张文涛 许冰心 孙 鹏 王 进 申铜倩△

某三甲综合医院2004-2013年门诊量变化趋势预测分析

张文涛1许冰心2孙 鹏3王 进1申铜倩1△

目的 探讨某医院门诊量季节分布变化规律，制定合理工作计划，优化资源配置。方法 2004年至2013年某医院月门诊量拟合ARIMA（1，1，0）×（0，1，0）12模型，分析门诊量年度、月度变化规律，并作出短期预测。结果 门诊量呈逐年上升趋势，且门诊量变化有明显的季节波动性和周期性。结论 采用ARIMA模型预测医院门诊量操作简单，模型拟合和预测效果较好，是值得推广的医院门诊量的短期预测工具。

门诊量 ARIMA模型 季节分布 预测 医院管理

门诊日常医疗服务工作具有点多线长面广，涉及科室多的特点，门诊量在很大程度上反映医院的规模、医疗技术水平、门诊管理水平以及患者对医院的信任程度［1］。门诊量分析是门诊医疗服务流程管理的起点，研究某综合性医院月门诊量的变化规律，预测其变化趋势，充分利用医疗资源，为患者提供及时有效的诊疗，提高社会效益，为医院管理决策提供依据。本文通过对某综合性医院2004年1月-2013年12的门诊量的深入分析，了解其变化规律，据此制定合理的工作计划，优化资源配置。

资料与方法

1.资料来源

某医院2004年1月-2013年12月门诊量数据来源于医院信息科。由于公费医疗门诊量比较稳定，所以本次分析中门诊量是不包含公费医疗就诊量。

2.建模过程

以某医院2003年1月到2013年12月每月门诊量统计数据建立数据库，应用SAS9.2软件建立ARIMA（p，d，q）（P，D，Q）S模型，进行时间序列分析。

（1）序列特征及平稳性：应用时间序列图及自相关函数图、偏自相关函数图初步识别序列特征（趋势性、季节性）［2］，采用 ADF检验序列平稳性。若序列平稳则进行平稳时间序列分析。

（2）序列平稳化：对于非平稳序列，结合序列特征，采用合适的数据预处理方法，包括数据转化、普通差分、季节差分等。

（3）模型的识别与定阶：采用自相关系数、偏自相关系数进行模型的识别与定阶，自相关函数拖尾，偏自相关函数p阶截尾，则为AR（p）模型；自相关函数q阶截尾，偏自相关函数拖尾，则为MA（q）模型；自相关函数拖尾，偏自相关函数拖尾，则为ARMA（p，q）［3-4］。根据序列特征建立所有可能模型比较分析，以AIC准则、BIC准则或者SBC准则为依据，选择相对最优模型。SAS软件identify命令中的minic选项可以根据BIC准则进行最优模型的自动筛选［5］。

（4）拟合优度检验：创建ARIMA模型后，若残差序列呈白噪声，则认为所建模型具有统计学意义。

（5）SAS软件操作。identify语句读入时间序列，可以对序列进行差分，然后计算出自相关系数、偏自相关系数；使用estimate语句来指定ARIMA模型区拟合在前面identify语句中指定的变量并且估计该模型的参数，estimate语句也会产生诊断统计量从而帮助判断模型的适用性；使用forecast语句预测时间序列的未来值，并对来自前面estimate语句生成的ARIMA模型的预测值产生置信区间［6］。

结 果

1.对总门诊量采用时间序列分析

利用某医院2004年1月-2013年12月度门诊量数据建立数据库，拟合ARIMA模型，并做短期预测，评价预测精度。

（1）时序图

某医院门诊量绘制如图1，发现门诊量呈现季节性，每年5-6月和10-12月出现高峰期，1-2月为低谷期。门诊量总体呈现上升的趋势，尤其2008年和2010年。近两年来门诊量维持在较为稳定的水平。

（2）序列的预处理

本文采用1阶差分消除趋势性，步长为12的差分方法消除季节性使序列平稳化，如图2。对预处理后的序列进行ADF检验，p＜0.05，说明序列已经平稳化，可以进行平稳序列的时间序列分析。

（3）模型的识别、定阶与参数估计

根据序列自相关，偏自相关函数建立所有可能模型比较分析，以AIC准则、BIC准则或者SBC准则为依据，选择相对最优模型。本文采用SAS9.2软件自动筛选建立相对最优模型 ARIMA（1，1，0）×（0，1，0）12。模型中参数 AR（1）估计值为-0.43，标准误为0.09，t＝-4.88，p＜0.05，模型表示为（1+0．43B）（1-B12）Xt＝εt。

图1 2004年1月-2013年12月某医院门诊量时序图

图2 某医院门诊量差分后序列图

（4）模型拟合优度检验及预测

建立模型后，对残差进行自相关性检验，延迟各阶LB统计量所对应p值均大于0.05，所拟合模型合适。本文采用所拟合模型进行短期预测，即预测2014年1-3月门诊量，与实际门诊量比较，并对其预测精度做出评价，见表1。

表1 2014年1-3月某医院门诊量预测结果

拟合效果如图3所示，其中“*”表示实际门诊量，曲线是其预测值及其95%可信区间。

图3 模型拟合效果图

2.重点科室门诊量分析

老人、孕产妇和儿童是我们应该重点关注人群，为此选取内科、妇产科、儿科和门诊量波动较大的急诊科进行分析，初步探讨其发展规律和影响因素。

（1）妇产科门诊量变化趋势分析

妇产科门诊量逐年增长；每年门诊量有相同的变化趋势，2月就诊人数最少，其他月份基本均匀分布；2013年门诊量几乎均明显高于以往同期月份。

（2）儿科门诊量变化趋势分析

随着新生儿数量的增加，儿科门诊量相应的增加。2008年增长迅速，而后到2013年底基本维持在稳定状态。儿科门诊就诊高峰主要出现在冬季。

（3）内科门诊就诊量分析

内科门诊就诊量有逐年上升的趋势，2010年就诊人次达到67398。除了2月份就诊人数普遍少之外，各月就诊量基本相当。

（4）急诊科门诊量变化趋势分析

急诊科门诊量变化情况比较复杂，容易受到多种因素的影响，无明显的规律可循。总体呈现上升趋势，至2008年基本维持稳定，2013年剧烈下降。2013年急诊门诊量明显低于往年同期月份，4月份出现一个高峰期。

结论与讨论

ARIMA模型预测实际就是根据所有已知的历史数据和信息对序列未来某个时期的发展水平做出评估。它会随着预测时间的延长，预测误差会越来越大。但总体来说，与其他方法相比，该方法具有较高的预测准确性，尤其是短期预测。序列的长度对预测精度的影响尤为重要，一般选取序列长度不低于10。在利用ARIMA模型做预测的过程中要不断地把新信息加入到旧信息中，重新拟合模型，做出预测，以提高精度，即预测的修正［7］。医院门诊人次的变动是社会众多因素综合作用的结果，本文在选择模型和构建模型的过程中，没有考虑多因素回归预测方法或多元时间序列分析的应用，这也是需要进一步研究的内容。

随着生活条件的改善，人们的保健意识增强，及时就医和定期体检越来越普遍，由于“新农合”的普及和保险的增加方便了农村人口到大医院就医［8］。1、2月份恰逢我国传统节日元旦、春节，如不是重症、急诊，一般会避免节日期间就诊；患者心理感觉，节假日医院专家及检查条件不如平常，一些检查、化验等项目有可能无法进行，有避讳节假日去门诊的心理。5-6月份，10-12月份，气候冷暖交替，为心脑血管疾病、呼吸系统疾病及传染病高发期；随着生活及医疗保障水平的提高，中国人平均寿命普遍增加，加之中国提前进入老龄化社会，老龄人口比例明显增加［9］，老年人慢性疾病容易在此季节急性发作，本医院心脑血管疾病为特殊专科，致使高峰期门诊、急诊量明显增多，导致留观难、住院难的现象。

2013年医院总体门诊量偏低及急诊科门诊量下降与医院2013年进行门诊装修有很大关系。4月份的高峰期主要是由于周边医院评审，急诊容纳量有限所致。急诊量是最容易受到各方面影响的科室，其波动性很大。自2008年开始妇产科门诊量增长迅速，除了与医院诊疗技术提高之外还与国家政策有关，特别是“单独”放开生育二胎后，妇产科就诊量明显增多。相应地，儿科就诊量增多，特别是冬季，因山东天气干旱少雨，寒冷多变，小儿容易感冒发烧。2010年内科门诊就诊量居高不下主要是与沙尘暴天气有关，呼吸系统疾病就诊量增多。气候变化是影响病人健康的重要因素之一，收集更多的气候因素，如气温、降雨量、湿度、日照时间、空气污染程度，纳入分析将会得到更全面的结果，这是我们进一步研究的方向。

对此，医院应合理配置医疗资源，使它和门诊量的波动相协调。在门诊高峰期各科室尽可能多安排门诊人员，尤其要增加名医专家的坐诊人数，发挥专科专家优势，增加高水平医师在门诊工作中的配置，提高门诊诊疗质量。在门诊低谷期可以安排医务人员休假，业务学习，进修、培训等活动。

提供方便的就医环境，门诊人次总量逐年增加，尤其是单独二胎政策的放开，妇产科门诊量增加较大；随着老龄人口的增加，急诊科门诊量也有明显增加，高峰季节特别明显。此时，看病拥挤和排队的时间延长问题突显出来。医院一方面应增加门诊窗口，加强门诊咨询导诊和多种便民服务工作；另一方面优化门诊看病流程，进行流程再造，利用智慧医疗，通过预约挂号，自助系统等信息化手段，减少患者及医师的不必要重复工作，将更多的时间还给患者，减少患者的就医繁琐流程［10］，改善就医感受。

［1］孙聪，牟海娟，张诗琴，等.烟台市传染病医院.2006-2011年门诊量集结变动分析，中国医院统计，2012，19（4）：252-254.

［2］周晓晓，孙琳，周哲颖.使用Eviews软件对精神卫生门诊人次进行ARIMA模型预测.中国卫生统计，2011，28（6）：687-688.

［3］彭志行，陶红，贾成梅，等.时间序列分析在麻疹疫情预测中的应用研究.中国卫生统计，2010，27（5）：459-463.

［4］申铜倩，刘文东，胡建利，等.X-11-ARIMA过程在痢疾疫情预测中的应用研究.中国卫生统计，2014，31（3）：395-398.

［5］王燕.应用时间序列分析.第2版.北京 ：中国人民大学出版社，2009.

［6］SAS Institute Inc..SAS／ETS（R）9.2 User′s Guide.USA，2007.

［7］王玖，韩春蕾，栾奕昭。组合预测在医院门诊量预测中的应用，中国卫生统计，2012，29（6）：881-883.

［8］于晓娟，张发民，张秀云，等.门诊诊疗人次季节变化及总体趋势动态分析.中国卫生统计，2013，30（2）：283-284.

［9］卫生部慢性非传染性疾病综合防治社区示范点专家指导组.我国慢性非传染性疾病综合防治社区示范点工作总结报告（一）—工作思路、工作目标和实施发展.中国慢性病预防与控制.2002，10（1）：29-31.

［10］程华玲.2008-2012年医院门诊量季节变化的分析.中国医药指南，2014，12（4）：257-258.

1.济南市第四人民医院医务科（250031）

2.济南市第四人民医院信息科（250031）

3.济南市中医医院办公室（250012）

△通信作者：申铜倩，E-mail：shen_tq2010＠sina.cn

刘 壮）