目的:了解CHS-DRGs分組方案的具體流程及評價指標(biāo),探索建立系統(tǒng)的DRGs細(xì)分優(yōu)化方法,為本地化DRGs分組器的研發(fā)提供參考依據(jù)。明確DRGs分組器在醫(yī)療單位績效評估中的應(yīng)用途徑,為醫(yī)院精細(xì)化管理提供新的思路。方法:基于CHS-DRGs指導(dǎo)方案,對本院住院患者中MDCC及MDCK兩個MDC相關(guān)病例進行ADRG基本組劃分,利用CV、RIV值篩選需細(xì)分的ADRG組。基于多重線性回歸模型篩選嚴(yán)重CC類別,并計算患者CCI,利用數(shù)據(jù)挖掘技術(shù)進行影響因素分析,以結(jié)果中重要性較高的因素為輸入變量,住院費用為輸出變量,建立CART及CHAID決策樹分組模型,評估細(xì)分后分組方案的優(yōu)化效果。通過綜合指數(shù)法進行相關(guān)科室績效評估,利用DRGs相關(guān)指標(biāo)（DRGs組數(shù)、總權(quán)重、CMI、費用/時間消耗指數(shù)）評估各個科室在服務(wù)能力及效率維度上存在的差異。結(jié)果:1、ADRG組劃分結(jié)果中,MDCC及MDCK中均有4個ADRG組住院費用CV值大于0.8,占總ADRG組數(shù)的比例分別為25.00%、30.77%,費用CV值最高的ADRG分別為CW1（各種類型白內(nèi)障）、KF1（因內(nèi)分泌、營養(yǎng)、代謝疾患的植皮和/或清創(chuàng)術(shù)）,... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：83 頁

【學(xué)位級別】：碩士

【部分圖文】：

中國CHS-DRGs的分組流程圖

最廣泛的是BP神經(jīng)網(wǎng)絡(luò)，它是一種單向連接的前饋式神經(jīng)網(wǎng)絡(luò)模型，包含輸入層、隱含層、輸出層三層，輸入節(jié)點負(fù)責(zé)接收和處理訓(xùn)練樣本集中各輸入變量值；隱含節(jié)點負(fù)責(zé)實現(xiàn)非線性樣本的線性變換；輸出節(jié)點負(fù)責(zé)輸出分類預(yù)測結(jié)果，流程示意圖見圖3-1。神經(jīng)網(wǎng)絡(luò)可通過簡單函數(shù)內(nèi)部的多次迭代來實現(xiàn)對復(fù)雜映射的擬合和逼近，并且可通過敏感性分析對輸入變量變動對輸出變量的影響程度進行研究，以評估各影響因素的重要性，多項研究[65,66]表明，BP神經(jīng)網(wǎng)絡(luò)處理非線性問題的能力優(yōu)于多元線性回歸，擬合性能顯著高于傳統(tǒng)統(tǒng)計方法。圖3-1BP神經(jīng)網(wǎng)絡(luò)算法網(wǎng)絡(luò)拓?fù)鋱D（2）SVM：支持向量機是通過核函數(shù)映射來處理復(fù)雜多維數(shù)據(jù)關(guān)系的一種監(jiān)督學(xué)習(xí)方法[67]，它可以通過構(gòu)建超平面使在低維空間中線性不可分的數(shù)據(jù)變換到高維空間后線性可分，從而實現(xiàn)更準(zhǔn)確的預(yù)測。支持向量回歸機的核心是超平面的參數(shù)估計，其計算方法與統(tǒng)計學(xué)中的回歸類似，都是基于損失函數(shù)最小原則求解方程的參數(shù)，原理示意圖見圖3-2。同時，SVM在尋找最優(yōu)分類面時根據(jù)支持向量來確定其決策函數(shù)，不受樣本數(shù)目的影響，可有效避免因樣本量不足造成的局限性。韓陽等[68]運用SVM、線性回歸、BP神經(jīng)網(wǎng)絡(luò)三種算法對生產(chǎn)數(shù)據(jù)進行回歸預(yù)測，結(jié)果顯示SVM的預(yù)測結(jié)果最為準(zhǔn)確，有較高的推廣價值，相關(guān)研究表明[69,70]，SVM模型運用于醫(yī)療費用的影響因素分析，擬合優(yōu)度較好，可為醫(yī)療控費政策的制定提供參考依據(jù)。（3）LSVM：線性支持向量機原理與SVM基本類似，都是通過尋找最佳分類平面來進行預(yù)測的一種機器學(xué)習(xí)方法，常用于線性可分?jǐn)?shù)據(jù)的分類預(yù)測。

第三章DRGs分組模型建立及結(jié)果評價21圖3-2支持向量回歸原理示意圖3.2.5決策樹模型針對不同類型的變量，選擇與其匹配的數(shù)據(jù)挖掘方法，是數(shù)據(jù)挖掘成功的前提，本研究輸出變量為連續(xù)型數(shù)值變量，因此選擇分類回歸樹（ClassificationAndRegressionTree，CART）及卡方自動交互檢驗（Chi-squareAutomaticInteractionDetector，CHAID）算法進行分組研究，并基于兩種算法的輸出結(jié)果，選擇擬合更好的模型作為DRGs分組依據(jù)。CART：分類回歸樹是由布雷曼等人于1984年提出的一種基于Gini系數(shù)的二元分割方法[71]，其建立的樹為二叉樹，CART回歸樹依據(jù)方差減少情況評估兩組輸出變量異質(zhì)性的下降程度，每次分割都把樣本數(shù)據(jù)劃分為兩個子集合，理想的分組應(yīng)該盡量使子集合的異質(zhì)性總和最小，其建立的步驟如下[72]：（1）檢驗樹的每一個節(jié)點并且選擇最佳的分割點。（2）創(chuàng)建兩個子節(jié)點并判斷每個樣本數(shù)據(jù)進入哪個子節(jié)點。（3）從每個子節(jié)點重復(fù)搜索下一個測試屬性進行分割，直至達到終止準(zhǔn)則。CART算法的優(yōu)勢在于能夠自動對模型進行檢驗并找出表現(xiàn)最佳的一般模型，并且它采用更有效的代理變量法處理輸入變量中存在的缺失值，依據(jù)最佳分組變量的替補變量決定樣本數(shù)據(jù)本應(yīng)歸屬的組。CHAID：卡方自動交互檢驗算法由卡斯在1980年提出[73]，它是一種基于統(tǒng)計檢驗結(jié)果選擇最佳分組變量和分割點的算法，分類型及數(shù)值型目標(biāo)變量分別采用卡方檢驗及F檢驗。CHAID與CART的不同之處在于，CHAID可以建立多叉樹，且在劃分子集前需要對數(shù)值型輸入變量進行分箱處理，基于統(tǒng)計檢驗結(jié)果合并對輸出變量取值沒有顯著影響的組，分類型變量也需合并對目標(biāo)變量取值影響不顯著的類別，形成“超類”，以免形成的樹過于“茂盛”；同時其分組變量的確定依據(jù)是輸入與輸出變量間的相關(guān)程?

【參考文獻】：
期刊論文
[1]試論醫(yī)療保險運行分析對醫(yī)保政策的影響[J]. 米麗梅.  商訊. 2020(01)
[2]云南省醫(yī)療機構(gòu)DRGs-PPS支付改革試點效果分析[J]. 李雅琳,熊蔓,陸燁,高華斌.  中國衛(wèi)生質(zhì)量管理. 2019(05)
[3]基于變異系數(shù)計算的DRG本土化應(yīng)用分析及建議[J]. 舒琴,李迪,孫揚,徐小兵,肖漣,陳婷.  中國醫(yī)院管理. 2019(08)
[4]省級統(tǒng)籌視角下職工醫(yī)�；鹭攧�(wù)可持續(xù)性分析[J]. 袁濤,李冰健.  學(xué)習(xí)與實踐. 2019(06)
[5]DRGs在某醫(yī)院住院醫(yī)療服務(wù)績效評價中的運用[J]. 陳嬌花,王杰寧,夏偉,馬慧芬.  解放軍醫(yī)院管理雜志. 2019(05)
[6]我國DRGs醫(yī)保支付制度探索性發(fā)展的經(jīng)驗分析及啟示[J]. 朱李婷,南瑞琥,成穎,張華.  衛(wèi)生軟科學(xué). 2019(05)
[7]醫(yī)院績效管理中的DRGs應(yīng)用[J]. 陳瑩.  財會學(xué)習(xí). 2019(13)
[8]基于DRGs的綜合醫(yī)院住院服務(wù)績效RSR評價[J]. 李歡,周磊.  中國衛(wèi)生信息管理雜志. 2019(02)
[9]淺談醫(yī)院如何通過績效管理變革適應(yīng)DRGs支付改革[J]. 楊森.  納稅. 2019(09)
[10]基于RBRVS+DRGs的醫(yī)院績效分配改革實踐[J]. 丁小春,蔣艷紅,馮群蓉.  財經(jīng)界(學(xué)術(shù)版). 2019(04)

碩士論文
[1]桂林市基本醫(yī)療保險支付方式改革研究[D]. 劉曦婷.廣西師范大學(xué) 2019
[2]病例臨床復(fù)雜（ECC）模型在DRGs分組器中的應(yīng)用[D]. 沈雅萍.北京中醫(yī)藥大學(xué) 2017



本文編號：3104392