精神疾病患者经济负担分析及预测^*

范 馨 月^1,2

(1.贵州大学 贵州省公共大数据重点实验室, 贵州 贵阳 550025；2.贵州大学 数学与统计学院，贵州 贵阳 550025)

摘 要 对某精神疾病的专科医院患者数量及费用进行分析，采用径向基函数(RBF)神经网络模型对精神疾病患者的看病费用进行拟合及预测，并比较该预测模型与BP神经网络的预测效果.将贵州省某精神类疾病的专科医院2015年1月-2016年12月医院HIS系统中的病人处方数据作为训练集，建立BP模型、RBF神经网络模型.分别对2017年1月1日-2017年1月16日病人用以精神类疾病看病费用情况进行预测.RBF神经网络模型均能够较好地拟合和预测精神类疾病患者看病费用，可以为医院管理者了解本院精神病患者看病费用的变化趋势提供依据，为制定精神病患者疾病负担的相关政策提供数据支撑.

关键词 精神疾病；统计分析；RBF神经网络

1 引 言

随着生活节奏日益加快，现代人的精神压力日剧增，频繁出现各种各样的精神心理问题.精神疾病和精神卫生问题成为全球性的重大公共卫生问题，也是较为严重的社会问题^[1].目前全球约有4.5亿人受到精神疾病的困扰，中国疾病预防控制中心精神卫生中心于2009年公布我国各类精神疾病患者人数在1亿人以上.每13个人当中就有1人有某种程度的精神问题^[2].世界卫生组织预测，到2020年中国精神疾病的负担将占疾病总负担的四分之一以上^[3].国内的调查显示，精神疾病的患病率在不同地区之间存在很大差异.此外，还有研究表明，癌症和精神疾病有着密切的相关性，癌症患者在诊断、治疗、恢复、死亡等阶段均可出现心理危机，其中焦虑和抑郁性障碍比例高达70%左右^[4].

本文基于贵州省某精神病专科医院的HIS系统数据，对精神疾病患者情况进行了统计分析，并利用2015年1月1日-2017年1月16日精神病患者数据构建神经网络模型，对该院精神病人看病费用数据进行预测，并比较模型的预测效果，提高监控效率.为了解当地精神类疾病类型和人数提供数据支撑，为积极开展社区防治，规范精神疾病患者管理提供科学依据.

她隐隐约约听到一两句，头不由自主地侧了侧，耳朵本能地去捕捉那些声音。其实，不听也能知道她们要说什么。她拉回了自己的耳朵和头，斩钉截铁地向前走，她要把那些闲言碎语用高跟鞋的脆响掐断。

2 材料与方法

2.1 材料来源

数据来源于贵州省某精神疾病专科医院管理系统，2015年1月-2017年1月共747天在研究医院的开方监测数据.包含患者的ID，开方类别，开方时间、费用、疾病类型等信息.

1.2 研究内容

对贵州省某精神疾病专科医院的HIS系统中2015年1月-2016年12月门诊患者监测数据进行分析，在SQL Server 2012中进行数据整理与清洗.对精神疾病类型进行分类和统计，建立基于精神类疾病患者看病费用的BP神经网络和RBF神经网络模型并比较拟合效果.利用RBF神经网络模型预测2017年1月1日-16日精神类疾病患者看病费用.

2.3 统计方法

本研究在SQL Server 2012中进行统计分析，对疾病类型和人数进行统计.建立RBF神经网络建模.运用Matlab 2017a软件，以2015年1月-2016年12月该精神疾病专科医院开方数据作为训练样本建立BP神经网络和RBF神经网络拟合模型，并利用RBF神经网络预测2017年1月1日-16日医院精神疾病患者看病费用.

2.4 预测方法

RBF神经网络模型构建的主要过程分为六步:①输出该精神疾病专科医院开方原始数据观测趋势；②采用t -1,…,t -N 的数据作为神经网络的输入，t 时刻的数据作为神经网络的输出，生成神经网络的输入与输出及待识别的输入与输出；③构建RBF神经网络，并定义网格的相关参数；④调整隐含层单元数和单元中心，用Gauss函数计算隐含层权值，获得隐含层输出；⑤计算训练误差并判断是否小于给定目标，利用最小二乘法调整权值；⑥利用RBF神经网络进行预测(最大神经元个数不宜过大，神经网络误差不宜过小，否则容易过拟合.扩展速度不宜过小，否则影响神经网络的平滑性)；BP神经网络模型构建的主要过程第4步则是根据原始数据确定隐含层单元数,用Sigmoid函数计算隐含层权值，获得隐含层输出.

径向基函数(RBF, Radial Basis Function)神经网络是一类非常重要的神经网络，具有结构简单、收敛速度快、逼近能力强、网络结构易于调整的优点，其在神经网络的应用广泛程度仅次于BP神经网络^[5].RBF神经网络与BP神经网络同为前向型网络.对于BP网络，已经证明了三层网络结构能够逼近任意连续函数，而RBF神经网络能以任意精度逼近任意非线连续函数.到目前为止，已经提出了许多种RBF网络的训练算法，RBF神经网络的优良特性使其成为替代BP网络的另一种神经网络，越来越广泛地应用于各个领域^[6].

RBF神经网络结构由三层组成，第一层为输入层，由信号源节点组成；第二层为隐含层，采用RBF神经元的转换函数对输入结点数据进行非线性变换.第三层是输出层，采用Purelin作为神经元的转换函数对隐含层的输出进行线性变换，产生网络的最终输出结果，其网络结构如图1^[5].需要求解的参数有三个：基函数的中心、方差以及隐含层到输出层的权值.

图1 RBF神经网络结构

本文旨在利用近红外光谱法建立判别雷公藤去皮减毒工艺水平的一致性检验模型和相关系数模型，方便厂家及监管部门对其生产投料和药材市场监管进行有效管控。

采用BP神经网络和RBF神经网络模型(见图3)对2015年1月1日-2016年12月31日该精神疾病专科医院精神疾病患者看病费用进行拟合，取最大神经元个数为500个，扩展速度为2，误差为0.00001.

通过看病科室的统计分析，精神疾病主要有以下几类：睡眠障碍、精神分裂症、抑郁症、焦虑障碍、强迫症、阿尔茨海默症、精神障碍、分裂情感性精神病、心境障碍等，有的患者同时患有以上疾病的几种.下面对观测期间病人看病数据进行统计分析.

(1)

其中p 为隐单元数.

2.4.2 建模步骤

2.4.1 RBF神经网络模型

3 结 果

3.1 精神疾病患者看病金额日分布特点

2015年1月-2017年1月16日该精神疾病专科医院患者数106943人，其中精神疾病患者共计49266人，占医院看病人数的46.07%.每日处方费用见表1.

表1 2015年1月1日至2017年1月16日该精神疾病专科医院患者看病金额 元

注：占比=日精神疾病患者看病费用/同日该患者总看病费用．

但中国不一样，中国书画尤其不一样，中国书画的传统是要讲“师出有门”“师出名门”，“正宗”“正派”“正脉”是中国书画传承有序的要义。作品是书画家的本，思想观念与方法技艺最终要还原为作品，学生作品像老师不仅在于形，也在于气，在于韵，在于神。

表2 精神病种类与看病费用的关系

绘制该院精神疾病看病患者2015年1月-2017年1月16日费用时序图如图2所示，精神疾病患者看病人数在9月至12月明显高于其他时段，费用也有一定幅度的增加.

图2 该精神病专科医院精神疾病患者
看病费用时序图

3.2 模型建立与识别

其中x =[x ₁,x ₂,…,x _N ]^T为输入向量，c _i =[c _1i ,c _2i ,…,c _Ni ]^T为第i 个非线性变换单元的中心向量，i =1,…,M ，M 为输出维数，δ _i 为第i 个非线性变换单元的宽度.‖·‖表示向量的2范数，g (·)取Gauss函数，即g (x )=e^(x-c )²/δ ².输出层将来自外部的数据映射到隐含层，输入层与隐含层实现神经网络的非线性映射.由于隐含层里包含径向对称的RBF函数，隐含层提供给输出层的数据在RBF函数作用后才输出.由于Gauss径向基函数自身具有特殊的性质，使其能对输入变量某一范围具有选择性的反应能力，从而实现RBF神经网络的局部协调能力.选择输出层作用函数是线性加权求和函数，输出为：

图3 两种神经网络分别拟合医院精神病患者看病费用

从图3可以看出，RBF神经网络能够较好地拟合实际值，对其利用三类误差指标进行评价分析：实际值与预测值平均绝对误差百分比(MAPE)：

温州古代水利工程“下陡门”遗址已有1100年的历史，闸墩上镌刻的“开平闸”三个古汉字为“永嘉水则”，即我国古代水则发展史上的 “平字水则”，代表了自水位观测到水位刻录再到综合水利调度运用的历史进程。

相对误差绝对值的平均值(MRE )，

均方根误差(RSE )：

输出层输出为

由图3和表3可以看出，RBF神经网络模型能较好地拟合2015年1月-2016年12月该精神病专科医院精神疾病患者看病费用，平均绝对误差为-1.5313×10^-14%,均方根误差为547.07，对原始数据的拟合效果优于BP神经网络.

表3 两种神经网络对医院精神病患者 看病费用拟合误差比较

3.3 模型诊断

将该专科医院2017年1月1日-16日精神病患者看病费用作为验证集，采用本文建立的RBF神经网络模型对该省级精神病专科医院2017年1月1日-16日精神病患者看病费用作预测，比较实际值和预测值的误差，预测相对误差见表4.

（3）关于提供必需的施工材料。从目前来看，水利施工必需的各类施工材料通常应当包含水泥、混凝土骨料、钢材与其他施工材料。在这其中，混凝土骨料应当构成水利施工监控的要点。具体而言，投标人有必要承担全面运送混凝土骨料的相关操作，并且限定于7千米以内的最大运输距离。除此以外，关于现场施工还需配备粉煤灰、岩石炸药、砂石骨料与其他各类施工材料。依照目前现存的采购材料标准，对于上述各类材料都应当将其置于全方位的施工控制视角下，并且给出可行性较强的材料采购管理以及其他管理措施。

表4 RBF神经网络对该专科医院精神病患者看病费用预测相对误差

4 结 论

从49266例精神病患者种类可以看出，排名前三位的疾病依次为抑郁症、精神障碍、精神分裂症，在门诊看病患者中占83.09%，抑郁症有上升趋势，精神分裂症呈下降趋势.医疗费用近期呈现上升趋势，2015年1月精神病患者看病人数4288人，平均看病费用达到581.58元，2016年同期5301患者平均门诊看病费用564.54元，有所下降.这与新医改强调适度调整医疗技术服务价格，同时，人们也越来越重视行为治疗、娱乐治疗、心理治疗及各方面的疏导，以减轻患者的种种障碍.相比之下，药物治疗的费用会有所下降.

由图1可知，在刚接种鲁氏酵母时，测其吸光度值为0，说明此时鲁氏酵母还未生长；在培养时间为0～48 h时，随着培养时间的增加，测得的鲁氏酵母的吸光度值越来越大，直到培养48 h时吸光度值最大；在培养36～72 h时，吸光度值在0.6～0.9，而此时的生长曲线呈对数增长，说明鲁氏酵母菌在此时生长最旺盛。

精神病患者作为一类特殊人群，病程长并且会反复发作.精神疾病一方面作为一个医学问题，需要从生理医学方面寻求解决方案；另一方面作为一个与社会环境关系密切的问题，需要从社会学方面采取防治措施^[7].建立合适的预测模型，准确预测区域精神疾病的发生量，可以为医院管理者了解本院精神病患者看病费用的变化趋势提供依据，为掌握医院医疗质量及精神病患者看病费用上涨或下降趋势、制定精神病患者疾病负担的相关政策提供依据，同时对维护社会稳定也有一定的促进作用.

1.2.2 研究区植被覆盖度分类体系划分。植被覆盖度是全球及区域性气候数值模型中的重要参数，是描述生态系统的重要基础数据，可揭示地表植被动态变化趋势，对进行区域生态环境评价具有重要意义[14]。该研究的研究区植被覆盖度划分参考相关研究分类成果[14]，结合乌伦古河流域实地勘察，将研究区植被覆盖度分为4种类型(表1)。

参考文献

[1] 李向青,杜敏霞,李荣. 2005-2012年中国精神疾病死亡率的流行病学分析[J]. 现代预防医学, 2015,42(1):4-7.

[2] 李妍. 我们的病人——中国精神病患者报告[J]. 中国经济周刊, 2011,7(28):24-37.

[3] DESJARLAIS, ROBERT R. World mental health [M]. New York: Oxford University Press, 1996.

[4] 贾韵博,张阳,韩芳. 癌症相关基因与精神疾病的关联[J]. 现代肿瘤学, 2017,25(21):3527-3530.

[5] 周志华, 机器学习[M], 北京: 清华大学出版社, 2016.

[6] 邓捷, 陆百川, 刘权富,等.基于RBF神经网络的交通生成预测模型[J]. 武汉理工大学学报(信息与管理工程版),2014,36(1):43-47.

[7] 陈霞, 王江涛, 杜妍,等. 2010-2013年某三甲医院精神疾病患者流行病调查研究[J]. 国际精神病学杂志, 2015,42(3):46-48.

Analysis and Prediction of Economic Burden of Mental Patients

FAN Xinyue^1,2

(1.Guizhou Provincial Key Laboratory of Public Big Data,Guizhou University,Guiyang， Guizhou 550025，China; 2.School of Mathematics and Statistics, Guizhou University, Guiyang，Guizhou 550025,China)

Abstract The number and cost of patients in a specialist hospital of a mental disease were analyzed. The radial basis function (RBF) neural network model was used to fit and predict the cost of the patients with mental illness, and the prediction results of the prediction model and the BP neural network were compared. The patients' prescription data in the hospital HIS system of a psychiatric hospital of Guizhou province from January 2015 to December 2016 were used as the training set, and the BP model and RBF neural network model were established. The patients' mental illness expenses were predicted from January 1 to 16, 2017. The RBF neural network model can better fit and predict the cost of patients with mental disease. It can provide the basis for the hospital managers to understand the change trend of the hospital psychiatric patients' medical expenses, and provide data support for the related policies of the disease burden of mental patients.

Key words mental illness; statistical analysis; RBF neural network

中图分类号 F224．9

文献标识码 A

^*收稿日期： 2018-09-11基金项目： 贵州省大数据重点实验室开放课题(2017BDKFJJ012)；贵州大学省级本科教学工程项目(2017520015)；贵州大学博士

基金项目( 贵大人基合字2012(015)号)；贵州大学"本科教学工程"建设项目(JG201723)

作者简介： 范馨月(1984—)，女，贵州贵阳人，博士，副教授E-mail:fan.xinyue@163.com

标签：精神疾病论文;  统计分析论文;  rbf神经网络论文;  贵州大学贵州省公共大数据重点实验室论文;  贵州大学数学与统计学院论文;