基于ARIMA模型的我国医院就诊人次预测分析

目的预测和分析2011—2015年我国医院就诊人次和卫生服务需求。方法建立ARIMA(1,2,2)模型,预测我国医院就诊人次。结果未来5年我国医院就诊人次呈增长趋势,平均每年增长9.32%。结论要加大卫生投入,合理配置卫生资源,加快公共卫生服务体系建设,完善医疗保障体系建设,以满足人们的卫生健康需求。

上海市日均气温变化对医保儿童呼吸科就诊人次的影响

目的研究上海市日均气温与医保儿童呼吸科就诊人次的关系。方法运用广义相加模型分析时间序列资料,在控制时间的中长期趋势、星期效应、节假日效应、气象因素和大气污染物的混杂效应基础上,探索7日的日均气温与医保儿童呼吸科就诊人次之间的关系,从而预测未来的日就诊人次。结果观察日的日均气温对就诊人次的影响最大,观察日的前3日次之,其他几日的影响较小。7日加权气温与就诊人次的关系呈现一条非对称的曲线,在12.9℃左右,就诊人次最多。现有模型对未来1日的就诊人次预测效果良好。结论上海市日均气温变化对医保儿童呼吸科就诊人次有影响,可利用既往就诊人次、气象数据及大气污染物数据对未来的日就诊人次进行预测。

应用马尔可夫预测模型对门诊就诊人次的预测

目的探索马尔可夫决策预测方法在医院信息管理领域的应用,推算和展望在今后一个时期内医生和患者之间合理配置的规律性。方法本文以医学院附属医院1998～2004年七年的门诊就诊人次数据为基础,利用马尔可夫预测的状态转移概率矩阵进行模拟预测。结果该院的状态转移概率表明马尔可夫决策预测方法可以对医院门诊就诊人次进行短期的趋势预测。结论马尔可夫预测方法可以提高工作的预见性与主动性,能够为医院管理者的未来决策提供科学依据,对医院人员的编制及床位的调配等方面的工作具有指导意义。

就诊人次飙升的必然性及政策建议——以江苏省为例

就诊人次的持续增长和医疗费用的持续增加都是不可避免的,医疗需求大释放体现全民"病有所医"的基本保障制度开始发挥作用。关键是要从制度的稳定性和可持续出发,坚持"保基本"的方针以及收支平衡的原则,通过支付杠杆引导医院合理施治,将住院率与人次费用定额管理结合起来,提高医保监管水平。更要积极推动医疗卫生和药品流通体制改革。

就诊人次大幅增长的因素及趋势分析

我国就诊人次大幅增长主要是由城乡医保覆盖面扩大、保障水平进一步提高使原有医疗需求释放,医疗机构服务的改善和结算报销的便捷、人均医疗费用下降以及社会资本办医的快速增长等五个因素所致,今后就诊人次还会不断增长,应通过优化资源配置等措施积极应对。

门诊患者就诊人次的统计分析

目的探讨医院门诊患者就诊时间的规律。方法回顾性分析笔者所在医院2008～2009年门诊患者的就诊人次和就诊时间,对所有数据进行统计学分析。结果通过对所有数据的统计学处理,找到了笔者所在医院门诊患者就诊时间的规律。结论门诊接诊人次和季节变换有很重要的关系,实际工作中应针对所在季节进行科室的调配,最大限度地优化医院的现有资源,以解决患者就诊难的问题,更好地为患者服务。

变应性鼻炎患者就诊人次与花粉浓度的关系

目的探讨北京房山地区变应性鼻炎(AR)患者就诊情况与花粉浓度的相关性。方法按月份比较2017年4月~9月北京市气象局所测得的花粉数据以及同期北京核工业医院房山院区AR患者就诊人次占耳鼻咽喉科门诊总就诊量的比例(门诊构成比)。对每日AR患者的门诊构成比和对应的花粉浓度进行Pearson相关分析。结果 2017年4月~9月不同月份花粉浓度比较,χ2=121.9,P<0.01,差异有统计学意义。花粉播散时间存在4~5月、8~9月两个高峰期。2017年4~9月AR患者门诊构成比的χ2=167.8,P<0.01,差异有统计学意义。AR患者门诊构成比存在2个高峰,分别为4~5月和8~9月。AR患者就诊比例的变化与花粉浓度变化的趋势在时间上表现出一致性。2017年4~9月的花粉浓度和同期AR患者门诊就诊的比例的r=0.561,P<0.0.1,呈正相关。结论北京房山地区AR患者就诊情况与花粉浓度存在相关性。

全国月均就诊人次超4亿

卫生部2010年11月30日公布10月全国医疗服务情况。2010年1-10月,全国医疗机构总诊疗人次达43.33亿人次,平均每个月就诊人次超过4亿。数据显示,为43亿就诊人次提供服务的机构以医院和村卫生室为主,分别占总人次的37%和26%,表明政府构建医疗服务网络的＂塔尖＂和＂网底＂同等重要。

桐乡 就诊人次激增

改革初期,桐乡市第一人民医院新农合和医保同时跟进支付制度改革,对医院实行总额预付。桐乡市社保局副局长毛少波在接受本刊记者采访时称,今年实行总额控费,是把总额设定在弹性范围内,让各医院院长对＂控费＂有个概念,然后引导其规范医院的管理,避免过，

基于似然比原理下正态分布的变点分析方法及其在就诊人次分析中的应用

目的:应用似然比原理下正态分布的变点分析方法对深圳市罗湖区某医院就诊人次进行分析,为合理配置卫生资源提供科学依据。方法:收集深圳市罗湖区某医院某日上午8:00-12:00每隔5 min共48个时间段的就诊人次资料( n = 636)。应用均值和方差同时发生变化的单变点分析方法探讨变点发生的时间。 结果:平均每个时间段就诊人次为13.250 0,就诊人次的变点发生时间为8:50( P = 0.000 025),8:00-8:50均值为7.000 0人次,8:50-12:00均值为14.897 4人次。变点前后就诊人次之比为1∶2。 结论:在不需要确定基期或者对比数据的情况下,似然比原理下正态分布的变点分析方法为基于就诊人次的卫生资源合理配置提供了统计分析方法和统计监测新途径。

济南市2013—2015年某综合医院呼吸系统疾病就诊人次与大气颗粒物PM10、PM2．5关系的时间序列研究

目的分析济南市大气颗粒物PM10、PM2．5日均浓度与当地居民呼吸系统疾病日就诊人次的相关性。方法收集2013—2015年济南市空气污染数据、气象数据和某综合医院每日呼吸系统就诊数，采用基于Poisson分布的广义相加模型的时间序列分析，控制长期趋势、星期几效应、气象因素等混杂因素的影响后，分析济南市大气颗粒物PM10、PM2．5；日均浓度与居民呼吸系统疾病日就诊人次问的关系，并考虑滞后效应和其他空气污染物的影响。结果大气颗粒物PM10、PM2．5，与呼吸系统就诊人次数存在关联，差异有统计学意义。当PM10、PM2．5，浓度上升10μg／m^3时，当天呼吸系统疾病就诊人次数分别增加0．36％（95％CI：0．30％～0．43％）和0．50％（95％CI：0．30％～0．70％）；滞后6d的PM10、PM2．5，浓度的健康效应最强，超额危险度为0．65％（95％CI：0．58％-0．71％）和0．54％（95％CI：0．42％-0．67％）；当纳入NO2拟合多污染物模型时，大气颗粒物PM10浓度上升10μg／m^3时，当天呼吸系统疾病就诊人次数增加0．83％（95％CI：0．76％-0．91％）。结论济南城区大气颗粒物PM10、PM2．5，污染与居民呼吸系统疾病就诊人次间存在正相关，NO2污染浓度可增加其效应。

2013—2014年杭州市大气PM_(2.5)与呼吸系统疾病就诊人次的时间序列研究

[目的]探讨杭州市大气PM_(2.5)对呼吸系统疾病就诊人次的影响。[方法]收集2013—2014年杭州市气象资料(包括气温、相对湿度、气压和风速的日平均值),10个国控环境监测点的大气污染物[PM_(10)、PM_(2.5)、NO_2、CO、SO_2、O_3的平均质量浓度(以下简称为浓度)]和杭州市城区9家三甲医院呼吸系统疾病(主要为慢性阻塞性肺病、哮喘、肺炎、支气管炎、过敏性鼻炎、急性上呼吸道感染疾病)就诊量数据,采用时间序列广义相加Poisson回归模型,分析杭州市大气PM_(2.5)日均浓度与同期医院呼吸系统疾病就诊量的关系。[结果]杭州市2013—2014年大气污染物SO_2、NO_2、O_3、CO日均浓度均符合GB3095—2012《环境空气质量标准》一级标准,PM_(2.5)、PM_(10)的日均浓度分别为61.51、92.33μg/m3,超过国家空气质量一级标准,但未超过国家空气质量二级标准。PM_(2.5)对呼吸系统疾病就诊量的影响以滞后第10天的效应最强。在单污染物模型中,PM32.5浓度每上升10μg/m,滞后第10天的全人群、儿童(≤12岁)和老年人(≥65岁)呼吸系统疾病就诊人次分别增加0.226%(95%CI:0.159%~0.293%)、0.289%(95%CI:0.198%~0.380%)、0.266%(95%CI:0.168%~0.375%);在多污染模型中,PM_(2.5)的健康效应增强,PM_(2.5)浓度每上升10μg/m^3,滞后第10天的全人群、儿童(≤12岁)和老年人(≥65岁)呼吸系统疾病日就诊人次分别增加0.340%(95%CI:0.221%~0.459%)、0.365%(95%CI:0.230%~0.500%)、0.374%(95%CI:0.235%~0.513%)。[结论]杭州市大气PM_(2.5)污染与呼吸系统就诊人次呈正相关,且存在滞后效应。儿童和老年人对PM_(2.5)污染更加敏感。

济南市热浪与心理疾病就诊人次关系的病例交叉研究

目的探讨热浪对济南市居民心理疾病日就诊人次的影响。方法运用病例交叉研究的基本方法,采用单向对照设计和时间分层的对照设计,分析济南市2010年6月1日—8月31日期间发生的热浪事件与居民心理疾病日就诊人次的关系。结果研究期间共发生4次热浪,4次热浪对每日心理疾病就诊人次影响的单向对照设计和时间分层对照设计的OR值及其95%CI分别为2.224(1.980～2.498)和2.439(2.192～2.713),2.940(2.444～3.536)和2.940(2.575～3.358),3.165(2.657～3.771)和3.436(3.013～3.918),3.019(2.476～3.681)和3.039(2.536～3.642)。4次热浪均存在滞后效应,滞后期分别为3、2、3、2 d。结论 2010年济南市的4次热浪事件均使当地居民心理疾病的日就诊人次明显增加,且存在滞后效应。

大气PM10与心血管疾病就诊人次的时间序列分析

目的研究大气PM10污染对居民心血管系统疾病日就诊人次的影响。方法采用广义相加Poisson回归模型的时间序列分析,在控制长期趋势、星期几效应、气象因素等混杂因素的影响后,对2002年1月1日—2002年12月31日北京市大气PM10日均浓度与居民心血管系统疾病日就诊人次进行定量回归分析,并考虑滞后效应和其他空气污染物的影响。结果大气PM10浓度每上升10μg/m3,当天的心血管系统疾病日就诊人次增加0.380%(95%CI:0.326%～0.433%);滞后4dPM10的健康效应最强,超额危险度为1.166%(95%CI:1.121%～1.212%);考虑CO、NO2、SO2的影响均使PM10的健康效应估计值增高。结论北京城区大气PM10污染与居民心血管系统疾病日就诊人次之间存在正相关。

北京隆福医院1991年非预约门诊就诊人次与大气污染之间的关系

分析北京隆福医院1991年门诊就诊人次,以估计大气污染与每日门诊就诊人次之间的关系。总飘尘含量(TSP)测定天数224天(平均359μg/m^3),二氧化硫(SOD测定天数221天(平均124μg/m^3)。采用线性回归估计TSP和SO_2的影响,把温度、湿度和工作日作为协变量进行调整,并对时序数据进行马尔可夫自动相关校正。在TSP和非外科就诊人次间存在显著的暴露-反应关系,但与外科就诊人次间无显著性。SO_2仅与儿科就诊人次存在显著性关系。

眼干燥症就诊人次与大气颗粒物浓度的关系:基于2015—2019年徐州市某综合医院的时间序列研究

[背景]大气污染是公共卫生领域的研究热点之一,眼干燥症(干眼症)是发病率最高的眼表疾病,但空气颗粒污染物与该病的关系尚不明确。[目的]分析徐州市大气PM2.5、PM10日均质量浓度与当地居民干眼症日就诊人次的相关性。[方法]收集2015—2019年徐州市空气污染数据、气象数据和某综合医院每日干眼症就诊人数,采用基于Poisson分布的广义相加模型,控制长期趋势、星期几效应、气象因素等混杂因素的影响后,构建当日和滞后1~7 d的大气PM2.5、PM10的单污染物模型,并计算RR及其95%CI,分析徐州市大气PM2.5、PM10日均质量浓度与居民干眼症日就诊人次间的关系。考虑滞后效应的影响,对效应最强日的PM2.5、PM10与气态污染物(SO2、NO2、O3)进行多污染物模型拟合,分析气态污染物对大气颗粒物与就诊人次间关联强度的影响。[结果]本次研究中干眼门诊就诊人次315806例,日均173例。PM2.5、PM10与其他污染物和气象因素的Spearman相关性分析显示,PM10与PM2.5关联性最强(r=0.90),PM2.5、PM10均与SO2、NO2、相对湿度存在正相关(P<0.01),与O3、平均气温存在负相关(P<0.01)。单污染物模型显示,PM2.5、PM10质量浓度每上升10μg·m^-3时,当天干眼症就诊人次分别增加0.46%(95%CI:0.38%~0.53%)和0.43%(95%CI:0.35%~0.51%);滞后4 d的PM2.5、PM10浓度的健康效应最强,超额危险度为0.66%(95%CI:0.61%~0.72%)和0.69%(95%CI:0.62%~0.76%)。多污染模型中,调整其他污染物后,PM2.5、PM10的健康效应估计值均较单污染模型降低,PM2.5、PM10浓度与干眼症日门诊量的正相关关系未改变。[结论]徐州市大气颗粒物PM2.5、PM10污染与居民干眼症就诊人次存在正相关关系。

三种数学模型预测医院门急诊就诊人次数的价值比较

目的探索数学模型对医院门急诊就诊人次的预测效果,以期得到最佳的预测模型,更好的提升门急诊资源配置效能。方法收集天津市某三级甲等综合性医院2009~2019年医院门急诊就诊数据,构建NARNN、LSTM和SARIMA模型,采用2009年1月~2018年12月的数据用于模型的训练和测试,以2019年1~12月数据为预测集,比较三种模型的预测效果。结果NARNN、LSTM和SARIMA模型在MAPE上的结果分别为8.22%,4.32%和3.55%,在SMAPE上的结果分别为8.37%,4.33%和3.58%,LSTM和SARIMA的预测效果优于NARNN,其中SARIMA模型在4个指标上的结果均优于LSTM和NARNN,对门急诊人次数拟合和预测效果较好。结论三种数学模型均能对门急诊人次数据进行有效预测,其中SARIMA模型预测该院门急诊就诊人次的效果最优,可为决策提供预测数据支持。