基于SAS的住院量灰色预测及实现

目的利用灰色预测模型预测某三甲医院未来三年住院量,为医院管理决策提供科学依据。方法以医院1997～2010年住院量数据为基础,建立基于SAS程序的灰色预测模型对其今后三年住院量进行预测。结果灰色模型拟合效果良好,未来三年医院住院量预测值分别是74421人次、82465人次和91377人次。结论灰色预测模型对样本量和概率分布没有严格的要求,且预测效果较好,可以广泛应用于医院各种数据统计预测工作。

恶性肿瘤住院量与住院费用的ARIMA乘积季节模型预测研究

目的探讨自回归求和移动平均(ARIMA)乘积季节模型在恶性肿瘤住院量与住院费用中的应用,为医院恶性肿瘤业务管理提供科学依据。方法收集某院2007-2016年逐月恶性肿瘤住院患者资料,采用ARIMA乘积季节模型对2007-2015年逐月恶性肿瘤的住院人次和住院费用进行模型拟合,用2016年逐月数据评价其预测效果,并预测2017年恶性肿瘤逐月住院人次与住院费用。结果 ARIMA(0,1,1)(1,1,0)_(12)是恶性肿瘤住院人次与住院费用的最佳拟合预测模型,拟合相对误差分别为1.1%和1.47%。根据ARIMA(0,1,1)(1,1,0)_(12)预测结果,2017年恶性肿瘤住院量将达7631人次,住院费用将达3.36亿元。结论 ARIMA季节乘积模型能很好地应用于医院业务管理预测中。

基层医疗机构住院量和住院费的季节性与变化趋势研究

目的探讨基层医疗机构住院量与人均住院费用的季节性与年度变化规律,并利用ARIMA季节模型预测未来趋势。方法用SAS软件基于2011—2014年基层医疗机构住院量与住院费用建立时间序列模型,分析季节变化与年度变化趋势,并利用模型预测2014年10—12月的住院量和住院费用。结果机构月住院量逐年增长,并有冬、春两季波峰,春节出现谷底的季节性变化。人均住院费用有缓慢上涨趋势,4年内从1 280元增至1 884元,年均增幅为11.8%。月住院量模型为ARIMA(0,1,1)×(0,1,1)_(12),AIC=564.463 5,SBC=568.667 1,人均住院费用模型为ARIMA(2,1,2)×(0,1,0)_(12),AIC=382.107 5,SBC=387.576 7。3个月的住院量预测值的平均相对误差为9.03%,人均住院费预测值的平均相对误差为0.31%。结论 ARIMA季节模型能较好预测短期趋势,基层医疗机构住院量逐年增长并存在季节性变化,住院费用较为平稳但仍有缓慢上涨趋势,建议合理调配区域卫生资源,提高基层主要住院病种诊疗防治技术。

基于ARIMA乘积季节模型预测恶性肿瘤住院量、住院费用及平均住院时间

目的应用自回归求和移动平均(Autoregressive Integrated Moving Average Model,ARIMA)乘积季节模型分析和预测恶性肿瘤住院量、住院费用及平均住院时间,为医院恶性肿瘤业务管理提供科学依据。方法收集某院2007—2016年逐月十大恶性肿瘤(肺癌、肝癌、白血病、结直肠癌、胃癌、甲状腺癌、恶性淋巴瘤、前列腺癌、乳腺癌和肾癌)住院患者资料,采用ARIMA乘积季节模型对2007—2015年逐月恶性肿瘤的住院人次、住院费用和平均住院时间进行模型拟合,用2016年逐月数据评价其预测效果,并预测2017和2018年该十大恶性肿瘤逐月住院人次、住院费用及平均住院时间。结果 ARIMA(0,1,1)(0,1,1)_(12)是恶性肿瘤住院人次、住院费用及平均住院时间的最佳拟合预测模型,拟合相对误差分别为-0. 89%、4. 71%及-0. 80%。根据ARIMA(0,1,1)(0,1,1)_(12)预测结果,2017年该十大恶性肿瘤住院量将达21 489人次,住院费用将达11. 06亿元,平均住院时间将达11. 29 d。2018年住院量将增至22 894人次,住院费用将高达14. 01亿元,平均住院时间将缩短至10. 45 d。结论 ARIMA季节乘积模型能较好地应用于医院业务管理预测中。

基于Prophet-LSTM-PSO组合模型的医院住院量预测研究

针对医院住院量预测问题,首先利用先知模型(Prophet)与长短期记忆循环神经网络(LSTM)预测方法对2015年1月到2019年12月上海市东方医院呼吸内科住院量的时序数据进行建模分析,然后利用粒子群算法(PSO)求出两种模型对应的组合系数,从而得到最终的Prophet-LSTMPSO组合模型,并通过RMSE和MAE统计学指标将组合模型与单一模型进行对比,同时利用公开数据集进行对比实验。结果表明,Prophet-LSTM-PSO组合模型较Prophet、LSTM、移动平均自回归模型等(ARIMA)等单一模型有效地降低了医院住院量预测的偏离性,提高了预测精度。

广东省县域内住院量占比分布及其影响因素分析

目的分析居民县域内住院量占比(县域内住院率)的分布现状及影响因素,为准确评估基层医疗服务能力、指导县级医疗机构改革提供依据。方法利用住院患者诊疗过程信息,描述县域内住院量占比分布现状,探讨基础设施、卫生技术人才、医疗服务量、医疗服务效率等指标对该指标的影响。结果2018年广东省县域内住院量占比为83.5%,秩相关分析结果显示,县域内住院量占比与医疗服务能力相关指标呈正相关关系。逻辑回归分析(Logistics)结果显示,该指标受每千人口病床数、每千人口设备数、本科以上卫生技术人员占比、诊疗人次、出院人次、病床使用率等因素的影响(p<0.05)。结论县域内住院量占比可用于评估县级医疗机构服务能力,作为县级医疗机构改革的"指挥棒"。

2019-2021年乌鲁木齐市昼夜温差对心脑血管疾病住院量的影响

目的探讨昼夜温差对乌鲁木齐市心脑血管疾病患者住院量的影响。方法收集该市2019—2021年心脑血管疾病日住院量数据,同期气象及污染物数据,采用分布滞后非线性模型(distributed lag no-linear model,DLNM),控制长期趋势、星期几效应及其它因素,分析昼夜温差与心脑血管疾病住院量的关系。结果乌鲁木齐市昼夜温差越大,滞后时间越长,对心脑血管疾病住院风险越高,当达到最大昼夜温差21.0℃时滞后效应显著增加,危险效应在暴露当天即出现,一直持续到第20 d,其中在滞后13d时RR最大为1.266(95%CI:1.129~1.421)。在极高的昼夜温差下,冷季心脑血管疾病住院的风险高于暖季。经性别、年龄分层分析后的结果显示,男性和年龄≥65岁的人群更容易受到昼夜温差的影响。结论极高的昼夜温差是乌鲁木齐市心脑血管疾病住院的潜在诱因。男性与≥65岁人群更易受到昼夜温差的影响,在冷季更应重点保护易感人群免受极高昼夜温差的影响。

基于SARIMA模型的某省三级医院骨折住院患者量预测分析

目的建立骨折住院患者量的预测模型,探索骨折住院患者量的季节变动规律及未来趋势,以合理安排资源、提高医疗工作效率。方法收集山西省汾阳医院2017年6月至2022年3月骨折住院患者的临床资料,应用R 3.5.2软件进行时间序列分析和季节性自回归移动平均(SARIMA)模型的建模拟合,并用其对住院患者量进行定量预测和验证。结果共纳入2563例患者,平均年龄53.43岁,男、女之间的年龄分布差异有统计学意义(t=-17.798,P<0.001)。分月记录骨折住院患者量,时间序列分析提示住院患者量每年有2个高峰期,即5月和8月。使用2018年1月至2021年7月的训练集数据建立SARIMA(0,0,1)(1,0,0)12模型(白噪声检验,P=0.806),对2021年8月至2022年3月的预测集数据进行短期预测,RMSE=0.24,MAPE=149.61,预测值与实际值的相对误差范围在1.81%~8.60%。结论SARIMA模型拟合骨折住院患者量变化趋势较佳,可为医院或专业科室管理者提供决策依据,同时也可为骨折防治措施的制定提供参考。

气温与儿童肺炎住院量的关系研究

目的分析不同气温指标与儿童肺炎患者住院量的关系。方法收集2015—2017年宁波市某综合性三甲医院0~14岁儿童肺炎患者住院资料和同期宁波市气象资料,采用广线义性模型结合分布滞后非线性模型分别定量评估日平均气温、日最低气温和日最高气温(各气温指标的第1百分位数为低温,第99百分位数为高温)与儿童肺炎住院量的暴露-反应关系。结果纳入儿童肺炎住院患者4542例,住院量分布具有明显季节性,夏季较低而冬季较高。排除相对湿度、PM2.5、长期趋势、季节趋势等混杂因素后,高温和低温时儿童肺炎住院量均呈增加趋势;分别采用日平均气温和日最低气温为暴露指标时,高温效应均有统计学意义,累积滞后0~7d儿童肺炎住院量增加的RR值分别为1.52(95%CI:1.04~2.23)和1.59(95%CI:1.08~2.34);采用日最高气温为暴露指标时,低温效应在累积滞后0~5d和累积后0~7d时有统计学意义,累积滞后0~7d儿童肺炎住院量增加的RR值为1.30(95%CI:1.02~1.66)。结论高温和低温均可能造成儿童肺炎发病风险升高。

新冠疫情前后我国儿童医院住院量及疾病谱变化分析

目的分析新冠疫情对我国儿童医院住院量以及住院疾病谱的影响,为完善儿童医院疫情应对政策及恢复医院运行提供科学依据。方法选取福棠儿童医学发展研究中心病案首页数据库中27家儿童医院2019年1月1日至2020年12月31日的出院患者资料,计算2020年出院人次数与2019年出院人次数之比,并进一步计算不同年龄段、疾病类型以及出院月份的出院人次数之比。结果2020年,27家儿童医院总出院人次为2019年的76.76%。从时间上来看,出院人次数之比从2月和3月的最低值缓慢上升,2020年末达到2019年同期的90%左右;从年龄来看,疫情导致出院人数变化最大的是1~3岁儿童,降至2019年的71.87%;从疾病分类来看,出院人次数变化最大的疾病是呼吸系统疾病,为2019年的56.03%;儿童住院疾病种类前5位未发生变化,其他位次有轻微变化。结论新冠疫情对我国儿童医院住院量的影响巨大且持久,儿童医院应发展互联网就医等多种途径,积极应对疫情带来的影响。

住院病人护士观察量表评定结果分析

Objective:To investigate behavioral proble ms in psychiatric patients dur ing hospitalization.Methods:A total of 81 inpatient s were assessed by the Nurses Observation Scale for Inpatient Ev aluation (NOSIE).The co rrelation analysis was conducted on factors score of the scale and age,sex ,income course of illness.Results:Sex was significantly with factor scores on social competence,positive and pa ssive of scale.The factor scores on social competenc e, irritability,positivity and patient’s illness condition were higher in male than in female,whereas the score of negativity was higher in female than in male.Conclusion:significant relationship was found was fo und between gender and behavioual problems in psychiatric inpatients.

护士用住院患者观察量表在精神科的应用价值

目的:探讨护士用住院患者观察量表(NOSIE)在精神科的应用价值。方法:选择2011年1月-2011年9月笔者所在医院精神科住院的126例患者,应用NOSIE对126例患者进行观察和评定,比较男女患者住院阶段的NOSIE评分。结果:第1次评定,激惹因子3次评分,女性组与男性组比较差异无统计学意义(P>0.05),抑郁、精神病、总消极及总分因子评分,两组比较差异有统计学意义(P<0.05),其余因子评分,从第2次评定开始,比较差异有统计学意义(P<0.01或0.05)。结论:女性精神病患者在临床表现上比男性患者更为消极,要注重女性患者的护理。

护士观察量表在住院精神病患者中的应用探讨

目的应用护士观察量表(NOSIE)对住院精神病患者病情进行纵向观察评定,调查不同住院阶段、不同病种患者病情变化特点,协助护士完善护理评估、护理诊断及制定护理措施。方法运用护士用住院病人观察量表(NOSIE-30)对129例住院精神病患者进行评定。入院48小时内进行第一次评定,以后每周评定一次,出院时再评定一次。结果随着病情的缓解,患者的各项评分虽有明显改善,但是,在社会兴趣评分方面仍然处于较低水平。精神分裂症组与非精神分裂症组第一次评分比较显示：精神分裂症组个人整洁、总分、总积极分低于非精神分裂症组(P＜0．05)；而精神病表现分高于非精神分裂症组(P＜0．001),与精神分裂症患者精神病性症状较多相吻合。第二次评分比较显示：精神分裂症组精神病表现分仍然高于非精神分裂症组(P＜0．01),提示一周内精神病性症状缓解不明显；总积极分低于非精神分裂症组(P＜0．05)。第三次评分比较显示：非精神分裂症组激惹、抑郁分高于精神分裂症组(P＜0．05)。结论对新入院的精神分裂症患者护理工作重点在于生活护理和精神病症状的观察、处理；针对恢复期精神病患者存在社会兴趣的障碍,应该及早进行心理干预、行为治疗、健康教育,提高患者的康复效果。

住院病人护士观察量表的因子分析

目的 :提高住院病人护士观察量表 (NOSIE - 30 )在精神科临床的实用性。方法 :对只有项目名称、项目评分等级的原量表制定项目定义和评分标准。培训后合格的研究者对 16 4例首发精神分裂症住院病人每两周进行一次NOSIE评定 ,共评估 994人次。将 994份资料随机分A、B两组 ,按照A组资料进行主成分等分析的结果修订原量表 ,然后用B组资料进行验证并与原量表比较。结果 :A组资料因子分析发现每个因子的结构与原量表的 7个分量表不尽相同。根据不同情况进行项目调整。最后保留 30项中的 2 6项。形成 5个分量表。在B组资料比较原量表与修订量表时 ,5个分量表的特征均优于 7个分量表。结论 :本研究结果表明原NOSIE - 30R 7个分量表并不能反映病人的独立症状群 ,为了提高该工具的实用性 ,应该重新修订其分量表。

基于灰色模型的某三甲医院门诊量与住院量预测

目的探讨灰色GM(1,1)模型在某三甲医院门诊量与住院量预测中的应用,为医院合理配置资源提供管理决策依据。方法通过新疆某三甲医院信息部提取的2008年1月1日至2017年12月31日年门诊量和住院量数据,利用EXCEL2007数据库,运用灰色GM(1,1)模型进行预测。结果新疆某三甲医院2008年-2017年门诊量、住院量年均增幅分别为17.82%、11.91%;门诊量、住院量所拟合的灰色GM(1,1)模型检验统计量C值分别为0.092、0.016,P值均为1.0,模型精确等级均为1级,平均误差值分别为3.17%、3.89%;2018年-2022年门诊量和住院量年均增长速度分别为7.98%、6.81%。结论灰色GM(1,1)模型在医院门诊量和住院量预测应用效果较好,能够为医院合理配置资源提供管理决策依据,值得进一步推广应用。

ICU住院患者身体约束量表的设计与应用

目的探讨应用身体约束量表指导ICU护士对患者实施规范、安全身体约束的效果。方法将448例入住ICU患者按时间段分为对照组156例、观察组292例。对照组按常规和经验对患者实施约束;观察组采用自行设计的"ICU住院患者身体约束评估量表"对患者实施评估,根据评估结果实施身体约束。结果观察组身体约束、非计划拔管、约束部位皮肤受损、约束肢体肿胀、约束肢体未处于功能位发生率显著低于对照组,患者满意度显著高于对照组(P<0.05,P<0.01)。结论 ICU住院患者身体约束评估量表可为ICU患者实施身体约束提供客观、准确的信息,实现个性化、合理化的身体约束,降低ICU身体约束的使用频率,保证医疗护理安全,提高患者满意度。

住院病人护士观察量表的效度研究

[目的]对住院病人护士观察量表(NOSIE-30)的效度进行研究,以提高NOSIE-30在精神科临床应用的准确性和实用性。[方法]选取北京回龙观医院住院精神分裂症病人270例,进行NOISE-30、阳性及阴性症状评定量表(PANSS)及生活质量量表(SQLS)评定;2个月后再次进行NOISE-30评定。[结果]对原量表30个项目进行探索性因子分析,结果抽取6个因子结构,总解释率为63.3%;按照量表各版本及探索性因素分析的量表结构进行验证性因子分析,结果原版量表与探索性因素分析因子结构有较好的拟合优度。关联效度研究发现,社会兴趣、个人整洁因子与PANSS总分、阴性分、精神病理、反应缺乏相关(P<0.05),与SQLS的症状/副反应量表相关(P<0.05);精神病性表现与PANSS总分、阳性分、阴性分、反应缺乏相关(P<0.05);原量表的抑郁因子与PANSS的阳性量表分相关(r=0.129,P<0.05);将抑郁与易激惹合并后的情绪性控制因子与易激惹因子的相关结果相似,均与PANSS总分、阳性分及SQLS的心理/社会量表相关(P<0.05)。[结论]住院病人NOSIE-30原量表7个因子与探索性因素分析的6个因子相对具有较好的拟合优度,但原量表7个因子中的抑郁因子可能作为一项评估抑郁的项目并不合适,采用6个因子的结构模型能提高现有量表临床使用的准确性,但仍需对某些题目及因子结构进行修订。

小剂量抗精神病药物联合个体化康复治疗对长期住院精神分裂症患者生活能力的影响

探讨小剂量抗精神病药物联合个体化康复治疗对长期住院精神分裂症患者生活能力的影响。方法将住院时间超过24周的86例精神分裂症患者按随机数字表法分为研究组与对照组,各43例。两组均给予维持剂量的抗精神病药物治疗,研究组联合个体化康复治疗,观察3个月。比较治疗前后两组日常生活能力量表及护士用住院患者观察量表评分。结果治疗后研究组日常生活能力量表评分显著降低(P<0.01),且显著低于对照组(P<0.01)。对照组治疗前后比较差异无统计学意义(P>0.05)。治疗后研究组护士用住院患者观察量表社会能力、社会兴趣,个人整洁、迟缓因子评分显著低于治疗前(P<0.01),且显著低于对照组(P<0.01)。对照组治疗前后比较差异无统计学意义(P>0.05)。结论个体化康复治疗可以显著改善长期住院精神分裂症患者的日常生活能力,有利于社会功能的恢复,值得临床推广应用。

基于GM(1,2)模型的住院量模拟与预测

目的：探讨在医院住院量的影响因素和在因素影响下对住院量进行预测，为医院管理者作出科学决策提供依据。方法应用 EXCEL 软件和相关公式，以灰色关联度筛选相关因素，并建立 GM（1,2）预测模型。结果住院量关联影响最大的因素是门急诊总量， GM （1,2）预测模型为$y=（419100.0616-x（）（12 k＋1））e-0.8986 k＋0.0616 x（）（12 k＋1）预测值的相对误差小于20%，模型精度为优秀（C=0.219，P=1.000），预测效果好。2015年～2019年医院住院量预测值分别为215961，250570，290792，337505，391740。结论灰色预测模型结果可为管理决策提供依据和信息，医院在面对增长迅速的住院量要提高其内涵建设，以满足患者需求和适应发展要求。

住院手术量变动趋势分析及预测

目的分析和预测住院手术量的变动趋势,为合理配置医疗资源、提高管理水平提供参考。方法以2000─2006年住院手术量为依据进行动态分析,并采用时间序列预测法对2007年手术量进行预测。结果住院手术量具有周期变动和稳中有升的特点,其中脑外科、五官科、眼科的手术量在7年间变化显著。结论季节因素已经不是影响住院手术量变动的原因,主要与工作日有关。在医院规模受限制的情况下,整合区域内卫生资源的配置已成为当务之急。