基于SARIMA模型的某省三级医院骨折住院患者量预测分析

目的 建立骨折住院患者量的预测模型,探索骨折住院患者量的季节变动规律及未来趋势,以合理安排资源、提高医疗工作效率。方法 收集山西省汾阳医院2017年6月至2022年3月骨折住院患者的临床资料,应用R 3.5.2软件进行时间序列分析和季节性自回归移动平均（SARIMA）模型的建模拟合,并用其对住院患者量进行定量预测和验证。结果 共纳入2 563例患者,平均年龄53.43岁,男、女之间的年龄分布差异有统计学意义（t=-17.798,P<0.001）。分月记录骨折住院患者量,时间序列分析提示住院患者量每年有2个高峰期,即5月和8月。使用2018年1月至2021年7月的训练集数据建立SARIMA(0, 0, 1)(1, 0, 0)12模型（白噪声检验,P=0.806）,对2021年8月至2022年3月的预测集数据进行短期预测,RMSE=0.24,MAPE=149.61,预测值与实际值的相对误差范围在1.81%～8.60%。结论 SARIMA模型拟合骨折住院患者量变化趋势较佳,可为医院或专业科室管理者提供决策依据,同时也可为骨折防治措施的制定提供参考。     

Joinpoint模型与ARIMA模型在细菌性痢疾发病趋势分析的应用比较

目的比较Joinpoint模型与ARIMA模型在深圳市盐田区细菌性痢疾(以下简称菌痢)发病趋势分析及预测中的效果。方法对1998—2017年盐田区菌痢发病率进行Joinpoint模型与ARIMA模型分析,同时比较两模型拟合结果的一致性、优劣性、稳健性。结果 Joinpoint模型结果显示, 2013年为趋势变化"折点",将菌痢流行曲线分为2段。1998—2013年变化百分比(APC)为-2.0%(P0.05), 2013—2017年APC为-31.5%(P0.05)。ARIMA最优拟合模型为ARIMA (1, 1, 0)。两模型拟合结果的相关系数ICC为0.74 (95%CI:0.45-0.89)。Joinpoint模型拟合结果的平均绝对误差、平均绝对百分误差分别为9.26%, 17.61%; ARIMA模型分别为11.31%, 24.86%。离群值对Joinpoint模型无影响,对ARIMA影响较大,整体趋势表现为先上升后下降。结论两模型对菌痢发病数据拟合结果的一致性较好, Joinpoint模型比ARIMA (1, 1, 0)模型显示出更好的拟合精度。小样本情况下, Joinpoint模型受离群值影响小,方法更稳健,并能对长期趋势进行分段描述,有较高实际价值。     

SARIMA模型在医院住院人次预测中的应用

住院量是评价一个医院医疗工作的重要指标,直接或间接地反映出一个医院的规模、医疗质量及医疗水平[1].因此,了解住院量的变化情况,对于合理安排资源,提高医疗工作效率意义重大.要了解住院量的情况,就要对其进行预测.目前预测的模型及方法主要有线性回归模型、神经网络模型、灰色预测模型、马尔科夫链模型以及时间序列模型等[2].针对住院量数据的特殊性,本文选用季节自回归滑动平均模型(seasonal auto regressive integrated moving average model,SARIMA模型),分析2000-2011年住院量的历史数据,探讨其发生发展的规律并预测未来半年医院住院量的情况,为医院规划自身发展提供科学的依据.     

ARIMA和VARMA模型在医院管理中的应用

目的通过对医院门诊量、急诊量和住院量三项指标的预测,对医院运营状况进行早期预警,评价医院的经营策略。方法通过对某三级医院1999—2008年月门、急诊量、住院量分析,分别为门诊量、急诊量和住院量建立ARIMA模型,以整体数据建立VARMA模型,然后用上述模型对某医院2008年1~12月的门诊量、急诊量和住院量预测并和实际值比较。结果 AR IMA模型预测急诊量、住院量数据可靠,平均相对误差分别为5.63%和3.11%,在预测门诊量时不太理想,平均相对误差达到13%;VARMA模型在预测整体数据时良好,预测门诊量改善尤其明显,平均相对误差降低到8.97%,在预测急诊量、住院量,平均相对误差有所增加。结论单用某一预测方法时,总存在着一定的缺陷,综合应用AR IMA和VARMA模型可为医院管理者提供合理的决策。     

肾病科患者医院感染危险因素临床分析

目的探讨肾病科患者医院感染的危险因素,为降低患者临床感染率提供参考依据。方法回顾性分析2014年1月-2015年3月医院360例住院患者临床资料,采用单因素分析和多因素logistic非条件回归分析方法,对影响患者发生医院感染的危险因素进行总结分析,数据采用SPSS 16.0软件进行统计分析。结果 360例肾病科患者有102例发生医院感染,感染率为28.33%;共分离出102株病原菌,以革兰阴性菌为主,共55株占44.72%;多因素logistic回归分析结果显示,患者年龄60岁、体质量50kg、合并高血压、入住ICU、住院时间10d、中心静脉置管、留置尿管、使用呼吸机是影响患者医院感染的独立危险因素(P0.05)。结论肾病科患者医院感染的危险因素多,应根据以上因素进行针对性地预防与治疗。     

乌鲁木齐市某院住院人数长期趋势模型的建立与预测

目的 用时间序列建立住院人数线性回归模型,预测2010、2011、2012、2013年的住院人数. 方法 选取乌鲁木齐市某院2004-2009年住院人数,用最小二乘法建立线性模型,并对模型进行回归分析.统计数据采用PEMS3.1统计软件进行统计学处理. 结果 回归模型为=3 892＋2 730X,方差分析结果P=0.003 8,按α=0.05水准,P＜0.05,可以认为住院人数与年次有直线回归关系.某院2010、2011、2012、2013年的住院人数点预测值分别为23 002、25 732、28 462、31 192;区间预测为18 102～27 901、19 677～31 786、21 217～35 706、22 737～39 646. 结论通过预测住院人数为医院的工作计划和决策提供依据,使卫生资源实行优化配置.     

恶性肿瘤住院量与住院费用的ARIMA乘积季节模型预测研究

目的探讨自回归求和移动平均(ARIMA)乘积季节模型在恶性肿瘤住院量与住院费用中的应用,为医院恶性肿瘤业务管理提供科学依据。方法收集某院2007-2016年逐月恶性肿瘤住院患者资料,采用ARIMA乘积季节模型对2007-2015年逐月恶性肿瘤的住院人次和住院费用进行模型拟合,用2016年逐月数据评价其预测效果,并预测2017年恶性肿瘤逐月住院人次与住院费用。结果 ARIMA(0,1,1)(1,1,0)_(12)是恶性肿瘤住院人次与住院费用的最佳拟合预测模型,拟合相对误差分别为1.1%和1.47%。根据ARIMA(0,1,1)(1,1,0)_(12)预测结果,2017年恶性肿瘤住院量将达7631人次,住院费用将达3.36亿元。结论 ARIMA季节乘积模型能很好地应用于医院业务管理预测中。     

某医院住院人数长期趋势模型的建立和预测

目的用时间序列建立住院人数线性回归模型,预测2014、2015、2016、2017年的住院人数。方法用最小二乘法建立线性模型,并对模型进行回归分析。结果回归模型Y=13 067.28+2 511.04X,方差分析结果 P=0.0025,按?=0.05水准,P0.05,可以认为住院人数与年次有直线回归关系。某院2014、2015、2016、2017年的住院人数点预测值分别为33 156.60、35 666.64、38 177.68、40 688.72;区间预测为27 314.59~38 996.61、29 825.63~41 507.65、32 336.67~44 018.69、34 847.71~46 529.73。结论通过预测住院人数为医院的工作计划和决策提供依据,使卫生资源得到合理应用。     

综合性医院骨科医院感染危险因素分析

目的分析综合性医院骨科医院感染状况及危险因素,为预防和控制医院感染提供理论依据。方法利用医院感染实时监控系统提取2013年1月-2014年12月骨科住院患者17 561例患者进行回顾性分析,其中感染221例,分析其感染因素,数据采用SPSS 13.0软件进行统计分析。结果 17 561例患者中,有221例患者发生感染,感染率为1.26%;发生感染258例次中,感染部位以下呼吸道为主,共71例次占27.52%;logistic回归分析显示,年龄、住院天数及使用中心静脉插管是骨科医院发生感染的独立危险因素(P0.05),性别为保护性因素。结论骨科医院感染危险因素较多,应积极治疗基础疾病、缩短住院时间、手术时间和术前住院时间、减少侵入性操作及改善环境等,加强预防和控制,以降低医院感染率,提高医疗质量。     

基于SAS的住院量灰色预测及实现

目的利用灰色预测模型预测某三甲医院未来三年住院量,为医院管理决策提供科学依据。方法以医院1997～2010年住院量数据为基础,建立基于SAS程序的灰色预测模型对其今后三年住院量进行预测。结果灰色模型拟合效果良好,未来三年医院住院量预测值分别是74421人次、82465人次和91377人次。结论灰色预测模型对样本量和概率分布没有严格的要求,且预测效果较好,可以广泛应用于医院各种数据统计预测工作。     

超声介入治疗患者医院感染的病原学与危险因素分析

目的探讨超声介入治疗患者发生医院感染的病原学特点及其危险因素,以降低医院感染率。方法选择2013年6月-2015年8月于医院行超声介入治疗患者1 497例为研究对象,探讨超声介入治疗后医院感染的病原学特点及其危险因素,数据采用Stata 12.0软件进行统计分析。结果 173例患者发生医院感染,感染率为11.56%,共分离病原菌187株,以革兰阴性菌为主,共102株占54.55%;革兰阴性菌对美罗培南和亚胺培南的耐药性较低,均4.00%;logistics回归显示,高龄、住院时间长、接受侵入性操作及应用抗菌药物是超声介入治疗患者发生医院感染的独立危险因素(P0.05)。结论临床可通过控制住院时间,减少侵入性操作及合理应用抗菌药物,预防超声介入治疗患者发生医院感染,降低医院感染的发生率。     

妇产科患者医院感染病原菌监测分析

目的探讨妇产科住院患者并发医院感染的病原菌分布特点及相关危险因素,以降低感染率。方法选择2011年2月-2015年5月于妇产科住院治疗的患者320例作为研究对象,分析其医院感染病原菌分布及相关危险因素,并提出相关预防措施,数据采用SPSS 18.0软件进行统计分析。结果 320例妇产科患者发生医院感染40例,感染率为12.50%;共培养出48株病原菌,以革兰阴性菌为主,共28株占58.33%;多因素logistic回归分析发现,年龄≥60岁、疾病类型、放化疗、有侵入性操作以及住院时间7d是妇产科住院患者医院感染的独立危险因素(P0.05)。结论妇产科住院患者并发医院感染的感染部位为呼吸道,以革兰阴性菌为主,且与年龄、疾病类型、放化疗、侵入性操作以及住院时间有关,应针对相关危险因素进行干预,以降低医院感染发生率。     

武冈市农村地区心脑血管住院病例的时间序列预测分析

  目的  建立武冈市农村地区心脑血管疾病（cardio-cerebrovascular disease,CVD）住院病例的预测模型,并对CVD住院病例的变化趋势进行预测分析,为医院合理配置CVD科室医疗资源提供参考依据。  方法  利用Stata 14.0软件对武冈市2013年1月~2016年12月农村地区CVD住院人次月度数据构建季节性自回归移动平均混合模型（seasonal autoregressive integrated moving average model,SARIMA）,并对2017年武冈市农村地区CVD住院病例进行预测分析。  结果  通过模型构建最终拟合的CVD住院病例预测模型为SARIMA（2,1,1）x（0,1,0）₁₂。Ljung-Box Q检验结果显示残差序列为白噪音序列（Q=11.12,P=0.680）,说明所建模型拟合度较好,且2017年的预测结果与观测结果基本一致,总体相对误差在-1.2%左右。预测结果显示,夏季为每年CVD住院高峰期。  结论  SARIMA模型可以对武冈市CVD住院病例进行较准确的短期预测,医院可以根据不同月份CVD就医需求合理配置院内CVD科室医疗资源。     

精神科住院患者医院感染危险因素调查

目的调查引起精神科住院患者医院感染危险因素,为有效预防及降低医院感染的发生提供科学参考。方法对2014年1月-2015年6月住院治疗的534例精神科住院患者临床资料进行回顾性调查,数据采用SPSS19.0软件进行统计分析,多因素分析采用非条件多因素logistic回归分析。结果 534例患者医院感染55例,感染率10.30%;感染部位以呼吸道为主占58.18%,共培养出病原菌48株,主要为肺炎克雷伯菌、大肠埃希菌、金黄色葡萄球菌,分别占43.75%、22.91%、6.67%;单因素分析年龄60岁、患精神分裂症、住院≥2次、抗精神病药物使用≥2种、合并其他疾病、抗菌药物使用、有保护性约束、PANSS症状评分高、抗精神病药物不良反应评分高等是引起患者医院感染的危险因素(P0.05);非条件多因素logistic回归分析,所患疾病为精神分裂症、住院≥2次、抗精神病药物使用≥2种、合并糖尿病、抗菌药物使用≥2种、有保护性约束、PANSS症状评分高、抗精神病药物不良反应评分是引起患者医院感染的独立危险因素(P0.05)。结论引起精神科住院患者发生医院感染的危险因素较多,应采取措施进行干预。     

住院患儿医院感染发生率ARIMA时间序列模型

目的初步探索和评价儿童患者医院感染发生率的自回归滑动平均混合模型(ARIMA)预测模型。方法以某院2011年1月—2014年12月4年医院感染发生率数据建立ARIMA模型,依据信息量准则,确定最优模型;以2015年医院感染发生率数据作为验证样本,评价模型的可行性。结果 ARIMA(0,1,1)为医院感染率最优预测模型,其最小信息量准则(AIC)、贝叶斯信息准则(BIC)值分别为66.61、70.76,模型残差序列的LjungBox统计量Q=14.14,差异无统计学意义(P=0.658),提示残差为白噪声序列,模型拟合良好。医院感染率实际值与预测值的平均绝对百分误差值(MAPE)为22.4,实际值均在预测值95%可信区间内,未见超出点。结论 ARIMA时间序列模型拟合医院感染率效果良好,具有预测住院患儿医院感染发生情况的实际价值。     

呼吸内科患者医院感染部分危险因素Logistic回归分析

目的 探讨呼吸内科住院患者医院感染部分危险因素,为采取有效防制措施提供依据.方法 回顾分析呼吸内科住院患者的临床资料,筛选危险因素,并进行Logistic回归分析.结果 780例住院患者中70例发生医院感染,感染率为8.9％,上、下呼吸道是常见感染部位;年龄、住院时间、侵入性操作、激素应用、基础性疾病为医院感染的危险因素(P＜0.05),且均为呼吸内科医院感染的独立危险因素(均P ＜0.05).结论 呼吸内科患者医院感染常见部位为呼吸道,年龄、住院时间、侵入性操作、激素应用和合并基础性疾病是危险因素.     

1972—2016年江苏省启东市脑肿瘤患者生存率趋势分析

目的 分析江苏省启东市1972—2016年全人群脑及中枢神经系统肿瘤（以下简称脑肿瘤）病例生存率,为预后评价及防治提供依据。方法 基于启东市癌症登记病例资料,采用SURV3.01软件中Hakulinen方法计算观察生存率（observed survival rate,OSR）和相对生存率（relative survival rate,RSR）,应用Hakulinen氏似然比检验法进行统计学检验。用Joinpoint 4.7.0.0软件进行Joinpoint回归分析,计算脑肿瘤生存率年度变化百分比（annual percentage change,APC）。用SAS 9.2软件采用时间序列分析中的ARIMA模型进行脑肿瘤患者生存率趋势预测。结果 启东市1972—2016年脑肿瘤1、5、10年OSR分别为30.11%、14.94%及11.84%;1、5、10年RSR分别为30.77%、16.70%及14.94%。分时期生存率分析显示RSR上升趋势有统计学意义（P<0.01）。男性RSR低于女性,差异有统计学意义（P<0.01）。不同年龄组RSR差异有统计学意义（P<0.0...     

心血管内科住院患者医院感染现况及危险因素研究

目的探讨职工医院心血管内科医院感染发生的特点及影响因素,以减少医院感染的发生。方法对2011年4月—2014年4月心血管内科住院的患者医院感染发生情况进行回顾性分析,利用SPSS17.0软件,采用logistic回归分析模型进行影响因素探讨。结果心血管内科384例患者中,发生医院感染28例,医院感染率为7.29%。感染部位以呼吸道为主,占64.29%。共分离33株病原菌,其中革兰阴性菌占63.63%,肺炎克雷伯菌和铜绿假单胞菌分别占27.26%和21.22%。多因素logistic回归分析显示,年龄、住院时间、合并基础疾病、抗酸药物的应用、联合应用抗菌药物、侵入性操作和心功能分级是心血管内科住院患者发生医院感染的独立影响因素(P0.05)。结论心血管内科住院患者医院感染的风险较高,应增强对相关影响因素的认识,采取有针对性的防控措施,以降低医院感染的发生。     

急诊科重症患者医院感染的危险因素与预防

目的探讨导致急诊科重症患者发生医院感染的危险因素,并根据危险因素提出有效的预防措施。方法选择医院2012年1月-2014年12月急诊科收治的800例重症患者,分析所有患者的临床资料,包括:患者感染部位、住院时间、基础疾病、侵入性操作等,并进行多因素logistic回归分析,数据采用SPSS 19.0软件进行统计分析。结果共114例患者发生医院感染,感染率为14.25%,以呼吸道感染为主占47.37%;对患者的资料进行多因素logistic回归分析显示,年龄≥60岁、住院时间1周、有侵入性操作、抗菌药物广泛使用、病变部位较多及患有基础疾病为发生医院感染的独立危险因素(P0.05)。结论为预防感染的发生,应减少对患者的侵入性操作,控制基础疾病,诊治过程中严格执行无菌理念,合理使用抗菌药物,做好病房环境的消毒工作等。     

重症监护病区医院感染风险预测模型构建

目的应用分类树(CHAID)算法和Logistic回归分析构建重症监护病区医院感染风险预测模型,并比较二者预测结果的优劣。方法回顾分析2016年1月-2017年6月入住重症监护病区(包括ICU、RICU、CCU/CNICU)超过48h及转出重症监护病区48h内的住院患者,应用CHAID算法和Logistic回归分别建立医院感染的风险预测模型,并对模型进行拟合优度检验评价模型,使用受试者工作特征曲线(ROC)曲线下面积(AUC)比较两种预测模型的优劣。结果共收集患者1 232例,其中院内感染182例,感染发病率14.8%;分类树模型和Logistic回归均显示住院天数≥10天、APACHEⅡ评分≥20、中心静脉插管日数≥7天是院内感染发生最重要的影响因素;分类树Risk统计量为0.286,模型拟合效果较好;分类树模型的灵敏度为83.5%,特异度59.3%,ROC AUC为0.788(95%CI 0.742～0.835);Logistic回归模型的灵敏度为80.2%,特异度81.3%,AUC为0.869(95%CI0.832～0.906);通过比较,分类树模型和Logistic回归模型两者结果差异有统计学意义(Z=4.656,P0.001)。结论 Logistic回归模型的预测效果优于分类树模型,两个模型的分析结果相结合可以从不同层面发现医院感染的风险因素,为进一步预防与控制医院感染的发生提供参考依据。