BP神经网络在急性阑尾炎住院费用中的建模研究

论文摘要

背景随着医疗服务的完善及医疗需求的增加,医疗费用的过快增长也正成为社会普遍关注和急需解决的焦点问题。对单病种住院费用及影响因素进行研究,以求合理使用医疗资源,控制过快增长的医疗费用,也成为一个研究焦点。以往对住院费用及影响因素的研究,多采用多重线性回归方法,但该方法要求资料满足正态性、方差齐性等条件;而住院费用资料一般是偏态分布,并且影响因素之间相互关联。BP(Back Propagation)神经网络是目前应用最广泛的一种神经网络模型,对资料的分布、类型等没有特殊要求,并且具有较强的容错性和适应性,能够进行自我学习和自我调整,较好地拟合出输入和输出变量之间复杂的映射关系,因此本次研究采用BP神经网络方法对急性阑尾炎住院费用及影响因素进行分析。目的本研究通过对网络进行反复训练并比较,最终设定较合适的网络参数,建立一个相对较优的BP神经网络模型;并进行敏感度分析,分析影响住院费用的主要因素。希望通过本研究,对急性阑尾炎的住院费用分析提供一种较优的建模方法,并能对急性阑尾炎住院费用的研究及控制提供一定的参考依据。方法以急性阑尾炎住院费用资料为例,建立BP神经网络模型。以数据信息中的住院总费用作为输出变量,性别、婚姻状况、是否首次入院、费用类别、治疗结果、入院病情、年龄、住院天数、有无手术、有无其他诊断作为输入变量。首先对住院费用资料进行描述及单因素分析、多重线性回归分析,之后采用Matlab7.1.0软件,选用不同隐含层神经元数(3、5、8、10、15、21、25)、不同算法(trainlm、trainscg、trainoss、trainbr、trainrp)进行反复训练、比较,最终建立相对较优的BP神经网络模型;并进行敏感度分析,分析影响急性阑尾炎住院费用的主要影响因素。删除对住院费用影响较小的因素(性别、婚姻状况和是否首次入院)后,重新建立BP神经网络模型,并再次进行敏感度分析;将BP神经网络模型与多重线性回归模型进行比较。结果最终建立模型的主要参数是:隐含层1个,隐含层神经元21个,输入层神经元10个,输出层神经元1个,期望误差0.05,最大训练步长10000,学习速度0.01,选用相对误差指标对网络进行评价及比较,训练函数采用trainlm。SSE作为网络误差的性能指标,网络训练停止时迭代18次、SSE=1.24879 ;训练集的拟合结果为:相对误差=0.089011 ,R2=0.76544,Radj2=0.76101,RMSE=1610.4;测试集的仿真结果为:相对误差=0.072081,R2=0.72509,Radj2=0.71914,RMSE=1046.6。敏感度分析结果显示:影响急性阑尾炎住院费用的前三位因素为住院天数、有无手术及年龄。通过比较,发现BP神经网络模型的预测性能要优于多重线性回归模型。结论应用BP神经网络方法对急性阑尾炎的住院费用进行分析是可行的。建模过程中参数的设定需要经过反复的训练、比较,最终确定较合适的参数。对模型的评价要综合考虑模型的拟合能力和推广能力。应用MATLAB工具箱进行敏感度分析,分析影响急性阑尾炎住院费用的主要因素,所得结果与以往研究结果基本一致;住院天数是影响急性阑尾炎住院费用的首位因素;控制急性阑尾炎住院费用,应着力提高医院的医疗水平,缩短住院天数。比较BP神经网络与多重线性回归方法,结果表明,BP神经网络方法具有较好的预测性能.

论文目录

• 中文摘要
• 英文摘要
• 前言
• 资料来源与方法
• 结果
• 讨论
• 结论
• 参考文献
• 综述 BP 神经网络在预防医学领域中的应用
• 参考文献
• 致谢
• 个人简历