目的:了解CHS-DRGs分組方案的具體流程及評(píng)價(jià)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(jī)效評(píng)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(duì)本院住院患者中MDCC及MDCK兩個(gè)MDC相關(guān)病例進(jìn)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(jì)算患者CCI,利用數(shù)據(jù)挖掘技術(shù)進(jìn)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(fèi)用為輸出變量,建立CART及CHAID決策樹分組模型,評(píng)估細(xì)分后分組方案的優(yōu)化效果。通過(guò)綜合指數(shù)法進(jìn)行相關(guān)科室績(jī)效評(píng)估,利用DRGs相關(guān)指標(biāo)（DRGs組數(shù)、總權(quán)重、CMI、費(fèi)用/時(shí)間消耗指數(shù)）評(píng)估各個(gè)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(gè)ADRG組住院費(fèi)用CV值大于0.8,占總ADRG組數(shù)的比例分別為25.00%、30.77%,費(fèi)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(yíng)養(yǎng)、代謝疾患的植皮和/或清創(chuàng)術(shù)）,... 

【文章來(lái)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(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

中國(guó)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(diǎn)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(diǎn)負(fù)責(zé)實(shí)現(xiàn)非線性樣本的線性變換；輸出節(jié)點(diǎn)負(fù)責(zé)輸出分類預(yù)測(cè)結(jié)果，流程示意圖見圖3-1。神經(jīng)網(wǎng)絡(luò)可通過(guò)簡(jiǎn)單函數(shù)內(nèi)部的多次迭代來(lái)實(shí)現(xiàn)對(duì)復(fù)雜映射的擬合和逼近，并且可通過(guò)敏感性分析對(duì)輸入變量變動(dòng)對(duì)輸出變量的影響程度進(jìn)行研究，以評(píng)估各影響因素的重要性，多項(xiàng)研究[65,66]表明，BP神經(jīng)網(wǎng)絡(luò)處理非線性問(wèn)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(jì)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(jī)是通過(guò)核函數(shù)映射來(lái)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(guò)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(shí)現(xiàn)更準(zhǔn)確的預(yù)測(cè)。支持向量回歸機(jī)的核心是超平面的參數(shù)估計(jì)，其計(jì)算方法與統(tǒng)計(jì)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(shí)，SVM在尋找最優(yōu)分類面時(shí)根據(jù)支持向量來(lái)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(yáng)等[68]運(yùn)用SVM、線性回歸、BP神經(jīng)網(wǎng)絡(luò)三種算法對(duì)生產(chǎn)數(shù)據(jù)進(jìn)行回歸預(yù)測(cè)，結(jié)果顯示SVM的預(yù)測(cè)結(jié)果最為準(zhǔn)確，有較高的推廣價(jià)值，相關(guān)研究表明[69,70]，SVM模型運(yùn)用于醫(yī)療費(fèi)用的影響因素分析，擬合優(yōu)度較好，可為醫(yī)療控費(fèi)政策的制定提供參考依據(jù)。（3）LSVM：線性支持向量機(jī)原理與SVM基本類似，都是通過(guò)尋找最佳分類平面來(lái)進(jìn)行預(yù)測(cè)的一種機(jī)器學(xué)習(xí)方法，常用于線性可分?jǐn)?shù)據(jù)的分類預(yù)測(cè)。

第三章DRGs分組模型建立及結(jié)果評(píng)價(jià)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(duì)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(dòng)交互檢驗(yàn)（Chi-squareAutomaticInteractionDetector，CHAID）算法進(jìn)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(píng)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(gè)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(yàn)樹的每一個(gè)節(jié)點(diǎn)并且選擇最佳的分割點(diǎn)。（2）創(chuàng)建兩個(gè)子節(jié)點(diǎn)并判斷每個(gè)樣本數(shù)據(jù)進(jìn)入哪個(gè)子節(jié)點(diǎn)。（3）從每個(gè)子節(jié)點(diǎn)重復(fù)搜索下一個(gè)測(cè)試屬性進(jìn)行分割，直至達(dá)到終止準(zhǔn)則。CART算法的優(yōu)勢(shì)在于能夠自動(dòng)對(duì)模型進(jìn)行檢驗(yàn)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(bǔ)變量決定樣本數(shù)據(jù)本應(yīng)歸屬的組。CHAID：卡方自動(dòng)交互檢驗(yàn)算法由卡斯在1980年提出[73]，它是一種基于統(tǒng)計(jì)檢驗(yàn)結(jié)果選擇最佳分組變量和分割點(diǎn)的算法，分類型及數(shù)值型目標(biāo)變量分別采用卡方檢驗(yàn)及F檢驗(yàn)。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(duì)數(shù)值型輸入變量進(jìn)行分箱處理，基于統(tǒng)計(jì)檢驗(yàn)結(jié)果合并對(duì)輸出變量取值沒(méi)有顯著影響的組，分類型變量也需合并對(duì)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(guò)于“茂盛”；同時(shí)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(xiàn)】：
期刊論文
[1]試論醫(yī)療保險(xiǎn)運(yùn)行分析對(duì)醫(yī)保政策的影響[J]. 米麗梅.  商訊. 2020(01)
[2]云南省醫(yī)療機(jī)構(gòu)DRGs-PPS支付改革試點(diǎn)效果分析[J]. 李雅琳,熊蔓,陸燁,高華斌.  中國(guó)衛(wèi)生質(zhì)量管理. 2019(05)
[3]基于變異系數(shù)計(jì)算的DRG本土化應(yīng)用分析及建議[J]. 舒琴,李迪,孫揚(yáng),徐小兵,肖漣,陳婷.  中國(guó)醫(yī)院管理. 2019(08)
[4]省級(jí)統(tǒng)籌視角下職工醫(yī)保基金財(cái)務(wù)可持續(xù)性分析[J]. 袁濤,李冰健.  學(xué)習(xí)與實(shí)踐. 2019(06)
[5]DRGs在某醫(yī)院住院醫(yī)療服務(wù)績(jī)效評(píng)價(jià)中的運(yùn)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(guó)DRGs醫(yī)保支付制度探索性發(fā)展的經(jīng)驗(yàn)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(jī)效管理中的DRGs應(yīng)用[J]. 陳瑩.  財(cái)會(huì)學(xué)習(xí). 2019(13)
[8]基于DRGs的綜合醫(yī)院住院服務(wù)績(jī)效RSR評(píng)價(jià)[J]. 李歡,周磊.  中國(guó)衛(wèi)生信息管理雜志. 2019(02)
[9]淺談醫(yī)院如何通過(guò)績(jī)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(jī)效分配改革實(shí)踐[J]. 丁小春,蔣艷紅,馮群蓉.  財(cái)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(xiǎn)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(hào)：3104392