未来智库 > 神经网络论文 > 基于神经网络的医院拥堵情况研究

基于神经网络的医院拥堵情况研究

发布时间:2017-12-06 16:46:00 文章来源:未来智库    
    关键词:分类方法 神经网络 多层感知器
    医疗服务在我们的生活中占有举足轻重的地位,在保障人们生命安全、维持社会和谐发展等方面发挥着关键的作用。进来床位吃紧问题也成为了人们关注的焦点,大医院病床紧张,住院需要等数周的现象很普遍,这让许多患者苦不堪言,甚至因此耽搁了病情。而仅仅采取多盖医院大楼,多增加病房的方法是不可能一蹴而就上午。因此,充分挖掘内部潜力,提高现有病床的使用率,根据病人的信息,合理有效地配置现有床位,避免空置就显得非常重要。
    1.样本数据和模型构建
    1.1指标体系和样本数据
    选择所研究医院某一时期的病人为研究对象,考察他们的住院停留情况。所选用的指标主要是病人的基本信息指标在分类、汇总、整理的基础上,同时兼顾数据的可获取性原则和可量化原则,最终以年龄、到达时间、性别、到达方式、分诊级别这5个指标作为系统的输入,以病人的在院停留时间(los)作为系统的输出,以此来评估医院的拥堵情况。其中性别、到达方式、分诊级别是名义级数据,为了方便计算我们将其量化。
    1.2模型的构建
    首先我们将这105个样本数据按照习惯上年龄的分法分成三组,第一组为16——40岁(青年),第二组为41—64岁(中年),第三组为65岁及以上(老年),得到的样本数据个数分别为18、26、61。
    然后分别对每一组样本进行网络的学习训练,这里我们将每一类样本进行按照7:2:1随机分成三类:训练样本、检验样本、坚持样本。其中训练样本包含用于训练神经网络的数据记录,数据集中的某些个案百分比必须分配给训练样本以获得一个模型。检验样本是一个用于跟踪训练过程中的错误以防止超额训练的独立数据记录集。坚持样本是另一个用于评估最终神经网络的独立数据记录集,坚持样本的误差给出一个模型预测能力的“真实”估计值,因为坚持个案不用于构建模型。
    神经网络模型的构建主要需要考虑两个方面的问题:网络结构的确定和学习参数的设定。网络结构中网络的层数、各层神经元的数量和适用的激励函数是需要明确的主要任务。HechtNielsen曾证明当各节点具有不同的阈值时,对于在任何闭区间内的一个连续函数都可以用一个隐含层的网络来逼近,但由于上述先决条件难以满足,实践中常导致应用的困难. 目前一般认为对于二进制分类或判决边界问题,一个隐含层就足够了,但是如果要求输出是输入的任意连续函数,采用两个隐含层或者不同的激励函数则更为有效。
    依据上述分析,本文的感知器网络包括四层,其中含有两个隐含层,均使用对数sigmoid函数,网络的输出层的激活函数使用恒等函数。使用在线培训类型,最初的学习率为0.4,动能为0.9。
    2.结果分析
    通过反复测试与比较,可以得到如图1结果(以第三组即老年为例):
    对于刻度因变量,观察预测图针对组合的训练和检验样本显示Y轴上的预测值X轴上的观察值的散点图。理想的情况下,值应大致位于从原点起始的45°线。在此图表垂直线上的点代表各观察los的时间数。其中位于理想45°线左上方的点表示预测值明显偏大,45°下方的点表示预测值明显偏小,这一是与系统本身有关系,同时也与实际情况的复杂性有关系。
    图1 los的观察预测图
    3.结论
    (1)利用多层感知器神经网络能在一定程度上对los进行有效地评估预测,为医院有效地掌握相关信息并合理地配置床位等资源提供了借鉴意义,可用于医疗服务效率的评价。
    (2)从结果我们可以看到,不同年龄段的病人的los存在着较为明显的差异,这也是符合现实情况的,如青年人的los相对中老年人要小很多(当然也有特殊的情况),其中三组病人los的均值分别为1.01、13.94、18.75。这也给了我们一些启示,可以根据病人的相关信息大致地判断出其los的范围,方便医院对资源进行配置。
    4.问题与讨论
    (1)在利用神经网络进行训练时,隐层个数及隐层神经元数目的确定没有十分准确的方法,而是人为地进行验证,传输函数也是不确定的;
    (2)样本数据中存在的极值对训练影响较大,但是又不能对其进行剔除,因为这些数据个数较多,而且在实际中有其代表的含义,比如样本数据中的极小值说明这个病人的病情较严重,需要紧急治疗,如果仅仅依据FIFO的原则,那么可能造成生命危险,也不符合实际。所以这些数据不能直接剔除,而这些值必然会对系统产生影响;
    (3)对于病人来说,除了本文说的几个指标外,病人的血压、体温、所患病的种类及严重程度、所采用的治疗方法等等生理医学指标没有考虑进去,而这些指标对于一个病人的停留时间很较大的影响。
    参考文献:
    [1]陈允平,王旭蕊,韩宝亮.人工神经网络原理及其应用[M].中国电力出版社,2002.
    [2]徐嗣鑫,戴友元.前向神经网络的一种快速学习方法及其应用[J].控制与决策,1993,8(4).
转载请注明来源。原文地址:https://www.7428.cn/vipzj5368/
 与本篇相关的热门内容: