亞洲健康互聯
優化產業的推手,生醫商機的GPS!

首頁產業資訊醫材報導醫材產業基於資料採擷的大型醫療設備配置預測模型建立與評估

基於資料採擷的大型醫療設備配置預測模型建立與評估

來源 : 中國醫療設備雜誌2020年第12期
update : 2021/03/26
引言
近年來,醫院對醫療設備的投入力度不斷增加,據統計,大型醫院固定資產總值中約 50%~70% 為儀器設備類投入,為醫院帶來了約 30% 的收入 [1],可見,醫療設備購置對醫院收入增加有重要影響。此外,醫院發展的一個重要標誌是引進大型醫療設備,其有利於提高醫院競爭力 [2]。以南京中醫藥大學附屬醫院放射科為例,僅 10 台電腦斷層(Computed Tomography,CT)/ 磁共振成像(Magnetic Resonance Imaging,MRI)就佔據全院醫療設備資產總值的 1/8。因此,如何引進,何時引進,購置數量如何,如何有效利用和維護才能為醫院帶來更高的效益,是醫院需要積極思考的問題 [3]。

在大型醫療設備效益分析及合理配置研究方面,目前常用的評價方法是以社會效益為指導,經濟效益作為客觀評價指標,反映的是設備的單機效益和投資回報週期。薛美嬋等 [4] 以經濟收益和使用效率等指標探索引進醫療設備成本效益,分析對大型醫療設備配置管理的積極意義。朱懿恒等 [5] 應用單機核算方法、投資報酬率法計算經濟效益,以設備在科研和教學任務的使用次數評價其社會效益,綜合評價大型醫療設備成本效益。汪長嶺等 [6] 通過德爾菲法篩選出合適經濟效益和社會效益指標,為不同類別的設備選擇適合的評價指標和指標權重,初步擬定了一套醫療設備綜合效益的評價方案。陶琳 [7] 運用醫學、經濟學及統計學理論,通過德爾菲法設計與制定大型設備配置評價指標體系。吉利俠 [8] 通過文獻分析、德爾菲法、問題卷調查等確定綜合評價指標和相應的權重,進一步制定大型醫用設備綜合評價體系。以上方法對於評價 PET-CT 等特殊大型設備來說較為合理,但對於 CT、MRI 等常規大型設備來說則不夠完整,因為此類設備效益較好,大型三甲醫院甚至 1 年就能回本 [9]。對這類設備醫院更需要考慮的是長遠配置規劃。此外我國對大型醫療設備實行配置審批制度,如果配置不夠,未來 1~2 年內會導致排隊時間長、流失病人,不僅影響醫院效益,還會產生一定社會影響 [10] ;反之則會導致設備使用效率低,同時會影響醫院在其他科室的設備預算投入。因此,借助恰當的分析手段對上述問題進行深入分析,對大型設備配置做 3~5 年的長遠規劃,有效保障醫院經濟和社會效益,具有十分重要的現實意義。

為彌補當前主流大型設備配置評價體系的不足,進一步解決大型醫療設備合理配置問題,本研究以 CT 為例,在大型設備單機效益分析的基礎上,基於醫院大資料分析的角度,使用相關性分析和回歸分析建立 CT 檢查量的數學模型,並對本研究提出的預測模型進行分析及評價。

1 材料與方法
1.1 資料來源
研究對象是江蘇省中醫院放射科 CT,所有基礎資料來源於醫院資訊系統(Hospital Information System,HIS)、影像存儲與傳輸系統(Picture Archiving and Communication Systems,PACS), 包 括 2016 年 1 月 至 2019 年 9 月 共 45個月的醫院門診量、放射科 CT 檢查量等,以月為單位進行統計分析。根據收費方式的不同,門診量以人次為單位,CT 檢查以部位為單位。

1.2 分析及評價方法
1.2.1 CT運行統計
統計 CT 的基本資訊,包括購置日期、使用年限、開機率、臨床使用率、維保、投資回收期等。其中開機率採用大型設備標準計算方法,即全年故障時間 / 全年理論正常執行時間。臨床使用率按工作日計算,使用率=每小時實際掃描部位 /每小時理論掃描部位 [11]。考慮擺位時間,平掃約 3 min/ 部位、增強 8 min/ 部位,加權平均 5 min/ 部位(權重 =CT 增強量 /CT 總量)。若只做平掃,則理論 20 例 /h/ 台(160 例 /d),此時使用率為 100%。若平掃平均檢查量 16 例 /h/ 台則使用率為 80%,增強以此類推。投資回收期 = 設備單價 / 年淨利潤,其中年淨利潤 = 年檢查收入-年運營成本,運營成本包括水電、人員工資、維保、折舊及耗材等 [12]。CT 折舊期為6 年 [13],據此制定標準 :投資回收期≤ 2 年為“優”,2~4年為“良”,4~6 年為“中”,大於 6 年為“差”,負數為“虧損”。

1.2.2 醫院門診量、CT檢查量及時間的相關性分析
相關性分析是驗證兩組資料之間的線性相關程度,從相關係數可知道兩組資料是否呈線性關係以及線性關係的強弱 [14]。通過相關性進行分析可發現關鍵影響因素,並對發展做出預測。本研究採用皮爾遜相關係數 [15] 分析2016—2019 年醫院門診量、CT 檢查量及時間的相關性,並進行雙尾顯著性檢驗,以 P<0.05 表示差異有統計意義,分析工具為 SPSS 25.0。相關係數介於 –1 與 +1 之間,一般認為 :|r| ≥ 0.8 為高度相關 ;0.5 ≤ |r|<0.8 為中度相關 ;0.3 ≤ |r|<0.5 為低度相關 ;|r|<0.3 為基本不相關。

1.2.3 CT檢查量回歸分析及評價指標
回歸分析是利用資料統計原理確定因變數與某些引數的相關關係 [16],建立一個相關性較好的回歸方程,用於預測因變數變化的分析方法。回歸方程的精度是用來表示實際觀測點和回歸方程的擬合程度的指標,一般使用RMSE 和決定係數(
)來度量,具體公式如式 (1)~(2)。

其中,Y actual _ 代表實際值,Y redict _ p 代表預測值,Y- 代表 Y 的均值。RMSE 代表預測值與真實值的誤差平方根的均值,RMSE 越小說明模型具有更好的精確度。R2正常取值範圍為 0~1,越接近 0 表明模型擬合越差,越接近 1 模型擬合越好。根據經驗,當時擬合效果較好。

本研究使用 python 3.6 及 scikit-learn 0.22 建立 CT 檢查量回歸模型。使用前 36 個月的 CT 檢查量建立訓練模型,使用後 9 個月資料測試模型,得出模型的訓練分數(Train_score)及測試分數(Test_score),並根據 RMSE 和  選擇最優預測模型。此外,考慮設備故障、檢查意外等情況,將單台 CT理論檢查量的 90% 設為閾值 , 即 144 例 /d,一旦當年單台平均 CT 檢查量等於或超過此值,則下一年必須增加 CT 數量。

2 結果與分析
2.1 CT運行與效益概況
截至 2019 年 9 月 30 日,放射科共有 5 台 CT,具體如表 1 所示。5 台 CT 平均開機率為 98%,整體故障率較低。為提高使用效率,CT 專機專用,CT 1、2、4 只做平掃,CT 3、5 只做增強。CT 1 兼顧急診,24 h 運行,使用率 123.2%,屬超負荷狀態。其他 4 台 CT 平均使用率 94.5%,屬基本滿負荷狀態。從表 1 可以看出,CT 4 投資回收期最長(僅 1.09 年),所有 CT 經濟效益均為“優”。CT 的折舊期一般為 6 年,根據對南京部分三甲醫院的調查,絕大部分醫院 CT 至少使用 10 年,因此對醫院來說單台 CT 的純盈利期約有 8~10 年。表 1 和調查結果進一步說明僅從效益出發評估此類設備是不夠的,醫院更多的是需要考慮長遠配置規劃。

表1 放射科CT運行統計表

2.2 2016至2019年門診量/CT檢查量統計及相關性分析
2016 至 2019 年 CT 檢查量統計如圖 1 所示,可以看出CT 檢查的增幅較為明顯。根據計算 CT 檢查量年平均增長21.3%,單台 CT 檢查量從 113 例 /d 增加到 141 例 /d。根據HIS 資料,醫院平均月門診量為從 39.8 萬增加到 48.1 萬,平均同比增長 9.1%。因二者數量級不一樣,為便於分析對比,歸一化處理後得出 CT 檢查量與醫院門診量趨勢基本一致,皮爾遜相關係數高達 0.797(P<0.001)。此外,醫院門診量、CT 檢查量與時間的相關性分別為 0.622(P<0.001)、0.861(P<0.001),相關性極強,說明醫院處於高速發展階段。

2.3 CT檢查量預測模型建立與評估
由 圖 1、 圖 2 可 知,2016 年 2 月、2017 年 1 月、2018 年 2 月及 2019 年 2 月的門診量和 CT 檢查量遠低於當年的全年平均水準。從資料分析角度,這 4 個月份是農曆新年期間,說明過年期間病人量減少,屬於正常降低。但對資料擬合來說,這些屬於異常點,需要進行補償。為建立更合理的回歸模型,本研究使用全年平均月檢查量代替異常點,如圖 3 所示。從圖中可明顯看出,CT 檢查量和時間呈現比較明顯的近似線性相關,因此可建立以時間為引數,CT 檢查量為因變數的預測模型。

圖1 2016至2019年放射科CT檢查量統計


圖2 2016至2019年全院門診量和放射科CT檢查量對比


圖3 補償後的2016至2019年放射科CT檢查情況

圖 4 是本研究建立的 1~4 階的線性回歸模型擬合曲線圖,從圖中可看出 3 階及以上模型已明顯過擬合。表 2 為1~4 階模型的訓練及測試分數,從表中可以看出 2 階模型的得分最高,3 階及以上模型的 Train_score 及 Test_score差別較大,再次確定 3 階以上函數不適合作為 CT 檢查量的預測模型。

圖 4 多階線性回歸預測模型預測曲線   注:a. 1階模型;b. 2階模型;c. 3階模型;d. 4階模型。


表2 多階線性回歸預測模型得分

使用回歸模型的定量評價指標(表 3)進一步評價預測模型的性能,從表中可以得出 2 階模型的評價指標得分依然最高(RMSE=0.015,=0.862),對應預測函數為 :



表3 多階線性回歸預測模型評價指標

其中,t 代表月份,y 代表對應月份的檢查量,該函數以 2016 年 1 月作為第 1 個月。根據預測函數,2019年 12 月( 第 48 個月)時 CT 檢查量應為 16697 例。2019 年平均單台 CT 檢查量增加到 141 例 /d,高度接近設定閾值,因此 2020 年必須增加 1 台 CT。同理,2021 年、2022 年、2023 年及 2024 年平均單台 CT 檢查量分別為133 例 /d、145 例 /d、132 例 /d、140 例 /d。因此,未來5 年內至少需要增加 3 台 CT 才能滿足醫院的 CT 檢查最低需求。

3 討論
為彌補當前主流大型設備配置評價體系的不足,解決大型醫療設備合理配置問題,本研究從數學建模的角度出發,對醫院 HIS 及 PACS 進行資料採擷及分析,以 CT 為例提出了一種大型影像設備配置預測模型。根據研究結果得出了 3 條結論 :① CT 的投資回收期極短,僅從效益分析考慮是不夠的,醫院需要對 CT 配置做長遠規劃 ;② CT檢查量、醫院門診量與時間三者顯著線性相關。說明醫院處於高速發展階段,應該根據醫院門診規模的擴大適當增加 CT 以滿足臨床需求 ;③ 根據建立的數學模型,未來 5 年內至少需要增加 3 台 CT 才能滿足醫院的 CT 檢查最低需求。

此外,預測模型的準確率仍具有一定的提升空間,需要在以下兩個方面進行改進 :① 本研究僅使用了 2016 至2019 年資料建立模型,資料基礎不夠,6 年以上資料量會使模型預測效果更好 ;② 各臨床科室的 CT 開單情況差別巨大,據統計有些科室 CT 開單量可達全院 20% 以上,如將此類科室作為變數納入到預測模型裡,模型更加精確模型。

本研究從醫院大資料及效益分析的角度建立 CT 配置預測模型,可作為醫院規劃 CT 配置的決策依據,尤其是在申請乙類大型設備配置證方面。但實際上對於此類大型設備的配置規劃,醫院不僅要考慮經濟效益、還要從社會效益、醫院用房、財政預算、宣傳效應以及各科室平衡發展等角度綜合權衡 [17]。因此,對於大型設備配置更合理的辦法是醫院設立設備管理委員會,以醫院大資料作為依據,專家進行二次評價,最終建立更合理的大型設備配置規劃。

[參考文獻]
[1] 李天鵬,嚴郁,馬靖武,等.基於預算管理的公立醫院大型醫療設備效益分析[J].中國醫療設備,2018,33(10):148-150.
[2] 朱偉,李永剛,嚴鬱,等.基於HERP的醫療設備維修管理系統的設計與開發[J].中國醫療設備,2018,33(1):194-196.
[3] 劉健,朱偉,嚴鬱.柏拉圖分析在DR高故障率探究中的應用[J].中國醫療器械雜誌,2019,(2):154-156.
[4] 薛美嬋,何暖超.醫療設備成本效益分析在大型設備資源配置中的應用價值[J].醫療裝備,2017,(2):70-70.
[5] 朱懿恒,廖雲粵.基於社會效益與經濟效益的大型醫療設備成本效益分析[J].中國醫學裝備,2017,(5):38-40.
[6] 汪長嶺,沈華強,黃亞萍,等.建立醫療設備效益評價體系的探討[J].中國醫療設備,2019,34(12):127-130.
[7] 陶琳.大型醫用設備配置合理性評價指標體系研究[J].中國醫療設備,2008,23(6):1-4.
[8] 吉利俠.大型醫用設備配置綜合評價體系的構建[J].中華醫院管理雜誌,2012,28(1):47-50.
[9] 吳文忠,嚴郁,馬靖武.醫療設備預算的編制實踐與思考[J].中國醫療設備,2017,32(5):166-168.
[10] 高虹,繆建成,耿向南,等.醫療設備單機成本績效分析中資料獲取相關因素考量[J].中國醫療設備,2016,31(9):132-135.
[11] 徐玉紅.醫改新常態下公立醫院財務精細化管理研究[J].當代會計,2017,(4):57-58.
[12] 孔德友,劉肖肖,宋振華,等.基於多科室協作的醫療設備年度預算管理方法的研究[J].中國醫療設備,2017,32(10):162-165.
[13] 王芳.從某醫院大型醫療設備效益分析看設備資源配置[J].醫療衛生裝備,2014,35(3):129-131.
[14] 丁然,王克英,張鉑,等.效益雙平衡模型在醫療設備購置決策分析中的應用研究[J].中國醫學裝備,2019,16(5):33-36.
[15] 趙海龍,張丹丹,黃松,等.基於皮爾遜相關係數的海南省地閃密度與雷擊故障關係分析[J].高壓電器,2019,55(8):186-192.
[16] 胡菊華.基於殘差分析的線性回歸模型的診斷與修正[J/OL].統計與決策,2019,(24):5-8.
[17] 杜振偉,張和華,吳旋,等.基於效益-效果評價的大型醫療設備成本效益分析[J].中國醫療設備,2015,30(2):114-116.