基于BP 神经网络算法的住院天数建模及预测
Posted 医保智能审核系统
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了基于BP 神经网络算法的住院天数建模及预测相关的知识,希望对你有一定的参考价值。
数据:某三级甲等医院出院接受射频消融术( cm3:37. 9901) 治疗的病人
算法:BP-ANN
训练集:764 例
测试集:15例
软件Clementine
建模过程
结果分析
T =1. 8821 P =0.0808 隐含层数:1.5 个
拟合度为 96. 678%
预测样本序号 |
预测住院天数 |
实际住院天数 |
预测误差 |
1 |
4.2896 |
3 |
1 |
2 |
5.7396 |
7 |
-1 |
3 |
4.0813 |
4 |
0 |
4 |
5.5697 |
4 |
2 |
5 |
4.3601 |
4 |
0 |
6 |
4.1913 |
4 |
0 |
7 |
3.7762 |
3 |
1 |
8 |
4.6183 |
3 |
2 |
9 |
3.7087 |
4 |
0 |
10 |
4.3472 |
4 |
0 |
11 |
3.3054 |
2 |
1 |
12 |
4.5207 |
4 |
1 |
13 |
4.1101 |
4 |
0 |
14 |
10.0442 |
11 |
-1 |
15 |
11.4772 |
11 |
0 |
BP 神经网络可以给出各影响因素的敏感度值,反映了各自变量对因变量的相对贡献度的大小, 如下表所示:
影响因素 |
敏感度 |
占总贡献比(%) |
累计贡献比(%) |
术前住院日 |
0.636837 |
44.66 |
44.66 |
手术总次数 |
0.154298 |
10.82 |
55.48 |
诊断病种数 |
0.85144 |
5.97 |
61.45 |
出院科室 |
0.84022 |
5.89 |
67.34 |
手术台次 |
0.72053 |
5.5 |
72.39 |
是否院感 |
0.67372 |
4.72 |
77.12 |
转归1 |
0.54348 |
3.81 |
80.93 |
年龄 |
0.46693 |
3.27 |
84.20 |
入院次数 |
0.26787 |
1.88 |
86.8 |
可以看出, 对于射频消融术敏感度最大的依次为术前住院天数、手术及病种总数、出院科室、是否院感、第一诊断转归情况、年龄、入院次数、抢救次数、第一诊断等指标,他们对住院天数的相对贡献度占到了总贡献度的89. 67%。
以上是关于基于BP 神经网络算法的住院天数建模及预测的主要内容,如果未能解决你的问题,请参考以下文章
BP回归预测基于matlab思维进化算法优化BP神经网络回归预测含Matlab源码 2031期
BP回归预测基于matlab思维进化算法优化BP神经网络回归预测含Matlab源码 2031期
优化预测基于matlab灰狼算法优化BP神经网络预测含Matlab源码 1720期