衡婉琼 陈 星

(南充市中心医院,四川 南充637000)

1 概述

随着国家对公立医院试点改革的逐步深入,大型三甲医院对信息化物资管理系统的要求越来越高。在医疗物资管理系统中,与高价值耗材的“先售后买,零库存”管理模式相比较,低价值耗材使用频率高,种类很多,需求量大。为了维持医院临床正常的诊断和治疗,医院必须要保持一定数量的库存[1-2]。同时,又要从医院要节省医疗成本的角度出发,应优化医疗物资库存余量,减少医院资金积压,加快低价医疗耗材的流通周期,并提高了医疗物资存储空间的利用率。鉴于低值医疗耗材在我市大多数医院还是使用传统的广泛管理方法。在制定低值耗材库存和采购计划时,他们仅仅根据经验或以前的数据提出采购需求,这样会导致许多问题,例如低值耗材库存有的品种库存过多,有的采购频率又过高或某些物资又短缺。因此,建立科学的预测模型管理系统尤为重要[3]。

1.1 核心模型。医疗低价值易耗品的消耗受许多因素影响,例如患者总数、手术数量、门诊人数、库存、季节、等。考虑到医疗低值耗材模型的高复杂性,为保证医疗低值耗材预测模型的准确性,本研究采用组合预测方法。在组合预测建模过程中,有必要在连续测试实践中选择有影响力的单个预测结果。在此过程中,可以使用包含测试理论来确定可以添加哪些单个预测模型,以及可以消除哪些单个预测模型。根据主流的单一预测方法,该项目涉及的两种预测方法是回归预测和时间序列预测。

回归预测是回归方程的重要应用。所谓预测是估计值将落入给定值的范围。令变量具有线性关系,并且线性回归方程的拟合度良好,是自变量和因变量。由于不是确定性关系,因此无法准确获取任意变量的对应值,这是一种基于变量之间的相关性或因果关系的预测方法。回归预测的研究量通常可以用一个或多个变量来解释,实际变量和研究量在时间上是平行的,时间变量和因子变量可以直接影响回归预测的结果。

回归预测方法有很多类型。根据相关性中自变量数量的不同分类,可以分为单回归分析和多元回归分析。单变量回归分析中只有一个自变量,但多变量回归分析中有两个以上的自变量。根据自变量和因变量之间的相关性不同,可将其分为线性回归预测和非线性回归预测。

时间序列预测方法实际上是一种回归预测方法,属于定量预测,基本原理是:一方面,它认识到事物发展的连续性,利用过去的时间序列数据进行统计分析,并推断事物的发展趋势。另一方面,它充分考虑了偶然因素引起的随机性,并且为了消除随机波动的影响,它使用时间序列方法对历史数据进行统计分析,并对数据进行适当的处理,趋势预测。时间序列预测的具体方法包括时间序列分解,指数平滑,灰度预测等。

在低价值消耗品的消费中,许多都有明显的趋势。例如,手术室通常在年初开始连续更换外科手术设备,导致组织剪刀,止血钳,持针钳,布巾钳和其他消耗品的消耗量逐月减少。随着门诊病人数量的增加,口服消耗品全年呈增长趋势,通风管道消耗品可能是由于季节性呼吸系统疾病引起的。周期性变化或流感季节不规则导致输液器使用量激增。回归预测或灰色预测可用于消耗量明显增加或减少的消耗品[4-6]。对于周期性变化,可以使用移动平均法来处理数据以抵消周期性波动。对于波动范围较大的耗材,应分析数据的固定值。例如,使用固定时间。有AR 模型和MA模型。如果数据不稳定,则可以使用ARIMA模型或GARCH 模型。

1.2 组合模型构建。构建模型后是否将单个模型添加到投资组合模型中,需要通过包含测试来评估。多种竞争模型的比较是评估的主要方法。包含测试的核心思想是确定投资组合模型中是否包含其他模型的关键因素,以确定单个模型的数量。包含测试可以用公式(1)表示

1.3 权重修改。单项模型的影响程度可以用权重修订,如果每个模型影响力相近,可使用等权重法,即每个模型赋予同样的加权值,等权重法可用公式(2)表达:

如果利用k 种单项模型预测同一品种耗材n 期用量,其优化模型可通过以下表达:

1.4 误差分析。构建组合模型后,需要对结果进行评估,可以将其分为以下三种评估方法:

平均绝对误差(MAE)

如果将观测数据和平均绝对误差的算术平均值之间的差更改为绝对值,并且等式是第一个实验数据和算术平均值之间的差,则两者之间的差不会彼此抵消。

平均相对误差(MPE)和平均相对误差绝对值(MSPE)可以正负抵消,在对误差进行分析:

当在允许操作的条件下使用MSE 时,当预测值和预测值之间的误差方差最小时,预测值的波动范围很小。

2 模型构建

2.1 平稳性检验。时间序列呈现出周期性的变化,从图1 所示,每年的低点在4 和10 月,有明显的周期性、反复性,通过相关数据分析,这种变化规律与医院每月就诊人数成正相关,每月就诊人数所在月受节假日等影响。自相关图和偏自相关图均未快速趋近于零,这说明观测序列不平稳,需要对观测序列进行差分。本次采用单位根检验的方法对一阶差分序列进行平稳性检验。单位根检验对应的P＜0.05,说明一阶差分序列为平稳序列。

2.2 模型定阶。对一阶差分之后的平稳非白噪声序列多次拟合ARIMA(p,d,q)模型,确定p、q 参数。本文采用BIC 信息准则进行模型定阶。多次拟合ARIMA(p,d,q)模型,得到最小的BIC 值,从而得到最优模型。

2.3 模型校验。以某三甲医院2017 年1 月～2017 年6 月为例,每月使用的实际数据为验证集。将预测得到的数值同实际值进行对比,观测到模型平均绝对误差为8.58%,预测得到的数值同实际值还是接近的,模型的预测效果,在实际运用可以接受的范围之内,能够较好的反映出低值耗材月使用量随时间的变化规律,可以采用此模型进行预测。

2.4 模型应用。在上述模型构建完成后,实现对医用低值耗材的需求量预测,其模型应用过程,见图1。

图1

(1)从医院物资管理系统中定期抽取医用低值耗材逐类逐月数据。(2)对定时抽取的数据进行数据预处理操作。(3)将预处理后的定期数据存放到模型的初始数据中,获得模型的输入数据,调用模型对医用低值耗材逐类逐月数据进行预测,预测后5 个月的使用量。

如图2 所示,根据预测数据,系统会自动生成采购量,医院对低值耗材库存进行决策,合理制定采购计划。如无达到预警,则无需制定计划,当库存消耗达到预警值时,则按模型计划采购,从而提高了工作效率。对于医院管理人员来说,该应用程序可以根据预测的需求值计算耗材成本,并为每个部门的预算批准提供可靠的依据；对于制造商和供应商而言,可以根据预测值制定更合理的生产和库存计划,不仅可以减少库存的积压成本,还可以减少因应急备货而产生的额外生产成本,从而降低成本有效改善医疗低价耗材供应链的管理[7]。

图2

3 讨论

3.1 结合医疗低价值消耗品的历史消费量,住院人数,专科病例数等因素,建立组合模型。考虑到季节,订单周期和紧急情况的影响,将观察时间延长至两年以提高预测值的准确性。考虑到涉及的数据量大和分析工作量大,这是第一次使用工作站构建基于信息化平面数据库的预测模型,通过Web 服务接口存储数据库,实现算法统计并实现预测功能。

3.2 这项研究首次将医院的多部门数据结合在一起,将预测模型与大数据系统结合起来,从定性和定量两个方面选择并整合该模型,并对低价值消耗品的数据进行跟踪和分析。验证模型的鲁棒性并使模型预测更准确。该研究有利于医院数据集成和开发能力的提高。

3.3 研究中使用的组合模型比一般预测更为准确。根据不同低值易耗品的特点,选择了多种单一预测模型,并建立了权变组合预测模型。组合模型的权重由“相对误差的最小二乘和”确定,以减少误差,提高组合预测模型的有效性。

4 结论

低价值易耗品的预测模型基于过去事物发展和变化的客观过程和规律,参考已经产生和正在产生的各种影响数据,并使用现代管理,数学和统计方法来进行预测。对消耗品的可能趋势和价值进行科学推测。由于信息管理水平低,大数据的挖掘,开发和使用仍处于探索阶段。目前,我市大多数医院仍然采用广泛的方法来管理低价值的消耗品。他们仅根据经验或以前的数据提出采购需求,库存和采购计划,从而导致积压,频繁采购或材料短缺。因此,建立科学库存管理的预测模型尤为重要和紧迫。