段然 肖天辉

（河北省承德医学院附属医院，河北承德 067000）

近几年来，我国的医院数量在逐年增加，同时，三甲医院的医疗技术也在逐步提升，这主要是因为我国的基础医疗设施结构在不断地完善发展。但是在这样的高速发展下，仍然存在部分的缺陷和问题。

目前阶段，三甲医院灾害发生率以及致死率渐渐提升，这对于我国的医疗事业迈入新的台阶产生了极为重大的影响，所以，需要对三甲医院的相关灾害作出精准的预测，并在灾害发生之前，做好相应的防护措施，尽量避免或者减少人员伤亡和经济损失[1]。通常情况下，建设医院的位置会确定在相对安全的内陆地区，这就极大地减少了部分灾害的发生和影响，所以，医院的灾害多数以地震灾害为主。这种灾害实际上具有一定的随机性和不稳定性，同时形成条件也较为复杂，不易监测和控制，诱发原因也无规律。

传统的医院灾害预测方法大致是采用数据维稳的方式来进行的，通过日常监测数据的对比分析，来获取灾害发生的几率，但是这种方式存在一定的延时性，不能及时地作出应对，容易造成预测脱节的现象[2]。所以，需要建立更加灵活多变的预测方法，从多角度、多层次、多结构上去获取相关的数据信息，并将其细化、讨论，再结合实际的情况，得出较为全面、科学的预测结果，并依据结果制定出维稳的执行方案。RS-BP 神经网络技术是目前应用较为广泛的一项数字化管控技术，主要是通过大数据以及互联网平台软件的辅助，建立三维影像模型，利用所制造的模型来解决相关的问题，以避免在实际的操作过程中出现失控的情况。除此之外，RS-BP 神经网络技术还可以远距离精准预测灾害，对比于传统的方法，检测预测的范围更大，层次更多，结构更加完整[3]。因此，对基于RS-BP 神经网络的三甲医院灾害脆弱性预测方法进行设计，变更传统的预测结构和内容，结合智能化技术，提升我国的综合监管预测水平，增加医院的安全性，降低脆弱条件。

1 三甲医院灾害脆弱性预测方法设计

1.1 进行灾害三维数据预处理

在对三甲医院灾害脆弱性预测方法进行设计之前，需要对日常医院的数据信息进行三维预处理。一般情况下，需要先采用位移监测仪获取医院附近的环境数据，并对周围的地质环境作出数字化三维扫描，建立三维实体的预测处理模型。将获取的数据信息汇总整合，同时形成关联性分析报告，此项报告主要是对医院周围可能产生、引发灾害的外部影响因素归纳总结，并筛选出最关键的一部分，进行重点的关注、监测。但是需要注意的是，位移监测仪在获取数据的过程中由于温度、风向、土质等外部因素的影响，可能会出现一定的误差，同时也会出现数据的采集与传输不稳定的状态出现，所以，需要利用BIM信息处理技术，建立辅助建模，计算建模的维稳函数，如下公式（1）所示：

公式（1）中：J 表示建模的设计维稳函数，δ 表示位移偏差数值，通过以上计算，最终可以得出实际的维稳函数。将维稳函数作为预处理的动态标准，具体如下表1 所示。

表1 预处理维稳标准表

根据表1 中的数据信息，进行维稳标准的精度设定。完成之后，为确保预处理不存在误差，建立多位移的灾害预测结构，可以灵活应对所出现的各种类型的灾害，另外，在进行预处理的过程中，可以通过建立BIM 信息模型来获取实际的权重值，并根据实际的情况的变化作出适当的更改，辅助建模中HIA 可以安装多个传感器，用来监测实时变化的数据，更快地获取到灾害预测情况的预测值[4]。

1.2 建立线性归一化转换脆弱性预测模型

在完成灾害的三维数据预处理之后，接下来，利用线性的归一化技术转换预测模型。先对预测模型的各项参数进行设置。包括各个层级的信号选择，例如：输入层、输出层。这部分可以将不同的灾害特征以及影响因子作为信号标准，在合理的预测范围之内，对信号节点、学习速率、动态因子、惯性函数、训练精度等进行处理分析，并获取相对应的数据信息，简化操作模型，并将预处理的结构添加在模型之中，一定程度上增强了预测模型的实用价值。计算转换比例，如下公式（2）所示：

公式（2）中：H 表示转换比例，d 表示脆弱标准值，s 表示线性极值。通过以上计算，最终可以得出实际的转换比例。根据比例进行数据信息的转换，在此基础上，继续计算其线性期望值，如下公式（3）所示：

公式（3）中：D 表示线性期望值，β 表示实际输出值，e 表示训练总节点。通过以上计算，最终可以得出具体的线性期望值。依据期望目标，建立相关的线性归一预测结构，在此结构之中，进行对应的脆弱性细节预测，并将所得出的预测及过程整合分析[5]。线性归一的预测方法更加贴近现实，同时在三维数字化技术的辅助之下，也可以更好地进行灾害的实景预测，扩大预测的范围和质量。对模型预测的各个层级需要实施复合观测，一旦出现误差，则表明预测存在不准确的可能，需要对相关的数据进行核验，及时更正误差的数值以及信号，增加预测模型的精准性。

1.3 RS-BP 网格训练技术实现医院灾害脆弱性的预测

在完成线性归一化转换预测模型的建立后，需要通过RS-BP 网格训练技术来最终实现三甲医院灾害脆弱性的全面预测。由于医院的灾害预测往往都是随机性的，所以，随机的预测值是无法用固定的函数来描述的，需要结合动态函数来拼凑计算，如下公式（4）所示：

公式（4）中：G 表示动态脆弱值，θ 表示随机误差，α 表示描述距离。通过以上计算，最终可以得出实际的动态成析值。将其与预测的基础数据作出对比，采集误差，并总结出对应的运行规律，在BIM 信息模型与预测模型之中建立关联关系，并制定关联预测条件，如下表2 所示。

表2 关联预测脆弱条件表

根据表2 中的预测条件，进行关联预测模型的二次构建。在此基础上，建立一个预测序列，首先，需要识别预测的模型，并在原本的处理序列之中，增加RS-BP 残差序列，并进行预测的网格训练，每一个残差序列都需要设立一个修正节点，便于训练过程中预测的准确性[6]。计算残差训练节点预测值，如下公式（5）所示：

公式（5）中：χ 表示残差训练节点预测值，G 表示动态成析值，通过以上计算，最终得出具体的残差训练节点预测值，在模型中进行三维的RS-BP 网格训练，利用成像技术，再结合预测方法，观察医院灾害的脆弱性，在此基础上，计算其脆弱维稳程度比值，如下公式（6）所示：

公式（6）中：U 表示脆弱维稳程度比值，G 表示动态成析值，χ 表示残差训练节点预测值，t 表示脆弱程度。计算得出的实际数值进行分析，获取到最终医院灾害脆弱性的预测结果。

2 预测实例分析

2.1 三甲医院灾害脆弱性现状简述

通常医院在建设初期会对实际的位置以及周围的情况作出较为细致的核查调研，确保无严重的外部影响因素，这就很大程度地避免了海啸、泥石流、沙尘暴等灾害的影响，所以，地震这种内陆型的灾害的发生率就相对较高了，影响也会较广，相对地灾害的脆弱性也会较强。我国三甲医院目前的基础防护设施是较完善的，但是由于灾害的发生具有一定的随机性，同时医院的监测模式较为单一，导致灾害脆弱性较强，对医院的正常运行以及安全程度产生了极为严重的影响。

2.2 进行灾害预测过程及结果讨论

选取A 市某区的医院作为本次实例分析的研究对象，具体的分析过程如图1 所示。

图1 灾害脆弱性分析流程示意图

根据图1 的分析，组中可以得出相应的预测数据，对其进行分析讨论，如表3 所示。

表3 灾害脆弱性预测结果分析表

根据表3 中的数据信息，可以得出最终的分析预测结果：在相同的分析环境之下，医院灾害的脆弱性预测值由动态预测值和实测值所组成。通过观察，可以了解到预测平方误差为0.36和0.15，均在合理的范围之内，这表明预测方法存在一定的合理性，并且效果较好，具有一定的实际应用价值。

3 结论

综上所述，便是对基于RS-BP 神经网络的三甲医院灾害脆弱性预测方法的设计与研究。对比于传统的预测方法，RS-BP神经网络法对医院灾害的预测精度相对更高，同时具有极强的可操作性，在不同的灾害情况下，可以灵活对周围环境作出分析，并且制定针对性较高的预测处理方案，通过对不同的影响因子进行分析讨论，进一步增强其实用性。另外，基于RS-BP 神经网络技术在医院灾害脆弱性预测中的应用还在一定程度上提高了医院整体的安全性。