠纷案例则按照常用病例和对照1:2 的标准选取.16项指标均由前期通过单因素分析筛选并确定,分别是入院方式、住院天数、住院费用、四周内手术次数、非计划再次手术等[3].具体指标及赋值情况见表1.
1.2 研究方法
所有数据采用Excel2007 整理和汇总,采用SPSS21.0 统计软件中的径向基函数神经网络进行分析.神经网络模型包含输入层、隐藏层和输出层3层结构,将16项医疗风险指标作为输入神经元,医疗纠纷分组作为输出神经元.
1.3 操作步骤
神经网络建模按照以下步骤进行:(1)打开SPSS软件,导入Excel数据.(2)生成随机数.选择菜单栏里的“转换- 随机数字生成器”,勾选设置起点中的固定值,并输入数字“9191972”.(3)建立神经网络模型.选择菜单栏里的“分析-神经网络-径向基函数”,将医疗纠纷分组作为因变量,入院方式、住院天数等16 项指标变量作为因子.在输出选项中勾选“描述→ 图表→模型汇总→ 分类结果→ROC 曲线→累积增益图→增益图→ 观察预测图→个案处理摘 要→ 自变量重要性分析”.其他选项均采用系统默认,点击确定进行分析.
2 结果
2.1 模型预测结果
共有180 个有效样本,按照神经网络常用7:3 比例,123 个案例(68.3%)被分配到训练样本,57 个案例(31.7%)被分配到测试样本,没有个案被排除.表2 为模型分类结果.训练样本中,83 个非医疗纠纷样本有80 个(96.4%)被正确分到了非医疗纠纷组,40 个医疗纠纷样本有23 个(57.5%)被正确分到了医疗纠纷组,预测正确总百分比为83.7%;测试样本中,37 个非医疗纠纷样本有35 个(94.6%)被正确地分到了非医疗纠纷组,20 个医疗纠纷样本有13 个(65.0%)被正确地分到了医疗纠纷组,预测正确总百分比为84.2%.表3模型汇总中,训练样本百分比错误预测16.3%和测试样本百分比错误预测15.8%相对应.图1 为观察预测图,显示组合的培训和测试样本的预测拟概率.最左侧箱图显示,对于观察类别no(非医疗纠纷组)的个案,类别no的预测拟概率.在y轴0.5标记之上的箱图部分代表分类表中显示的正确预测值,0.5 标记以下部分代表不正确的预测值;最右侧箱图显示,对于观察类别yes(医疗纠纷组)的个案,类别yes的预测拟概率.在y轴0.5 标记之上的部分代表分类表中显示的正确预测值,0.5 标记以下部分代表不正确的预测值.
2.2 ROC曲线拟合结果图2为ROC曲线拟合结果,显示了单个图中所有界限的敏感度和特异性.ROC曲线下面积为0.821,表明了诊断试验准确度的大小[4],说明对于每一个类别,该类别中一个随机选择的个案高于非该类别中一个随机选择的个案的概率.例如,对于随机选择的医疗纠纷者与随机选择的非医疗纠纷者,就缺省模型预测拟概率而言,前者高于后者的概率为0.821.
2.3 重要性分析结果
表4为自变量的重要性及标准化的重要性.结果显示,医疗风险影响因素重要性排序前6 位的自变量及其标准化重要性分别为:住院费用(100.0%)、住院天数(78.2%)、四周内手术次数(61.4%)、感染(60.5%)、伤口愈合不良(54.0%)和手术并发症(47.8%).对医疗风险的影响作用最小的自变量是入院方式(17.8%).
3 讨论
3.1 神经网络模型效果分析医疗风险成因复杂,受患者因素、疾病因素、医院管理因素、医务人员因素、社会因素等的影响[5].本研究仅纳入了医疗风险的部分影响因素,所选16项指标均是从医院HIS系统调取的定量指标,不包含医务人员技术水平、医患沟通、患者期望值等定性指标.所建立的神经网络模型对医疗风险总的预测正确率达80%以上,具有较强的预测效能,可以为医疗风险识别提供客观依据.同时,与多元线性回归等模型相比,神经网络模型给出了所有自变量的敏感度,有利于综合判断各自变量对医疗风险的重要性.
3.2 建立医疗风险神经网络预测模型的意义
医疗风险管理是医疗质量管理的重要组成部分,医疗风险将直接影响医疗质量.如何控制医疗风险,降低风险发生率,是医院管理者持续探索和关注的话题[6-7].本研究所建立的医疗风险神经网络预测模型,风险识别率高,对实时监测、筛选医疗风险,从而及时预防医疗风险发生有一定参考价值.同时,为医院风险管理提供了新的方法和思路,有利于进一步深入挖掘风险成因,建立预警机制,总结归纳经验,改进管理办法,从源头上遏止医疗风险的发生.
3.3 本研究的创新性和局限性人工神经网络对资料的分布特征无特殊要求,能够较好地解决非线性问题等优点,在其他领域得到了广泛应用[8-9],并取得了良好效果,但在医疗风险预测方面的应用较少.本研究尝试将神经网络用于医疗风险预测,并运用SPSS 软件建立神经网络模型,与MATLAB等软件相比,省去了复杂的编程麻烦,简单易操作.同时,建立的神经网络预测模型效果较好,对医院管理部门进行医疗风险管理提供了参考.
但是,本研究仅是基于RBF 神经网络对医疗风险进行预测的初步尝试,结果仍然存在一定局限性.由于仅以合肥市某三甲医院为例进行分析,所用的数据资料均来自该院实际发生的案例,针对性较强,研究结果是否具有良好推广性还有待进一步验证.
参考文献
[1] 方鹏骞,谢金亮.人工神经网络在公立医院监管指标体系中的应用[J].中国医院,2012,16(9):23-25.
[2] 邹慧琴,李 硕,陶 欧,等.RBF神经网络在中医药领域中的应用及其在SPSS17.0软件中的实现[J].中华中医药学刊,2015,33(2):336-338.
[3] 刘 晴,许 苹,绳慧峰,等.医院医疗风险预警预控指标研究[J].中国医院管理,2016,36(7):43-45.
[4] 贺 佳,尹 平.医学统计学[M].北京:高等教育出版社,2015.
[5] 刘 晴,许 苹,绳慧峰,等.军队某三甲医院医疗纠纷发生特点及对策[J].解放军医院管理杂志,2016,23(5):415-417.
[6] 连 斌,秦 婷,吴 琼,等.医疗风险防范调控体系研究[J].中国卫生质量管理,2006,13(1):1-4.
[7] 杜淑英,曹红英,顾跃静,等.医疗风险管理的实践及体会[J].中国卫生质量管理,2013,20(2):43-44.
[8] 江 弋,林永鹏.RBF神经网络在股价预测中的应用[J].心智与计算,2007,1(4):413-419.
[9] 王 敏,张开金,姜 丽,等.BP神经网络技术在慢性病患者住院费用研究中的应用[J].中国卫生经济,2010,29(11):86-88.
通信作者:
陈春林:解放军105医院院长
E-mail:shenghuifeng8@163.com
收稿日期:2016-10-12
修回日期:2016-12-16
责任编辑:吴小红
结论，本文论述了关于对不知道怎么写人工神经网络和应用研究和风险论文范文课题研究的大学硕士、神经网络本科毕业论文神经网络论文开题报告范文和文献综述及职称论文的作为参考文献资料.
基于BP神经网络的城市物流需求预测模型
文培娜（京东方科技集团股份有限公司,北京 100176）摘要城市物流需求是城市物流规划的重要内容和首要前提,但城市物流需求的复杂性导致难以对其进行精确预测 文章从货运量的角度出发,分析影响货运量的社.
基于遗传算法优化和BP神经网络的中长期负荷联合预测
摘 要 传统的BP 神经网络负荷预测存在学习速度慢、局部极小……缺陷,已无法满足现代电力负荷预测的精度要求 基于此,本文首先在分析了BP 神经网络的预测原理和不足的基础上,阐述了遗传算法的原理及优化步.
基于3s的人工神经网络模型在地质灾害危险性评价中的应用
宋雨濛（成都理工大学地球物理学院 四川 成都 610059）摘 要文章通过3s 技术手段和人工神经网络模型对卧龙大熊猫自然保护区进行了地质灾害危险性评价 包括通过遥感技术获取研究区域的遥感图像,并对图.
基于SPSS和BP神经网络的林产品物流运输需求预测对比
摘要采用SPSS及Matlab软件分别建立多元线性回归模型和BP神经网络预测模型,通过HN省林产品物流运输需求量的算例,对比多元线性回归和BP神经网络预测模型的预测能力得出相应结论 关键词多元线性回归.