基于多层神经网络算法的主诊医师岗位核定研究*

——邢晨伟 王清江 盛伟琪

目前，国内已有多家医院试行主诊医师负责制。但对于岗位设置未综合考虑科室收治能力、主诊医师的工作量以及收治病种的难易程度等[1]。中日友好医院按每10张床位设置1个主诊组[2]。安徽省芜湖市第二人民医院每10张～12张床位设置1个诊疗组[3]。华中科技大学同济医学院附属协和医院以及深圳市第二人民医院均根据专科亚专业情况和科主任意见设置医疗组[4-5]。四川大学华西医院由科主任负责岗位的设置[6]。这些方式均未衡量各主诊组工作量和病种难度，导致床位资源配置不合理，难以调动医师主观能动性。对此，复旦大学附属肿瘤医院经过调研和科学规划，利用人工智能算法(BP神经网络)对岗位设置进行了探索，构建了主诊医师岗位核定模式。

1 研究对象与方法

1.1 研究对象

该院为肿瘤专科医院，共有13个外科科室和两个内科科室。本研究基于主诊医师负责制，将13个外科科室的主诊医师岗位数作为研究对象，深入研究主诊医师岗位核定的影响因素。

1.2 研究方法

1.2.1 因素筛选 通过回顾文献，筛选出了6个初始因素，分别为：平均住院日、术前等待时间、并发症发生率、床位数、年床均出院量、三四级手术占比。运用专家咨询法，从上海多家医院中选取具有权威资质的医院管理者、学科带头人、学科专家、统计学专家共17名，邀请其对6个初始因素进行筛选。专家基本情况如下：副高职称占58.82%，正高职称占41.18%；学历均为硕士及以上，其中博士占52.94%；40岁以上占82.35%。经过三轮咨询，专家意见协调系数达0.412，进入0.4～0.5的可接受范围，显著性检验具有统计学意义(P<0.05)。最终筛选出3个因素(表1)，即床位数、年床均出院量和三四级手术占比[1,7]。

表1 主诊医师岗位核定影响因素及说明

1.2.2 BP神经网络算法 人工神经网络是一种信息处理技术，能够通过输入/输出参数设定、运算精度调节等，实现对数据分析过程的自学习、自训练，从而获得各参数之间的内在规律[8]。人工神经网络因其强大性、灵活性和易用性，成为预测数据应用程序的首选工具[9]。BP(Back Propagation)神经网络模型是多层神经网络中最常用的前馈神经网络模型，可以存储大量输入和输出的映射关系[10]。BP神经网络模型中通常采用S型激活函数，输入公式如下所示：

net=x1w1+x2w2+……+xnwn

式中：x=[x1,x2,…，xn]表示训练数据，w=[w1,w2,…，wn]表示神经单元的连接权重值，y为计算单元的输出值。

本研究将筛选出的3个因素作为自变量，分别为：x1-床位数；x2-年床均出院量；x3-三四级手术占比。将x1、x2、x3三个变量输入上述公式，多次训练修正各层单元的权重值，当整个网络模型的输出误差减小到一定程度即停止训练。此方法揭示了主诊医师岗位数与床位数、年床均出院量和三四级手术占比三者的内在联系，可科学预测各外科科室主诊医师岗位数。

1.3 重要性分析

为了保证目标变量的预测准确性，通过标准化处理，可以使不同特征变量具有相同的尺度，确保在使用梯度下降法学习参数时，使参数不受特征变量的差异影响。将目标变量影响最大的自变量标准化重要性处理为1，其余自变量重要性除以影响最大的自变量重要性，得到其余自变量的标准化重要性。

2 结果与分析

2.1 模型验证

13个外科科室均为有效样本，按照参数6:4比例，8个(61.54%)被分配到训练样本，5个(38.46%)被分配到测试样本。全院13个外科科室均纳入其中，无个案排除。

模型预测结果显示(表2)，训练样本百分比错误预测为1.3%，测试样本百分比错误预测为2.7%，说明该模型错误预测率低，适用于本研究。突触权重模型代表了一个信号从一个神经元发送至另一个神经元的强度。其目的是得出错误量最小的预测。图1显示，床位数、年床均出院量、三四级手术占比错误量都较小，其中床位数错误量最少。说明该模型岗位核定预测值与实际主诊岗位分配数基本相符。

表2 主诊医师岗位核定神经网络模型预测结果

图1 主诊医师岗位核定突触权重模型

2.2 重要性分析结果

表3结果显示，主诊医师岗位核定影响因素的重要性及其标准化重要性排序从高到低依次为：床位数(100.0%)、年床均出院量(10.1%)、三四级手术占比(9.3%)。说明床位数、年床均出院量、三四级手术占比均是岗位设置的主要影响因素，其中床位数的重要性最高。

表3 主诊医师岗位核定影响因素的重要性

2.3 预测岗位结果

运用BP神经网络算法预测主诊医师岗位数，结果见表4。预测岗位数经过院管理层多次讨论，并征得科主任意见，符合临床科室的实际要求和亚专科发展，得到了各级医师认可。除头颈外科有1名医师在外地支援，主诊医师岗位数由6人暂定为5人，另外12个科室实际主诊医师岗位数均按照预测岗位数设定。

表4 主诊医师预测岗位与校正岗位对比

3 应用成效

该方案实施1年后，采用方便抽样法，以13个外科科室的医师作为调查对象，采用自制问卷于早会、主诊医师会议以及科主任例会等现场开展无记名满意度调查，了解医师对主诊医师岗位核定方案的认可度。问卷共有5个条目，采用李克特态度量表，非常不满意、不满意、一般、满意、非常满意分别记1分、2分、3分、4分、5分，分数越高，表明满意度越高。结果以分数评价满意度：3.5分及以上为满意，3.5分以下为不满意。问卷Cronbach's α为0.718，总体KMO值为0.813>0.8，说明问卷信效度良好。

共发放问卷521份，回收502份，剔除4份有缺失项的无效问卷，有效问卷498份，有效回收率为95.6%。调查结果显示，5个条目得分以及总体满意度得分均在4分以上(表5)。说明13个外科科室的医师对主诊医师岗位核定方案较为满意，该方案得到了绝大部分医师的认可。

表5 主诊医师岗位核定方案的满意度/分

4 讨论

4.1 预测方法具有一定推广性

国内大多数医院对主诊医师岗位核定研究较为简单，按照“以床定岗，因岗设人”方式设置岗位，公平性难以体现，从而限制了医生的积极性和创造性。该院所建立的多层神经网络模型对主诊医师岗位核定的预测准确率较高，具有较强预测效能，为主诊医师岗位核定提供了客观依据。目前，判断错误预测率没有明确标准，BP神经网络是对解析表达式的迭代收敛逼近，不可能达到零误差，只能依据实际研究的技术要求来判断。本研究训练样本和测试样本错误预测率分别为1.3%和2.7%，均较小，说明训练样本和测试样本的正确率均较高，拟合度良好。

另外，神经网络模型给出了所有影响因素的敏感度，有利于综合考量各影响因素对主诊医师岗位核定的重要程度。本研究所选择的3个影响因素均是从医院信息系统获取的定量指标，可推广性较强，相关经验可供其他医院参考和借鉴。

4.2 能够充分调动医生主观能动性

传统的院科两级管理模式下，科主任兼具行政、医疗、教学、科研等多项职能[11]，任务繁重且科室权力过于集中。该院实行主诊医师负责制以来，实现了院-科-组三级精细化管理，科主任有更多的精力对科室进行战略规划，将大部分权力下放给主诊医师，运用神经网络算法科学设置主诊医师岗位数，形成良性竞争机制，医生的主观能动性被充分调动，使各亚专科不断发展，学科影响力不断扩大。

4.3 有利于医疗资源合理配置

该院主诊医师岗位核定将床位数、年床均出院量和三四级手术占比3个因素进行综合衡量，科学预测了各外科科室主诊医师岗位数，让专业能力强的医师优先获得床位资源，发挥了科室内部正向激励作用。精确的主诊医师岗位核定，可以使主诊医师数量和岗位合理匹配，床位使用率得到大幅度提升，保证了医院床位资源的科学合理分配，有助于提高医疗资源利用率。

5 应用局限与展望

该院主诊医师岗位核定方案对医院信息系统具有一定要求，信息数据需要满足真实、可获取的条件。CMI(Case Mix Index，病例组合指数)值表示科室收治病例的平均技术难度，但是由于目前该院无法准确获取各科室CMI值，因此暂时采用三四级手术占比代替CMI值。该研究仅针对外科住院部的主诊医师岗位核定，下一步计划将内科、医技、门诊、日间诊疗等工作岗位纳入主诊医师岗位数进行研究。