深圳人口与医疗需求预测深圳大学 吴心弘 杨杰 蔡炜城课件.pptVIP

1、全市医疗床位需求 综合以上查阅所得数据和表7中数据，为方便计算，不考虑床位潜在需求量的年龄别，假定潜在需求量和暂住人口病床需求量总和为医院病床基本需求量的5%，根据医院病床标准化需求量的测算方法得到： 2015年的医疗床位标准化需求为40420张 2020年的医疗床位标准化需求为49345张 2、各区医疗床位需求 要想得到各个区的床位配置数，由于各个区的年龄结构不一致，仅仅用人口总数比重加权是欠缺周全的，因此我们根据医院病床需求量的公式引进了一个新的权重因子： 其中： 年份 罗湖区 福田区 南山区 宝安区 龙岗区 盐田区 光明新区 坪山新区 2015 6089 9692 5338 8682 7353 915 1311 1040 2020 7433 11832 6516 10599 8976 1117 1599 1270 2015和2020年深圳市各个区床位需求预测 各区权重因子 四、两种疾病的床位需求 BP神经网络方法由于实用性强，被广泛应用于各个领域，它能学习和存贮大量的输入输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。其精度受到神经网络结构、样本的选取以及数据的预处理方式等诸多因素的影响，在床位需求预测建模过程中需对这些细节进一步处理。预测床位需求的拓扑结构，采用典型的3层BP网络，我们选取深圳市人口的总发病率，深圳市30岁年龄以上人数，住院天数作为输入量。恶性肿瘤发病人数，脑血管发病人数为输出量。应用BP网络预测床位需求包括下面4个基本步骤： 收集床位需求训练和测试样本； 确定疾病发病人数预测神经网络结构形式； 进行网络模型训练； 采用训练后的网络完成床位需求预测应用计算。 四、两种疾病的床位需求 模型采用3层输入，2层输出，输出是预测未来五年恶性肿瘤和脑血管病的。根据公式对隐层节点数进行试算，通过训练次数和总体误差确定最佳的隐层神经元个数。最终建立网络结构为3—7—2，设定学习参数为0.05，学习精度为0.000 65，最大训练次数为10000。使用构建好的神经网络对测试样本进行预测，通过使用matlab软件得到训练精度如下图所示。 四、两种疾病的床位需求 四、两种疾病的床位需求 四、两种疾病的床位需求 得到未来五年这两种疾病的发病人数如下表 2011年~2015年深圳市恶性肿瘤及脑血管病发病人数预测 ? 2011 2012 2013 2014 2015 恶性肿瘤 13673 1.312 15048 15744 16017 脑血管病 17874 18505 19275 20340 22282 考虑到潜在病床需求量和流动人口需求量修正得未来五年床位需求量如下表 修正后2011年~2015年深圳市恶性肿瘤及脑血管病发病人数的预测 ? 2011 2012 2013 2014 2015 恶性肿瘤 15040 15743 16552 17318 17618 脑血管病 19661 20355 21202 22374 24510 四、两种疾病的床位需求 对于上述疾病在不同医疗机构就医的床位需求，按深圳市的二级服务架构分：区域医疗中心（含市、区政府办医院）和基层卫生机构（含社康中心、街道医院、社会办医院、门诊部、私人诊所、卫生室及其它）占全市总诊疗量的比例（分别为33.3%和66.7%）进行计算，得区域医疗中心在未来五年的恶性肿瘤床位需求为：5008.32,5242.419,5511.816,5766.894,5866.794，脑血管病的床位需求为6547.113,6778.215,7060.266,7450.542,8161.83；基层卫生机构在未来五年恶性肿瘤床位需求为：10031.68,10500.581,11040.184,11551.106,11751.206，脑血管病的床位需求为13113.887,13576.785,14141.734,14923.458,16348.17。如需求更具体分类，则可以进一步按照更低一级的医疗机构的疾病诊疗量进行计算。 五、模型优缺点 较为创新性地建立了DGM(2,1)-ARMA模型组合模型，结合两者的优缺点，得到与实际偏差较小的预测结果； 结合深圳人口特点，独创性地引入了适合深圳人口迁移特色的迁移矩阵来改进已有的Leslie模型； 预测各区床位医疗需求时，科学合理地引进了含有年龄结构的权重因子； BP神经网络应用于医疗床位需求的预测，综合考虑各方面因素，预测结果可信度较高。 五、模型优缺点