基于分位数回归与决策树模型的跌倒患者住院费用影响因素分析

目的应用以多元逐步回归为代表的传统回归分析方法与分位数回归模型分别探究住院费用的影响因素,通过卡方自交互侦测决策树(chi-squared automatic interaction detector, CHAID)建立费用分组模型。为科学分析住院费用、制定针对性的控费措施及体系完善提供参考依据。方法采用回顾性研究法,收集重庆市两所三级甲等综合医院2016-2019年因跌倒住院的6627例患者基本信息及费用情况,对基本信息进行描述性分析,在单因素分析基础上,分别采用多元逐步回归分析和分位数回归模型筛选纳入决策树的分类节点变量,并比较两者的分析结果。根据比较结果最终选择将分位数回归结果中有影响作用的变量纳入CHAID决策树模型建立住院费用分组模型。结果单因素分析结果显示,跌倒患者住院费用的影响因素有付费方式、职业、婚姻、年龄、住院日、受伤部位、受伤类型、手术次数及手术类型;经分位数回归分析得的住院费用影响因素包含了多元逐步回归分析结果中的影响因素,显示付费方式、婚姻、年龄、住院日、受伤部位、手术次数、受伤类型和手术类型在住院费用的不同分位数点产生影响(P<0.05)。在分位数回归模型结合CHAID决策树模型建立的费用分组模型中,手术次数、住院日、手术类型、受伤部位和受伤类型为最主要的影响因素,每种组合的费用差异明显。结论相较于传统回归分析方法,选择分位数回归模型探究住院费用影响因素更稳健全面。在分位数回归模型基础上,结合CHAID决策树模型组构建的住院费用分组模型较为合理,能清楚反应影响住院费用的重点因素,为医院完善控费制度,制定医保费用支付标准提供参考依据。

基于半监督机器学习的滑坡易发性预测建模

为了克服滑坡编录样本不足、扩充滑坡样本较困难、主观随机选择的非滑坡样本准确性较低等缺点,以江西省南康区为例,拟用半监督卡方自交互侦测决策树(SSCHAID)和半监督反向传播神经网络(SSBPNN)进行滑坡易发性预测(LSP),在已知滑坡样本和随机选取的非滑坡样本基础上,用全监督机器学习将初始LSP划分成不同级别;将高分辨率遥感影像和初始滑坡易发性图中的极高易发区叠加,筛选一定数量的潜在滑坡栅格单元扩充滑坡样本;从极低易发区选取非滑坡栅格单元组合成新的输出变量;将新的输出变量导入全监督机器学习,获得最终LSP并评价其精度.结果表明:半监督机器学习的LSP精度远高于全监督机器学习的LSP精度.

基于疾病诊断相关分组方案对精神分裂症患者住院费用初步探究

目的通过合理分组,制定精神分裂症患者住院费用发生额度的参考范围,为实现医保基金的合理使用与监管提供决策依据。方法以疾病诊断相关分组(diagnosis related groups,DRGs)核心思想为指导,采用决策树分析的卡方自动交互检测法(Chi-square automatic interaction detection,CHAID)算法,对患者进行细化分组并制定医疗费用合理范围。结果 (1)最终医院级别、住院天数、曾住院次数被用作截断点变量,生成一棵总节点数为21,终节点数为13,树深为3的决策树统计模型。(2)全部病例共形成13个病例组合,共筛选出1 096例可疑案例,构成比为10.03%,发生费用占总发生费用的21.60%(7 165 046.09/33 171 509.68);超额费用占发生费用的24.74%(1 772 930.71/7 166 251.86),占总发生费用的5.34%(1 772 930.71/33 171 509.68)。结论将DRGs方案应用于本病种,通过将患者合理分组来研究住院费用问题可为医疗保险基金的合理使用和监管提供一条可循的管理路径。