医院精细化管理：门诊量预测模型的建立

丁 磊 程 红 牛 珉 李环廷 蒋光峰

青岛大学附属医院 (266000)

医院精细化管理：门诊量预测模型的建立

丁 磊 程 红 牛 珉 李环廷△蒋光峰△

青岛大学附属医院 (266000)

目的探讨门诊量预测建模方法，为医院运营精细化管理提供参考依据。方法基于山东省某省级综合性医院2013-2016年各月门诊量等数据，探讨回归、指数平滑及ARIMA等三类多个模型，根据决定系数(R2)、贝叶斯信息准则(BIC)及Ljung-BoxQ统计量确定相应类别最优模型；通过比较三类最优模型的平均相对预测误差(MRFE)，选择误差最小者为最终最优模型。结果最优回归预测模型表示为：月门诊量=月法定工作日天数×12643.946+78959.827，R2为0.20，MRFE为10.0%；最优指数平滑模型为Winters加法指数平滑模型，水平常数α、趋势常数λ及季节常数δ分别为0.300 、4.177×10-5及6.397×10-5，R2、BIC及Ljung-BoxQ分别为0.952、18.913及17.096，MRFE为3.0%；最优ARIMA模型为ARIMA(1,1,0)(0,1,0)12，R2、BIC及Ljung-BoxQ分别为0.775、19.751及21.028，MRFE为7.4%。结论综合探讨门诊量预测建模方法并确定最优预测模型是推进医院精细化管理的有效措施。

医院精细化管理 回归 时间序列分析 预测

医院精细化管理是围绕以人为核心，将精细化管理的思想、方法、工具贯穿于整个医疗体系的管理过程，是现代医院发展的必由之路，包括医疗、护理、医院运营等精细化管理内容[1-4]。门诊量是医院运营管理的重要评价指标之一；深入分析并准确预测门诊量对医疗精细化管理及医疗服务有指导意义。本研究旨在利用某省级综合性医院2013至2016年月门诊量等数据，通过探讨多种门诊量预测建模方法以确定最优模型，从而为医院精细化管理提供参考依据。

资料与方法

1.资料来源：山东省某省级综合性医院2013-2016年各月门诊量数据、国家规定各月法定工作日天数、医院所在市各月平均最低气温及平均最高气温。各月门诊量数据来源于该医院信息化统计报表，所在市各月平均最低气温及平均最高气温来源官方权威天气查询系统。

2.分析方法：采用Pearson相关分析变量间两两相关性,并探讨曲线拟合关系(一次、二次或三次曲线)；采用回归分析月门诊量影响因素并建立预测模型；应用时间序列分析方法探讨多个门诊量指数平滑模型及ARIMA模型，根据决定系数(R2)、贝叶斯信息准则(BIC)及Ljung-BoxQ统计量确定相应类别最优模型；分别应用最优回归模型、指数平滑模型及ARIMA模型对月门诊量进行预测，以平均相对预测误差(mean relative forecast errors,MRFE)最小者为最终最优模型。所有分析均在SPSS 16.0软件中完成，以双侧检验P<0.05认为差异具有统计学意义。

结 果

1.门诊量相关因素分析

将月门诊量分别与月法定工作日天数、月平均最低气温及月平均最高气温进行两两相关分析，结果显示变量两两间均存在显著相关性，相关系数r分别为0.447、0.358及0.359 (P均<0.05)。月门诊量与月法定工作日一次、二次及三次曲线拟合的R2分别为0.20、0.20及0.23；与月平均最低气温一次、二次及三次曲线拟合的R2分别为0.13、0.13及0.17；与月平均最高气温一次、二次及三次曲线拟合的R2分别为0.13、0.13及0.16。鉴于三次曲线较一次及二次曲线复杂度按数量级计，而R2仅比一次及二次曲线高0.03左右，因此综合考虑选择一次曲线进行关系拟合。

2.月门诊量回归分析及预测

以月门诊量为因变量，月法定工作日天数、月平均最低气温及月平均最高气温为自变量同时纳入逐步线性回归分析，结果显示仅月法定工作日天数为月门诊量的显著影响因素(P<0.01)，拟合回归方程为：月门诊量=月法定工作日天数×12643.946+78959.827，R2为0.20(见图1)。将11月法定工作日天数22代入方程进行预测，得到11月门诊量预测值为357127，其95%置信区间(confidence interval,CI)为[340371,373882]。与11月实际门诊量396825相比，可得MRFE为10.0%。

3.月门诊量指数平滑模型及预测

应用时间序列分析分别探讨月门诊量非季节性及季节性等多种指数平滑模型，以R2值最大、BIC值及Ljung-BoxQ值最小为标准判断最优模型，最终Winters加法指数平滑模型入选最优，其R2、BIC及Ljung-BoxQ分别为0.952、18.913及17.096(参数见表1)。应用该模型预测，11月门诊量预测值及95%CI为384846[362073,407618]。与11月实际门诊量相比，可得MRFE为3.0%(见图2)。

图1 月门诊量与法定工作日天数关系图

项目参数估计值参数估计值标准差tPα(水平常数)0.3000.1092.7550.009λ(趋势常数)4.177×10-50.0630.0010.999δ(季节常数)6.397×10-50.1380.0001.000

图2 Winters加法指数平滑模型对月门诊量的预测

4.月门诊量ARIMA模型及预测

应用时间序列分析探讨多个月门诊量ARIMA模型，以R2值最大、BIC值及Ljung-BoxQ值最小为标准判断最优模型，最终认为ARIMA(1,1,0)(0,1,0)12为最优模型，其R2、BIC及Ljung-BoxQ分别为0.775、19.751及21.028。应用该模型预测，11月门诊量预测值及95%CI为367638[330782,404495]。与11月实际值相比，可得MRFE为7.4%。

讨 论

本研究探讨得到三类模型中各自相对最优模型，并应用其对月门诊量分别进行预测，其中以Winters加法指数平滑模型MRFE最低(3%)、BIC及Ljung-BoxQ值最小，R2达0.952，提示其可作为最优模型对月门诊量准确预测。该模型充分利用各月数据间的时点关联性、趋势性及季节性，并估算出相应参数值以预测，由图2见，模型门诊量拟合值与实际值基本吻合，拟合效果良好。吴学智[5]等采用指数平滑及ARIMA两种建模来预测门诊量，发现季节性指数平滑模型预测总体相对误差为1.72%，明显低于ARIMA的7.27%，与本研究结论相符。耿娟[6]等，向前[7]等应用ARIMA模型预测门诊量，得到MRFE分别为5.28%、6.11%，与本研究ARIMA的预测误差(7.40%)相近，亦高于本研究Winters加法指数平滑模型的3.00%。张文涛[8]等对某医院2004-2013年月门诊量进行分析，最终建立ARIMA(1,1,0)(0,1,0)12模型，与本研究ARIMA模型一致。值得注意，不同医院门诊量变化规律未必一致,因此医务管理人员要根据各医院实际，综合探讨多种建模方法以得到各自医院的最优预测模型。

与既往研究相比[5-11]，本研究探讨的模型种类及数量较多，讨论重点不在于研究医院门诊量的变动规律及可能解释原因，而在于门诊量预测模型在医院精细化管理中的应用。应用门诊量预测模型可及早合理配置医疗资源，如经预测医院某月或季度门诊量将明显高于既往月或季度，则医院管理人员就应未雨绸缪，根据门诊量预增幅度，有针对性地量化加强候诊室就医秩序管控、引导员数量、门诊医护力量及医务人员心理预期等措施，使门诊工作平稳有序开展。应用门诊量预测模型可辅助医务管理人员及时发现医院运行管理过程中产生的问题，如预测模型可提供门诊量预测值及其95%CI，若实际门诊量位于预测95%CI内，则提示医院医疗运行工作较为平稳；若低于CI下限，则提示医院内部运营管理或外部环境等产生不利因素，此时医务管理人员应及时调查落实“症结”所在，及早采取措施解决问题；若高于CI上限，则提示医院运行势头良好，医务人员应积极总结经验并继续推进医院良好运行。应用门诊量预测模型可协助评估医院政策措施的利弊，如在医院采取某项门诊管理措施或政策后，管理人员可利用既往门诊量数据预测其实施后一段时间的门诊量，若实际门诊量超过预测CI上限，则提示措施或政策有利有效，若低于CI下限，则提示该政策或措施不利于门诊医疗工作运行，若位于CI内，则提示效果欠佳或尚需更长时间考察成效。此外，医务管理人员可借鉴本研究建模方法对其他医院管理指标进行探讨预测，从而更综合更精细地评估医疗工作质量和效率。

[1] 易利华主编.医院精细化管理概论.北京：人民卫生出版社，2010.

[2] 毛羽,张岩,邢红娟,等.公立医院实施精细化管理的可行性.中华医院管理杂志,2008,24(5):345-347.

[3] 李萍，刘鹏.加强医院精细化管理的思考.现代医院管理,2011,9(5):28-30.

[4] 王志刚.医院精细化管理是现代医院发展的必由之路.中医药管理杂志,2016,24(15):74-75.

[5] 吴学智,何为虎,王安政.用两种时间序列分析方法预测门诊量及效果评价.中国病案,2016,17(8):30-32.

[6] 耿娟.ARIMA模型在医院门诊量预测中的应用.中国卫生统计,2014,31(4):643-645.

[7] 向前,陈平雁.预测医院门诊量的ARIMA模型构建及应用.南方医科大学学报,2009,29(5):1076-1078.

[8] 张文涛,许冰心,孙鹏,等.某三甲综合医院2004-2013年门诊量变化趋势预测分析.中国卫生统计,2016,33(1):115-117.

[9] 薛允莲.广州某院门诊量的ARIMA模型预测.中国卫生统计,2015,32(2):317-318.

[10]毛以成,黄利娟,查君敬,等.移动平均季节指数法分析及预测医院门诊量和出院人数.中国病案,2015(11):46-49.

[11]周琴.利用ARIMA乘积季节模型预测某综合医院门诊量.中国医院统计,2016,23(2):141-142.

△通信作者：李环廷，E-mail:lihuanting26@163.com; 蒋光峰， E-mail：qdsleep@126.com

张 悦)