一种基于神经网络的门诊预测

研究主要采用一种基于人工神经网络(ANN)的模型,能够通过10微米直径的颗粒(PM10),去预测与空气污染相关的三种呼吸道疾病,该模型可以成功地预测门诊与哮喘、支气管炎和鼻咽炎相关的病人数量。研究将温度和风速作为环境因素,PM10导致的呼吸道疾病作为研究对象。在谷歌合作平台上使用Keras编译和训练的ANN模型,计算过程在云环境进行,预测的准确度平均值达到了98.5%,较高准确度的预测结果使该模型成为提前了解医院需求的有用工具,可以预测肺炎学领域的疾病和其治疗所需的医疗护理。

基于SARIMA-LSTM的门诊量预测研究

为了实现更加稳健和精准的门诊量预测,构建了一种基于SARIMA-LSTM的门诊量预测模型。该方法首先使用SARIMA模型对门诊量进行单指标建模,提取门诊量指标蕴含的周期、趋势等信息,然后构建了以节日天数、法定上班天数、平均最高气温等多个相关指标为输入的多对一LSTM模型,对SARIMA模型残差进行进一步学习,实现残差与多个变量间的非线性关系抽取。实证结果表明,构建SARIMA-LSTM混合模型相较5种主流预测方法具有更高的一步预测精度,具有较好的实际应用价值。

预测医院门诊量的ARIMA模型构建及应用

目的研究综合性医院月门诊量变化规律,预测其变化趋势,为医院管理决策提供依据。方法结合序列平稳性、长期趋势和季节效应,采用对数和差分变换,应用残差分析和最小二乘法估计,建立预测模型ARIMA(1,0,1)(0,1,1)12。结果拟合残差平方和为2.790,AIC=-178.126,SBC=-170.080,预测2008年门诊量相对误差为6.11%,小于指数平滑法(8.78%)。用该模型预测2009年门诊量为150.12万人次。结论医院门诊量存在季节变动和长期增长趋势,适合用ARIMA乘积模型进行拟合,但不同医院门诊量变化规律未必一致,要认真分析原序列的ACF图和PACF图,然后确定p、d、q参数。

基于时间序列模型的医院门诊量分析与预测

医院门诊量分析与预测对医疗资源管理和为高质量医疗护理提供决策有重要作用.当前在门诊量分析与预测方面的研究还没引起足够重视,且研究主要集中在门诊量预测的计算方法,缺少全面深入的数据分析和规律挖掘.为此提出构建ARMAX模型、神经网络模型和ARMAX模型与神经网络的混合模型,用来描述医院门诊量的线性和非线性特征.以时间序列模型全面深入地分析厦门市医院门诊量日度数据的规律,研究发现,医院门诊量有显著的上升趋势、周内日效应以及很强的序列自相关性.通过样本外预测比较发现,采用混合模型进行预测取得的预测结果较好,这是由于混合模型能够同时获取门诊量数据的线性部分和非线性部分,数据信息比较完整.

现代医院门诊量的灰色RBF神经网络预测

门诊量预测是现代医院电梯交通以及医疗资源优化配置的重要前提。为了有效地预测医院的门诊量,提出一种将灰色预测方法与RBF神经网络有机结合的灰色神经网络组合预测方法。该方法利用灰色预测中的累加生成运算(AGO)对原始观测数据进行变换,得到规律性较强的累加数据,作为神经网络的建模和训练样本。所提出的方法既避免了灰色预测方法存在的理论误差,又提高了神经网络的训练速度和预测精度,对短期的医院门诊量预测具有较强的实用价值。结果表明:所提出的方法具有良好的预测精度。

基于小波分析和ARMA模型的冬季门诊量分析与预测

目的在分析门诊量变化的基础上,优化现有ARMA的预测模型,达到提高门诊量的预测精度,实现合理制定工作计划和优化医院资源的目的。方法分析天津医科大总医院2014年冬季720834例门诊量,提出以"小波分析+ARMA预测"的医院门诊量预测模型,对比"ARMA"模型和"小波分析+ARMA预测"模型,分析模型的预测结果。结果天津医科大学总医院的门诊量受节日、气候和其他医院的影响;"小波分析+ARMA预测"模型预测的准确度好于"ARMA"模型。结论采用"小波分析+ARMA预测"能够预测医院就医人数的变化规律,模型总体预测效果较好,值得推广。

基于深度信念网络的医院门诊量预测

有效的医院门诊量预测是现代医院对医疗资源实现智能化管理的重要前提之一。现有的医院门诊量预测方法大多针对的是单一的数据集,缺少对数据的充分挖掘和深入分析。为此,提出一种基于深度信念网络的医院门诊量预测方法,用深度信念网络对医院各科室的门诊量数据进行无监督学习,完成对门诊量数据的特征提取,挖掘各科室门诊量数据间的相互关系,在网络的顶层叠加一个逻辑回归层并将提取出的数据特征作为输入来预测各科室未来的门诊量。仿真实验结果表明,基于深度学习的预测模型可以得到较高的门诊量预测精度,是一种可行且有效的预测方法。

基于灰色预测模型的门诊量预测——以上海市浦东新区门诊总量为例

简要介绍灰色预测模型的数学原理、建模过程及各种检验,应用灰色预测模型对上海市浦东新区门诊总量进行预测并实施检验。

运用最小平方趋势季节乘法模型预测门诊人数

医院门诊是对求医者进行诊断、治疗和开展预防保健的场所,是医院工作的重要组成部分,预测门诊工作量,对科学的管理医院工作,合理安排人力、物力、财力也是十分必要的.

融合EMD与LSTM神经网络的门诊量预测模型研究

随着现代医院信息化发展,门诊量预测显得更加重要,门诊预测不仅是对医院堆积数据潜在信息的深入挖掘,而且可为医院管理者的医疗资源配置提供建议。针对波动和噪音较大的门诊量时间序列预测问题,使用经验模态分解(EMD)对原始数据进行平稳处理,在此基础上建立长短期记忆(LSTM)神经网络模型,并选取单一的LSTM神经网络以及支持向量回归模型进行比较验证。实验结果表明,该组合模型有较好的预测精度,能为医院管理者提供决策支持。

利用ARIMA乘积季节模型预测某综合医院门诊量

目的 采用ARIMA乘积模型对某综合性医院门诊量情况进行预测,为医院决策提供合理依据.方法 应用SPSS 19.0软件对2008—2014年门诊量数据进行建模拟合,并用所得到的模型对2015年门诊量进行预测及评价.结果 模型ARIMA（2,1,0）×（1,1,0）12参数有统计学意义,残差为白噪声,预测值与实际值的平均相对误差为6.56%,模型预测精度较高.2015年01-06月门诊量预测数据与实际数据基本吻合,趋势基本相同,其预测效果较好.2015年07-12月门诊量点预测值分别为256982、246790、238205、248402、251065、261356人次.结论 根据预测结果 ,医院可以合理开设门诊科室、配置医护人员、调整工作时间,缓解医患矛盾,增强医院的综合竞争力.

基于时间序列分析法的医院月门诊量预测模型

目的 分析影响医院月门诊量的主要因素,提高医院月门诊量预测工作准确性,提高科学预见性. 方法 采用X-11季节调整方法、引入虚拟变量拟合趋势直线方程,剔除趋势后建立ARIMA模型,预测医院的各月门诊量,并与月门诊量时间序列直接建立的ARIMA模型进行比较. 结果 趋势模型3个参数的拟合系数均很显著,以残差序列所建立的ARIMA模型的参数也均是显著的. 结论 剔除季节因素和趋势因素建立的ARIMA模型,对时间序列进行拟合的结果远远优于直接对月门诊量建立的ARIMA模型的拟合结果.ARIMA模型更适合于做短期预测,对剔除季节因素和趋势因素的平稳时间序列以ARMA模型拟合后,再合成季节因素和趋势因素的模型所做的中长期预测精度高.

新疆某三级综合医院门诊量预测模型构建及应用

目的：研究三级综合性医院门诊量变化规律,预测其变化趋势,为医院管理决策提供依据。方法结合序列平稳性、长期趋势和季节效应,利用SPSS 17.0统计软件建立门诊量预测模型ARIMA。结果经筛选得最优模型ARI-MA（1,1,0）×（0,1,1）12,对残差序列作自相关图,结果显示所选模型恰当。预测2013年门诊量为226.74万人次,实际门诊量为230.99万人次,相对误差为4.4%。结论三级综合医院门诊量存在着季节变化和逐渐增长趋势,适合用ARI-MA模型进行拟合,模型预测效果较好,可为医院领导层决策及门诊运行管理提供依据,从而有效指导工作计划与安排,该模型在门诊管理中的应用具有实效性及推广性。

基于深度神经网络的医院门诊量预测

为了有效地预测医院门诊量,充分考虑历史门诊量数据和工作日天数之间的关系,提出一种应用深度神经网络预测方法,深度神经网络模型由RBM层和预测层组成,采用无监督学习算法预训练网络参数,引入残差结构使输入信息跨层传输,利用反向学习算法微调网络参数,进而获取优化后的深度神经网络预测模型。实验结果表明,深度神经网络模型经过2层RBM训练之后,即可从原始样本中提取代表性较强的数据特征,所提方法在小样本数据下可以获得较好的预测精度,能够为医疗业务规划提供理论参考。

基于PSO的LSTM神经网络门诊量预测研究

研究基于粒子群优化算法的长短期记忆神经网络模型构建方法及其在医院门诊管理中的应用,选取三甲医院中医慢病相关科室门诊量历史记录数据,构建基于长短期记忆神经网络的门诊量预测模型,借助粒子群优化算法对长短期记忆网络进行参数优化,并使用优化后的模型对门诊量进行预测。月度门诊量预测结果表明,经过粒子群优化的长短期记忆神经网络模型在测试集上的预测误差RMSE,相比未优化的模型减小了48.5%。粒子群优化算法能高效地优化预测模型,可使模型较好地预测出门诊量变化趋势,从而为医务人员门诊管理工作提供决策支持。

基于多特征集成决策树算法的门诊需求预测

目的为了准确预测医疗门诊需求量,以便医院管理者科学分配关键医疗资源,提高服务效率,本文提出一种基于多特征集成决策树的医疗需求预测模型。方法首先引入了机器学习算法中的梯度提升决策树(gradient boosting decision tree,GBDT)和随机森林(random forest,RF)。考虑外部因素对门诊人数的影响,根据宁波市某妇幼保健院的日产前检查人数的历史数据,引入前一天产前检查人数、时间、节假日、天气等特征,建立多特征日检查人数预测模型。预测结果与经典自回归移动平均模型(autoregressive integrated moving average model,ARIMA)模型进行对比。结果GBDT、RF和ARIMA模型预测结果的平均绝对百分比误差(mean absolute percentage error,MAPE)分别是14.95%、17.16%、18.53%。结论集成决策树模型在医疗需求预测中具有有效性和可行性,并且预测精度较传统的ARIMA模型高。

门诊量预测在医院管理中的应用

目的了解2005～2007年门诊量趋势走向,为医院进行管理、规划提供科学依据.方法根据医院5年的门诊量变化趋势,依照折扣最小二乘法原理选择线性模型y=a+bx进行拟合,建立方程组来进行动态外推预测.结果预测模型为:Y=265.6021+21.6917X,估计标准差S(y)=17.44千人次.结论门诊量变动呈上升趋势.若要使门诊量达到预期目的,必须从主观上找窍门,挖掘潜力,依靠全院职工的共同努力.

门诊量预测及变动趋势分析

1 门诊量预测 门诊工作量大、面广,门诊工作的效率和医疗质量的高低,不仅直接关系到人民的健康,也是评价医院社会效益和经济效益的主要指标之一。为更好地发挥我院在淮海经济区中医骨干作用,依据1985年至1994年10年历史资料(见表1),预测1995～1997年门诊量。

直线趋势法与季节比重法预测门诊与住院人次

目的通过预测门诊与住院人次，为医院的科学管理提供可靠的参考依据，并为医院的搬迁选择合理的时间段。方法最小二乘法配合直线趋势法和季节比重法。结果通过对2005--2012年的门诊与住院人次的观测，绘制散点图，发现人数变化呈直线上升趋势，比较符合最小二乘法配合直线趋势法来预测门诊与住院人次，门诊人次预测的直线回归方程为y=94135．8＋26005．It，住院人次预测的直线回归方程为y=4635．0＋1624．7t。通过季节比重的计算，发现2、3、1月为门诊与住院人次的低谷期，ll、12、8月为门诊与住院人次的高峰期。结论直线趋势法和季节比重法应用于门诊与住院人次的预测，比较切合实际，对医院的科学管理和医院的未来规划有较大的意义。

趋势季节模型用于医院门诊量的预测

在现代医院管理中,统计和预测已是不可缺少的工具。我们采用趋势季节模型预测的方法,对我院1998～1999年门诊诊疗人次进行了预测,作为向医院管理者提供计划和决策的依据,现报告如下:1 资料的来源及方法资料来源于我院1994～1997年门诊每月统计报表,并经统计人员核对汇总,参见表1。