胃癌患者住院费用的DRGs病例组合研究△

目的：探索适合南通市胃癌患者的病例诊断组合相关组（DRGs）及费用标准。方法：利用南通市肿瘤医院2006年—2013年以胃癌为主要诊断的5 771例病案首页数据,运用CHAID决策树方法进行病例分组,用变异系数（CV）于模型效度的组内同质性、方差减少量（RIV）对组间异质性进行评价,用绝对值法和相对权重法测算住院费用的相关标准。结果：胃癌患者住院费用的均数为16 896元,中位住院天数10天。治疗方法、首次入院、入院途径、转归、并发证、年龄等作为胃癌病例分类节点的关键变量,共形成13个DRGs 组合。结论：病例分组结果合理,住院费用标准及病种权重可为医保部门制定支付标准提供参考。     

基于CHAID算法的病毒性肝炎患者DRGs分组研究北大核心CSCD

目的 了解影响患者住院医疗费用的因素,建立DRGs病例分组并对各组医疗费用进行分析评价。方法以厦门地区病毒性肝炎患者为研究对象,首先利用单因素和多因素方法分析患者住院医疗费用的影响因素,然后以患者住院医疗费用作为目标变量,通过CHAID模型进行DRGs病例分组,最后采用RIV、CV等评价指标分析和评价分组结果。结果 对可能影响住院医疗费用的变量进行单因素分析显示,年龄、付费方式、入院情况和是否手术4个因素具有统计学意义,通过多因素分析显示年龄、费用支付方式、入院情况是厦门地区肝炎患者住院费用的主要影响因素;进一步使用决策树CHAID模型分组得到3组该疾病的DRGs病例组合,第一组为自费方式的患者,第二组为具有医疗保险且入院情况为一般的患者,第三组为具有医疗保险且入院情况为紧急的患者。经非参数Kruskal-Wallis H检验、RIV值、变异系数评价,该病例组合方案具有较好的可靠性和合理性。各病例分组的标准费用分别为1984.73元、1359.23元与1874.68元。分析每个分组的费用门坎值,发现线外病人比例为6.47%-7.65%,却消耗了23.07%-30.09%的医疗费用。结论通过DRGs分组计算患者住院费用标准值可提供医疗保险机构的偿付参考值,自费病人的标准费用最高,其次是具有医疗保险且入院情况为紧急的患者,线外病人及其医疗消费应作为住院医疗费用总量控制重点。     

基于CHAID算法的病毒性肝炎患者DRGs分组研究

目的了解影响患者住院医疗费用的因素,建立DRGs病例分组并对各组医疗费用进行分析评价。方法以厦门地区病毒性肝炎患者为研究对象,首先利用单因素和多因素方法分析患者住院医疗费用的影响因素,然后以患者住院医疗费用作为目标变量,通过CHAID模型进行DRGs病例分组,最后采用RIV、CV等评价指标分析和评价分组结果。结果对可能影响住院医疗费用的变量进行单因素分析显示,年龄、付费方式、入院情况和是否手术4个因素具有统计学意义,通过多因素分析显示年龄、费用支付方式、入院情况是厦门地区肝炎患者住院费用的主要影响因素;进一步使用决策树CHAID模型分组得到3组该疾病的DRGs病例组合,第一组为自费方式的患者,第二组为具有医疗保险且入院情况为一般的患者,第三组为具有医疗保险且入院情况为紧急的患者。经非参数Kruskal-Wallis H检验、RIV值、变异系数评价,该病例组合方案具有较好的可靠性和合理性。各病例分组的标准费用分别为1984.73元、1359.23元与1874.68元。分析每个分组的费用门坎值,发现线外病人比例为6.47%~7.65%,却消耗了23.07%-30.09%的医疗费用。结论通过DRGs分组计算患者住院费用标准值可提供医疗保险机构的偿付参考值,自费病人的标准费用最高,其次是具有医疗保险且入院情况为紧急的患者,线外病人及其医疗消费应作为住院医疗费用总量控制重点。     

疾病诊断相关分组(DRGs)在肿瘤门诊特殊疾病病种支付中的应用研究

通过多元线性回归模型筛选对医疗费用有统计学意义的影响因素并筛选费用异常数据,利用基于E-CHAID算法的决策树模型进行DRGs分组,用变异系数、方差减少量及非参数检验验证分组的合理性。通过统计模型剔除11条异常数据后共分为7个DRGs组,经CV、RIV及秩和检验验证后证实分组效果合理且较为稳定。相关部门可以门诊特殊疾病为试点逐步推开门诊DRGs的应用,分组时需从数据分布特点入手,在合理的数据基础上结合疾病特征、治疗方式等因素进行分组并动态调整,将DRGs分组的"事前控制"转变为"事前测算—事中控制—事后调整",提高分组的综合性和实用性。     

基于CHAID算法的肝癌患者住院费用DRGs分组及超限费用影响因素研究

目的 研究某三甲医院肝癌患者住院费用的疾病诊断相关分组(DRGs),为制定肝癌患者住院费用标准以及实施DRG付费提供依据。方法 采用决策树模型CHAID算法建立肝癌患者的DRGs病例组合,采用灰色关联分析费用超标患者的住院费用影响因素。结果 样本病例共形成8个DRGs分组,8个分组的总体方差减少系数RIV值为87.8%,组间异质性较高且各组的变异系数CV值均小于1,各组内变异程度较小,说明分组效果较好。灰色关联分析结果显示,药费(0.701)、治疗费(0.682)及耗材费(0.681)是影响费用超标患者住院费用的重要因素。结论 肝癌病例分组合理,药费是线外患者住院费用的最重要影响因素。     

儿童呼吸系统疾病病例组合方法研究

目的 确定儿童呼吸系统的疾病病例的分组方法。方法 选择北京某三甲儿童医院2017-2018年主要诊断为呼吸系统疾病的非手术患者作为研究对象,用决策树模型修正的交互卡方自动检验（E-CHAID）进行分组,并用变异系数法、方差减少量和非参数检验对分组结果的合理性进行检验和评价。结果 共形成9个DRGs组,经检验分组合理。结论 E-CHAID决策树分类方法用于DRGs分组可行且有效。     

BJ-DRGs对某女性生殖系统疾病及功能障碍的适用性评价

探讨BJ-DRGs对某女性生殖系统疾病及功能障碍住院病例的适用性。方法采用标准费用构成比、变异系数、方差减少量（RIV）、ROC曲线4种方法对分组结果进行评价。结果经DRGs分组后的标准费用可以解释全部消耗实际费用的97.36%;RIV值为88.74%;住院费用、住院天数变异系数<0.8的DRGs组分别占总DRGs组数的92.85%、85.71%。结论此次研究的病例分组效果较好,初步验证了BJ-DRGs对某女性生殖系统疾病及功能障碍住院病例的适用性。     

基于DRGs的缺血性脑梗死患者住院费用分析

目的对某三甲医院缺血性脑梗死患者进行DRGs分组,为制定住院费用的支付标准提供参考。方法选取某三甲医院2015年1—12月的主要诊断为缺血性脑梗死的病例838例,采用单因素分析和多元线性逐步回归对变量进行筛选,采用决策树算法建立DRGs模型。结果通过分组后,共形成了3个DRGs组合,入院情况、是否有并发症或合并症为缺血性脑梗死患者住院费用的影响因素。结论 DRGs付费方式综合考虑了患者的入院情况、是否有并发症或合并症,可为医疗费用支付标准提供参考。     

不同粗分组方法建立DRGs模型的差异对比研究

目的利用2015年四川省病案首页280717例呼吸系统疾病病例,基于不同粗分组方法建立并评价DRGs模型。方法以临床诊断结合统计分析分组(粗分组一)、单纯临床诊断分组(粗分组二)两种方法对病例按临床特征进行粗分组,利用E-CHAID决策树方法进行细分组,并用变异系数(CV)对模型效度的组内同质性、方差减少量(RIV)对组间异质性进行评价;用回代检验评价模型的信度。结果粗分组一与粗分组二分别建立DRGs模型一(158个组合)和DRGs模型二(86个组合)。DRG模型一基于对数住院费用的CV平均值为32.77%,RIV为18.67%;基于原始住院费用CV平均值为69.21%,RIV为34.80%。DRGs模型二基于对数住院费用的CV平均值为41.09%,RIV为18.84%,基于原始住院费用CV平均值为77.87%,RIV为28.49%。总体上模型一在组内同质性及组间异质性优于模型二。回代检验显示DRGs模型一信度相对低下,而对数转换住院费用有提升模型效度的效应。结论不同粗分组下建立两组模型各有优缺点,需要多角度评价组内同质性及组间异质性,且有待建立综合评价指标体系。     

高血压住院患者DRGs分组方法研究

目的以高血压病作为一个DRGs基本组探讨细分DRGs的方法。方法利用决策树模型,使用CHAID算法将高血压住院患者进行分组,评价分组后的组间与组内的差异。结果利用决策树模型共得到6个高血压的DRGs细分组。结论利用决策树模型DRGs的分组,找到的分组的节点具有可行性,建议本地区将DRGs分组测算结果作为病种医疗付费的参考标准。     

基于机器学习法的急诊留观患者分流研究

目的通过建立急诊留观患者分流预测模型,促进急诊医疗服务管理水平提升。方法通过急诊一体化信息系统收集某三级综合医院2018年7月-2020年6月急诊留观区临床资料,应用机器学习法（BP神经网络和CART分类决策树）建立预测模型,使用SPSS 20.0统计软件和SPSS modeller 18.0统计软件进行数据分析和拟合评估。结果BP神经网络和CART分类决策树模型的分类准确率均达75%以上。急诊留观患者收治病房的影响因素主要有疾病谱、诊断个数、首诊科室、年龄。疾病谱为神经系统或循环系统的患者,收治病房比例相对较高;多系统疾病、诊断个数超过4个或≥80岁的患者,收治病房比例较低。结论应优化急诊重点病种救治流程,通过多学科协作优化床位内部分配和收治机制,加强互联网+医联体协作,改善院外分流措施。     

Predicting charges for inpatient medical rehabilitation using severity, DRG, age, and function.

We examined the effectiveness of using diagnosis related groups (DRGs), Severity of Illness Index (SII), age and function at admission to predict inpatient charges for medical rehabilitation. Data from our sample of 199 indicate that DRGs alone explained approximately 12 per cent of the variation in charges for inpatient rehabilitation while SII explained 26 per cent of the variation. SII, DRG, and age together yielded the highest regression coefficient, accounting for nearly 39 per cent of the variation in total charges; SII and age accounted for 36 per cent of the variation. Within DRG categories, SII was the only important predictor of inpatient charges accounting for 23 per cent of the variation in charges among stroke patients (DRG 014) and 28 per cent of the variation in charges among hip fracture patients (DRG 210). Function at admission was not a useful predictor of inpatient rehabilitation charges within DRGs. These results suggest that SII and age may be useful in developing a DRG-based prospective payment system for inpatient medical rehabilitation.     

How well do diagnosis-related groups for appendectomy explain variations in resource use? An analysis of patient-level data from 10 European countries

Appendectomy is a common and relatively simple procedure to remove an inflamed appendix, but the rate of appendectomy varies widely across Europe. This paper investigates factors that explain differences in resource use for appendectomy. We analysed 106,929 appendectomy patients treated in 939 hospitals in 10 European countries. In stage 1, we tested the performance of three models in explaining variation in the (log of) cost of the inpatient stay (seven countries) or length of stay (three countries). The first model used only the diagnosis-related groups (DRGs) to which patients were coded, the second model used a core set of general patient-level and appendectomy-specific variables, and the third model combined both sets of variables. In stage two, we investigated hospital-level variation. In classifying appendectomy patients, most DRG systems take account of complex diagnoses and comorbidities but use different numbers of DRGs (range: 2 to 8). The capacity of DRGs and patient-level variables to explain patient-level cost variation ranges from 34% in Spain to over 60% in England and France. All DRG systems can make better use of administrative data such as the patient's age, diagnoses and procedures, and all countries have outlying hospitals that could improve their management of resources for appendectomy.     

新生儿DRGs分组PU11组中影响总费用的因素分析

目的探索新生儿DRGs分组PU11组的影响因素及分组调整的必要性。方法以北京某三甲儿童医院2016年-2018年PU11组新生儿住院病案记录作为研究对象，利用Spearman相关、Wilcoxon秩和检验、正交设计、计算变异系数等方法，分析住院首页中关键信息对住院总费用的影响。结果呼吸机使用情况对该组住院总费用有影响，提示PU11组目前分组条件不能准确反映该组人群医疗消耗的差异。结论新生儿作为特殊群体，其准确的DRGs分组直接关系医院的绩效考核以及国家卫生资源的科学投入，通过对影响因素的探索，认为对PU11组进行调整是必要的     

急性缺血性脑卒中患者卒中相关感染风险预测模型构建与验证

 目的 探讨急性缺血性脑卒中患者发生卒中相关感染的危险因素,并构建决策树预测模型。 方法 回顾性选取2020年6月—2021年6月某院神经内科病房收治的急性缺血性脑卒中患者为研究对象。将其以一定比例分配为训练组与验证组。通过Lasso回归筛选预测因子,基于CHAID算法构建急性缺血性脑卒中患者卒中相关感染的决策树模型。内部验证采用随机拆分验证法,使用受试者工作特征(ROC)曲线下面积(AUC)对模型效果进行评价。 结果 共收治693例AIS患者,训练组484例,验证组209例。训练组卒中相关感染发病率为17.8%(86例), 验证组卒中相关感染发病率为20.1%(42例)。年龄、空腹血糖、糖尿病史、甘油三酯、吸烟、合并呼吸系统疾病、合并心血管系统疾病、意识障碍、住院时长是急性缺血性脑卒中患者发生卒中相关感染的危险因素。将以上因素纳入并构建决策树模型,决策树模型包含3层,共7个节点。合并呼吸系统疾病、糖尿病史、吸烟是发生卒中相关感染的预测指标。验证组决策树模型ROC的AUC为0.980,灵敏度为97.0%,特异度为97.6%,Youden指数为0.946,Kappa值为0.914。 结论 本研究构建的模型可以较好的预测急性缺血性脑卒中患者发生卒中相关感染的风险,可作为临床护理人员对患者进行风险预测的评估工具。     

应用分类树模型筛选恶性肿瘤危险因素的研究

目的介绍分类树模型筛选恶性肿瘤危险因素基本原理、运算法则和应用价值.方法以浙江省嘉善县乳腺癌现场调查数据为例,采用Exhaustive CHAID法建立分类树模型对调查结果进行危险因素筛选,使用错分概率Risk值和ROC曲线下面积对模型进行评价.结果分类树模型从全部105个候选变量中筛选出9个危险因素,其中职业是最重要的影响因素,工人、教师及退休人员的乳腺癌发生概率显著高于其他人员.另外,模型显示经常参加体育锻炼在不同人群中对乳腺癌的影响效果有所不同.模型错分概率Risk值为0.174,利用预测概率绘制的ROC曲线下面积为0.872,与0.5比较具有显著的统计学意义,模型拟合效果很好.结论分类树模型不仅可以有效挖掘筛选出主要的影响因素,还可以对研究变量科学定义分界点,展示变量间复杂的相互作用,在流行病学研究中具有较高的应用价值.     

水体富营养化状况的人工神经网络预测模型的建立

目的建立郑州市主要生活饮用水源富营养化预测模型。方法以郑州市主要生活饮用水源西流湖和黄河花园口段某调蓄池作为研究现场,监测富营养化相关理化指标水温(WT)、透明度(SD)、总磷(TP)、总氮(TN)、光照度(Li)、高锰酸盐指数(CODMn)、叶绿素a(Chla);采用评分法和综合营养状态指数法对水体富营养化状况进行评价;运用标准化函数对各理化因子原始监测数据进行归一化处理后,构建BP人工神经网络富营养化预测模型;并采用改进的Levenberg-Marquardt算法对网络进行优化。结果两水源富营养化状况评价结果显示:西流湖和黄河花园口段某调蓄池水体均为富营养化状态,西流湖随着春、夏、秋季节的变化,富营养化状况逐步加剧;应用BP神经网络技术,根据J=n+m+a函数计算隐层数,将隐层节点数范围定位2～15,分别进行训练,最终确定网络节点数为10;根据郑州市主要生活饮用水源环境理化指标检测数据,建立了水体富营养化相关因子Chla预测模型,重要的6个富营养化理化因子全部纳入模型进行分析,网络训练过程均方差为1e-11,实测值与预测值模型拟合相关系数为0.871,与预期目标比较接近,成功构建了郑州市主要生活饮用水源富营养化人工神经网络预测模型。结论人工神经网络技术能够运用于水体富营养化预警系统的研究,所建立预测模型更符合实际情况。