3 基于bp神经网络的公立医院运行监管指标体系

基于B P神经网络的公立医院运行监管指标体系摘要目的构建基于人工神经网络的公立医院运行监管指标体系，为完善公立医院运行监管提供参考。

方法定性与定量相结合，现场调研与数理模型相结合。

通过文献分析与专家咨询确定指标，收集118家医院指标数据，构建神经网络模型，计算指标权重。

结果确定了药品收入占业务收入的比例、负债率、医生护士人数比等7项指标及其权重，利用该指标体系得到测算值和实际值之间无显着差异。

结论本研究所得的指标体系具有较高的信度和效度。

关键词公立医院人工神经网络指标监管
完善公立医院的监管机制和手段是公立医院改革的关键节点之一[1]。

《公立医院改革试点指导意见（2010）》提出要“健全公立医院监管机制，加强医疗安全质量和经济运行监管。

”。

当前公立医院的监管主体多元化，但缺少一套系统的公立医院运行监管指标体系，使各监管主体对医院的监管缺乏连续性和一致性，医院疲于应付检查而未能真正改善运行绩效。

人工神经网络（以下简称“神经网络”）是模拟生物神经系统结构的非线性自适应动态系统。

已有研究表明，神经网络作为模糊数学的手段已在模糊综合评价领域广泛运用[2]。

本文综合运用文献分析、专家访谈、现场调研和构建神经网络模型等方法，形成了公立医院运行监管指标体系，为完善公立医院监管提供参考。

1 资料与方法
1.1 资料来源
1.1.1文献资料收集访问卫生和计划生育委员会等官方网站，检索中国知网等数据库，搜集关于中国公立医院监管的政策文件、报告和文章，遴选出常用的公立医院
运行监管指标。

1.1.2现场资料收集于2013年1月~3月前往株洲、遵义、深圳、珠海、广州5市进行现场调查。

共发放公立医院机构调查表150份，回收121份，合格118份，其中包括广州35份、珠海20份、深圳16份、株洲18份、遵义29份。

1.2研究方法
1.2.1专家咨询法拟定指标咨询意见表，由来自株洲、遵义、深圳、珠海、广州的公立医院、卫生行政、社会保险等部门的26名专家对指标进行评分和筛选。

1.2.2数据包络分析法。

利用DPS 14.0软件，构建以在岗医生数、在岗护士数、实有床位数、业务支出为投入指标，以门急诊诊疗人次、出院人数、业务收入为产出指标的数据包络分析CCR模型，测算样本医院的运行效率，作为神经网络模型的输出指标。

1.2.3神经网络模型。

利用SPSS20.0软件，构建以公立医院监管指标为输入变量，以医院运行效率为输出变量的三层神经网络模型，以样本医院数据为训练数据集，测算出层间链接权重，进而计算出监管指标的权重。

2 结果与分析
2.1样本医院的资源配置和服务产出情况
选取了在岗医生数等5项指标和门急诊诊疗人次等4项指标来分别分析样本医院的资源配置情况和服务产出情况（如表1所示）。

在岗护士数（人）288.81
实有床位数（张）461.16
业务支出（万元）23 444.82
固定资产（万元）20 936.45
服务产出
门急诊疗人次(人次) 510 760.53
出院患者数量(人次) 14 048.36
业务收入(万元) 12 166.77
住院手术患者数量(人次) 5 789.01
2.2 公立医院运行监管指标咨询结果
2.2.1专家及咨询情况共咨询26名专家，平均年龄51岁，平均工作年限为26年；学历方面，70%为本科，23%为硕士，7%为博士；职称上，14%的专家为中级职称，42%为副高，44%为正高；任职单位方面，57.6%的专家任职于公立医院监管部门，42.4%任职于公立医院。

专家的积极系数（问卷回收率）为100%，权威系数均高于0.7。

通过测算专家对各项指标评价的一致性系数（Kendall和谐系数），结果显示P值均小于0.05，表明咨询结果具有较高一致性，咨询结果具有较高可信度。

2.2.2 指标咨询结果及其转化共遴选出药品收入占业务收入的比例、负债率、医生护士人数比等7项指标。

为了便于后续的权重测算，须将指标进行归一化处理，转化方案如表2所示。

表2 指标咨询结果及其转化
原始指标（X）优化后指标（X*）转化公式
药品收入占业务收入比例医疗收入占业务收入比例X*=1-X
负债率非负债率X*=1-X
医生护士人数比护士占医生护士总数比例X*=1/(1+X)
工资福利支出占总支出比例工资福利支出占总支出比例X*=X
实际病床使用率合理病床使用率X*=1-|X-1|
总资产收益率归一化总资产收益率X*=[X-Min(X)]/[Max(X)-Min(X)]
业务收支比收入占收支总额比例X*=X/(1+X)
2.3 指标权重的测算
2.3.1 指标测算思路本研究在权重的测算上采取纯定量方法，即建立三层（7-4-1）神经网络模型，以上文遴选出的7项指标为输入层指标，以医院总体运行效率为输出层指标，以118样本医院的数据为训练样本集，得到权值矩阵（W、V），再对权值矩阵的运算得到指标的权重。

2.3.2 神经网络模型运算结果神经网络模型训练的权值矩阵如表3、表4所示。

2.3.3 指标权重的计算公式推导及指标体系的确定本研究所采用的人工神经网络包含输入层、隐层和输出层，分别有7、4和1个神经元，其输入数据分别构成向量X、Y和O。

输入层向量经过加权后传递到隐层神经元，隐层输出经过加权又传递给输出层神经元。

输入层到隐层之间的权值矩阵用V表示；隐层到输出层之间的权值矩阵用W表示[3]。

首先分析图1中隐层第j 个单元对第k 个输出的影响, 可用O k 对y j 的偏导数表示,有:
式1
由于上式中有可能出现负数, 当只考虑影响值的大小时,可将隐层中第 个单元相对于其它任一单元（假设为第m 个输入单元）对第 个输出的相对重要度表示为:
式2
式3
同理, 第 个输入单元相对于输入层中所有单元对第 个隐含层单元的影响为
:
式4
因此可由式3和式4可得第 个输入对第 个输出的影响为
:
式5
因而，输入层指标间的权重可表达为： 式6
根据式3~6，代入表3数据，可计算出指标的权重，最终确立了公立医院运行监管指标体系，如表5所示。

表5 基于神经网络的公立医院运行监管指标体系
图1 神经网络结构 输出
隐
输入
指标权重
医疗收入占业务收入比例0.177
非负债率0.150
护士占医生护士总数比例0.104
工资福利支出占总支出比例0.149
合理病床使用率0.321
归一化总资产收益率0.047
收入占收支总额比例0.052
2.4指标体系的验证
利用本指标体系对118家样本医院的总体运行效率进行测算，配对样本相关检验显示，测算值与实际值的相关系数为0.826（P<0.01）。

同时，配对样本t检验显示，测算值与实际值无显着差异，表明指标体系具有较高的信度和效度。

具体结果如表6所示。

表6 总体运行效率实际值与评价值配对检验
医院均值标准差标准误均值置信区间t P(双侧) 三级医院0.0041 0.2163 0.0342 (-0.0651，0.0733) 0.120 0.905
二级医院0.00170.18670.0211(-0.0403，0.0439)0.0840.933
注：总体运行效率采用数据包络分析的相对效率值，为相对数，其均值、标准差和标准误均值单位均为1.
3 讨论
3.1 关于指标权重的计算
目前，关于公立医院监管指标权重的确定方法上大多采用专家咨询等方法，难以摆脱参评人员主观上的不确定性和认识上的模糊性。

本研究引入模糊数学的方法（神经网络），通过收集样本医院相关指标的数据，利用神经网络模型的自主学习和训练，计算得到了各指标的权重，使指标体系不受人为因素干扰，确保了指标权重的“客观性”。

从实证结果看，利用该指标体系计算的总体运行效率值与实际值高度吻合，充分证明了该方法的可靠性和准确性。

3.2 关于数据的预处理
本研究中神经元采用单极性Sigmoid转移函数，其输出在0~1之间，如不对作为训练信号的期望输出数据进行变换处理，会使数值小的指标绝对误差小，数值大
的指标绝对误差大，网络训练时只针对输出的总误差调整权值，其结果是在总误差中占份额小的输出指标相对误差较大；同时，变换后可避免因净输入的绝对值偏大，神经元输出饱和、权值调整陷入误差曲面的平坦区[4]的问题。

本研究基于对各指标的现实意义，采取不同方法对指标数据的变换（见表2），使变换后数据符合：①均为高优指标；②在0~1之间；③区分度不改变；④仍具有实际意义。

3.3 关于网络结构的设计
一是隐层数的设计。

有研究证明，具有单隐层的感知器可以映射所有连续函数，只有学习不连续函数才需要两个隐层[5]。

因此，本研究采取了单隐层结构。

二是隐层节点数的设计。

隐层节点的作用是从样本中提取并存储其内在规律，隐层节点数决定网络的映射能力和信息容量[6,7]。

隐层节点数过少则不能概括训练样本集的规律；隐层节点数过多又可能出现“过度吻合”问题[8]。

隐层节点数一般设为输入节点数的一半左右。

本研究综合学者的经验，将隐层节点数设为4，既保证网络的信息容量，又满足样本量要求。

4 结论
本研究在专家咨询、现场调研的基础上，运用神经网络模型确定公立医院运行监管指标体系，权重测算方法较新颖，指标体系具有较高的科学性和可操作性。

参考文献
[1] Fang J. The Chinese health care regulatory institutions in an era of
transition[J]. Social Science & Medicine,2008,66:952-962.
[2] 王爱民.神经网络应用于模糊综合评价的研究[J].系统工程理论与实践,1995,
15(10):38-42.
[3] Philip J，Drew J. Artificial neural networks[J].
Surgery,2000,127(1):3-11.
[4] 杜奕，李道伦，卢德唐，孔祥言. 神经网络隐式法在测井数据处理中的应用[J].
石油学报,2007(03):105-108.
[5] 韩力群. 人工神经网络理论、设计及应用[M]. 北京:化学工业出版社,2007.
[6] 朱杰堂，张世英，于玺兴. 基于神经网络的智能压力传感器设计[J]. 弹箭与制
导学报,2010(05):215-217.
[7] 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.
[8] 刘奇才，江荣辉，欧启水，等. 肝功能检验建议性报告软件临床分析管理的优
势[J].中国医院管理，2010，30（1）：49- 50.。