基于BP 神经网络算法的住院天数建模及预测

Posted 2021-04-24 医保智能审核系统

• 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%。