门诊病人预测与分析

目的通过我院2002年1月至2005年6月每季度的实际门诊量变化趋势,预测2005年三、四季度和2006年全年各季度的门诊量。方法用趋势季节模型建立预测方程。结果趋势预测方程:y^t=9768.7+129.3t,预测值=季节变化指数×y^t。结论医院门诊量呈缓慢上升趋势,且趋于平稳,各季度变化有明显季节规律。通过预测模型预测门诊量,为制订门诊工作计划和提高管理水平提供了科学依据。     

某社区卫生服务站门诊量动态分析

目的分析某社区卫生服务站2003～2012年门诊量的动态发展趋势,预测2013年门诊量。方法用最小二乘法拟合趋势直线方程预测年门诊量,利用变动系数预测月门诊量,并估计95％可信区间。结果2003～2012年门诊量近似直线增长。2013年预测门诊量为76061人次,1～9月实际值与预测值误差2．5％。结论应用最小二乘法对门诊量进行预测,效果满意,可为医院科学管理提供数据依据。     

我院2007～2009年门诊量预测与分析

目的通过我院2000～2006年的实际门诊量变化趋势,预测2007～2009年的门诊量,为医院进行管理提供科学依据.方法用最小二乘法建立预测方程.结果预测模型为(y)=53.27+7.56t结论门诊量呈上升趋势,加强门诊建设,打造毓医品牌.     

某院眼科门诊量季节变化的趋势预测

目的找出眼科门诊量的季节变动规律，得出未来门诊量的趋势预测资料，使其成为制定工作计划的可靠决策依据。方法选取眼科近5年门诊人次资料，运用最小二乘法，计算各月季节比率，拟合直线趋势方程，并对直线趋势方程进行检验。最后进行趋势预测，并且以95％的置信程度进行区间预测。结果每年的3、7、8、10月是眼科1年中的旺季，其余为淡季。结论眼科是该院的支柱产业，应根据门诊量季节变动的规律，合理安排门诊医务人员，在高峰期加强门诊窗口力量，缩短病人就诊时间，取得最佳社会效益和经济效益。     

ARIMA干预模型在医院门诊量预测中的应用

目的分析医院月门诊量变化趋势，对医院月门诊量预测方法进行探讨。方法提取某医院2000年1月到2007年5月月门诊量数据，分析该时间序列变化趋势，并分别应用ARIMA干预模型和非干预模型对其进行预测。结果该时间序列具有季节性变化同时有增大的趋势。ARIMA干预模型预测值较非干预模型预测值更接近实际值。结论月门诊量变化趋势较复杂，影响因素较多，应用ARIMA干预模型方法进行预测可以取得较好的预测效果。     

Analysis and Forecast of the Mortality of Diabetes Mellitus in China

[目的]分析1990～1999年我国城市和农村居民糖尿病死亡率的现况特点并预测未来5年的变化趋势.[方法]根据<全国卫生统计年报>资料,对我国1990至1999年糖尿病死亡率的现况进行流行病学分析,并利用灰色动态模型GM(1.1)预测我国2000至2005年城市和农村糖尿病死亡率趋势.[结果]城市1999年糖尿病死亡率为15.37/10万而农村为5.13/10万,分别是1990年死亡率的1.89倍和1.71倍;女性的死亡率高于男性,城市和农村男女死亡率之比分别为0.63∶1和0.76∶1;根据1990～1999死亡率所建立的城市的灰色模型预测方程为t=-106.481 7×(1-e0.074 58t)-Yt-1(t=1,2,...,N),而农村的方程为t=-33.605 3×(1-e0.075 37t)-Yt-1(t=1,2,...,N);预测到2005年我国城市和农村糖尿病死亡率将分别达到25.24/10万人和8.15/10万人;精度检验证明了城市和农村的预测模型拟合良好而外推测值可信.[结论]我国人群糖尿病死亡率上升趋势明显,提示有关部门应加强防治力度;灰色模型GM(1.1)能够较好地预测糖尿病死亡率的近期变化趋势.     

2005年某院门诊量统计预测

目的为合理地调配门诊医疗资源提供依据。方法采用直线方程预测全年门诊量．采用门诊科室构成比预测各门诊科室的门诊量，采用月份比重预测全年各月份的门诊量。结果2005年门诊量预测值为261873人次。结论通过预测分析可知各月门诊波动情况，在低峰期可安排医护人员休假，高峰期多开诊室．加强病人分流。这在医院管理中有重要参考作用。     

门诊量的预测

资料来源于某综合医院统计室1992-2001年10年历史资料(见表1),预测2002-2004年门诊量.为了确定该院的门诊发展趋势属于何种数学模型,先将资料绘出动态趋势图(图略),从图中可以看到门诊量动态变化趋势是直线下降,适合最小二乘法配合趋势直线方程=a bt.     

运用最小二乘法预测某院妇产科门诊量季节变化趋势

目的 找出妇产科门诊量季节变动规律,得出未来门诊量的趋势预测资料,使其成为制定工作计划的可靠决策依据.方法 选取妇产科近5年门诊人次资料,运用最小二乘法计算各月季节比率,拟合直线趋势方程,并对直线趋势方程进行检验.最后进行趋势预测,并且以95%的置信度进行区间预测.结果 每年3月,5~10月是妇产科1年中的旺季,而其余为淡季.结论 妇产科是医院的重要科室,应根据门诊季节量的变化规律,合理安排门诊医务人员,在高峰期加强门诊窗口力量,缩短病人就诊时间,取得最佳社会效益和经济效益.     

运用灰色数列模型对某院门诊量进行分析预测

目的 预测某院门诊量的变化趋势,为医院领导制定管理措施提供科学依据. 方法 利用GM（1,1）灰色模型对某院近10年门诊人次数进行拟合,并预测近3年的门诊量. 结果 根据某院1999-2008年的门诊人次数建立的灰色预测模型为：（t）=2 787.08e^0.023 28（t-1）-2 727.67 .模型的平均误差率为1.49%,该模型精度为优（C=0.206, P=1.000）,预测效果好. 结论 GM（1,1）灰色模型为拟合和预测医院门诊量的理想模型,预测出该院门诊量呈上升趋势.     

自回归求和移动平均季节乘积模型在结核病发病率预测中的应用

目的探讨自回归求和移动平均（autoregressive integrated moving average,ARIMA）季节乘积模型在季节性时间序列资料分析中的应用,建立结核病发病率的预测模型。方法利用重庆市结核病防治所登记的某区1993至2004年结核病新发病例数及该区各年的平均人口数,采用条件最小二乘法估计模型参数,按照残差不相关原则、简洁原则确定模型的结构,依据Akaike信息准则（Akaike’s information criterion,AIC）与Schwartz的贝叶斯信息准则（Bayesian information criterion,BIC）确定模型的阶数,建立结核病发病率ARIMA季节乘积预测模型。结果非季节和季节移动平均参数分别为0．84076和0．46602,t检验的P值均小于0．05,有统计学意义,方差估计值为0．088589,AIC=19．75979,SBC=23．28219,显示模型提取序列中几乎所有的样本相关信息。对模型进行残差白噪声分析,X^2检验统计量的P值均大于0．05,表明ARIMA（0,1,1）（0,1,1）。NOINT模型是有效的。结论ARIMA（0,1,1）（0,1,1）。NOINT模型是一种短期内预测精度较高的结核病发病率预测模型。     

ARIMA模型应用于月门诊量预测

目的探讨季节性时间序列ARIMA预测模型在时间序列资料分析中的应用，建立门诊量的预测模型。方法采用最小二乘法估计模型参数，通过对数转换及差分方法使原始序列平稳，按照残差不相关原则、简洁原则确定模型结构．依据AIC和SBC准则确定模型阶数，建立ARIMA预测模型。结果季节自回归参数有统计学意义。方差估计值为0．001956．AIC=-443．26．SBC=-437．51。对模型进行白噪声残差分析，拟合优度统计量表中表明ARIMA的估计具体模型为：（1-B）（1-B^12）Zt=（1—0．24269B）（1—0．30096B^12）a1是适合的。结论用所建立模型对月门诊量进行预测。结果表明ARIMA是一种短期预测精度较高的预测模型。     

全国伤寒、副伤寒发病的季节趋势模型研究

目的分析全国2006-2010年伤寒、副伤寒报告病例数据,应用季节趋势模型预测2011年的发病例数。方法应用SPSS 15.0和Excel软件拟合2006-2010年全国伤寒、副伤寒逐月报告发病人数的季节趋势模型。结果全国伤寒、副伤寒的发病情况呈逐年下降趋势,应用逐月报告发病人数建立的季节趋势模型差异有统计学意义（F=11.688,P=0.001）,应用模型预测2011年全国伤寒、副伤寒的发病人数为12543例,较上年减少2169例。结论季节趋势模型充分考虑了疾病流行的长期趋势和季节性流行特点,拟合近年全国伤寒、副伤寒发病数据效果较好,可利用模型进行短期预测。     

单纯ARIMA模型和基于季节性分解的ARIMA模型在丙肝发病率中的预测效果比较

目的 探讨单纯求和自回归移动平均(ARIMA)模型和基于季节性分解的ARIMA模型在丙肝发病率拟合及预测中的应用。方法 收集2007－2015年荆州市丙肝月发病率资料,分别建立单纯ARIMA模型和基于季节性分解的ARIMA模型,采用2016年月发病率资料进行外回代验证模型的外推预测效果,评价指标包括相对误差(relative error,RE)、平均相对误差(mean relative error, MRE)、平均误差率(mean error rate,MER)、均方误差(mean square error,MSE)和平均绝对误差(mean absolute error, MAE)。结果 单纯ARIMA模型拟合和预测的MRE、MER、MSE、MAE分别为17.868、16.367、0.225、0.177 和14.090、15.057、0.343、0.284;基于季节性分解的ARIMA模型拟合和预测的MAD、MER、MSE、MAE分别为14.732、13.556、0.201、0.151和11.778、12.353、0.277、0.229。结论 在丙肝发病率的拟合及预测中,基于季节性分解的ARIMA模型优于单纯ARIMA模型。     

江西省乙型肝炎发病趋势的时间序列和预测模型分析

目的利用乘积季节模型预测江西省乙型肝炎(乙肝)的发病趋势,为江西省乙肝预警预测奠定基础,同时为制定防控措施提供科学依据。方法利用最小二乘原理,应用自回归求和移动平均模型与随机季节模型相结合的乘积季节模型,对江西省1990-2009年乙肝月发病数进行时间序列分析并建立预测模型,用2010年相应数据验证预测效果,并对2010年以后江西乙肝发病趋势进行预测。结果利用1990-2009年资料构建ARIMA(1,1,1)(0,1,1)12模型,所建立的预测效果良好,实际值均在预测值95%可信区间内,预测2011-2014年江西省乙肝发病人数呈上升趋势。结论采用ARIMA乘积季节模型预测江西省乙肝发病情况,拟合及近期预测效果均较好。预测效果符合江西省乙肝发病现状及目前采取的乙肝防治措施。     

趋势季节模型在腹泻症候群监测信息分析中的应用

目的 应用趋势季节模型对徐州市2006-2009年哨点医院腹泻症候群监测的数据进行拟合,探索适合社区全科医生对疾病或事件预警的方法.方法 利用时间序列的趋势季节模型对徐州市2006-2009年哨点医院腹泻症候群监测的数据进行建模.计算趋势方程,各季平均季节指数、季节指数的校正系数、各季调整季节指数,拟合2006-2009年各季节哨点医院腹泻症候群监测的数,并将拟合值与实际值比较,检验模型的拟合能力.计算季节预测误差指标,预测2010年全年和各季度检测数.结果 对所分析的徐州市2006-2009年哨点医院腹泻症候群监测的数据资料建立了直线回归模型t＝12 887.79﹢181.79t.各季度平均季节指数分别为98.77%、100.58%、100.43%、100.18%.季节指数的校正系数为1.000 1.各季度调整季节指数分别为98.78%、100.59%、100.44%、100.19%.对2006-2009年腹泻病症候群监测数拟合结果显示,精确度最高的2008年第3季度达99.54%,最差是2006年第1季度,为90.27%,拟合精度在90%以上.用趋势季节模型预测哨点医院2010年腹泻病症候群检测数,预测全年检测65 007例,1～4季度分别检测15 783、16 255、16 414、16 555例.结论 时间序列的趋势季节模型能较好的分析疾病或事件产生同时间的关系,并有较强的预测能力,从而为社区全科医生对疾病或事件产生的预警提供了有效的工具.     

Weather variability and the incidence of cryptosporidiosis: comparison of time series poisson regression and SARIMA models

PURPOSE: Few studies have examined the relationship between weather variables and cryptosporidiosis in Australia. This paper examines the potential impact of weather variability on the transmission of cryptosporidiosis and explores the possibility of developing an empirical forecast system. METHODS: Data on weather variables, notified cryptosporidiosis cases, and population size in Brisbane were supplied by the Australian Bureau of Meteorology, Queensland Department of Health, and Australian Bureau of Statistics for the period of January 1, 1996-December 31, 2004, respectively. Time series Poisson regression and seasonal auto-regression integrated moving average (SARIMA) models were performed to examine the potential impact of weather variability on the transmission of cryptosporidiosis. RESULTS: Both the time series Poisson regression and SARIMA models show that seasonal and monthly maximum temperature at a prior moving average of 1 and 3 months were significantly associated with cryptosporidiosis disease. It suggests that there may be 50 more cases a year for an increase of 1 degrees C maximum temperature on average in Brisbane. Model assessments indicated that the SARIMA model had better predictive ability than the Poisson regression model (SARIMA: root mean square error (RMSE): 0.40, Akaike information criterion (AIC): -12.53; Poisson regression: RMSE: 0.54, AIC: -2.84). Furthermore, the analysis of residuals shows that the time series Poisson regression appeared to violate a modeling assumption, in that residual autocorrelation persisted. CONCLUSIONS: The results of this study suggest that weather variability (particularly maximum temperature) may have played a significant role in the transmission of cryptosporidiosis. A SARIMA model may be a better predictive model than a Poisson regression model in the assessment of the relationship between weather variability and the incidence of cryptosporidiosis.     

产妇分娩数季节变动的灰色预测分析

目的论述和探索灰色预测在产妇分娩季节变动中的应用方式和途径.方法以某医院1997-2001年间各月产妇分娩人数为例,应用灰色系统理论分别对各年的月平均资料序列和各年的分娩总数资料序列建立了GM(1,1)灰色预测模型,结合不同的各月季节比率对该院2002年各月产妇分娩人数进行了预测和分析.结果所建预测模型拟合精度比文献[1]高.结论灰色预测可应用于产妇分娩季节变动的预测.     

成都市人口死亡率时间序列分析与预测

目的采用时间序列分析和预测成都市人口死亡率的动态发展趋势,建立时间序列模型,考察模型的应用效果并做出预测。方法利用时间序列自相关系数和偏相关系数识别模型,采用最小二乘法估计模型参数,用Box-Ljung统计量评价ARIMA模型的拟和度,用平均预测相对误差作为预测效果的评价指标。结果建立乘积ARIAM(0,1,1)(0,1,1)12模型,模型平均绝对百分误差MAPE=8.50%。成都市人口死亡率自2000年逐渐下降,预计序列后2年将继续呈现下降趋势。结论所运用的时间序列分析和预测模型拟合效果较好,可应用于疾病发病和死亡动态变化规律的分析和其未来发展趋势的预测、预报。     

时间序列分解法在北京市朝阳区细菌性痢疾周报告发病率预测中的应用

目的 使用时间序列分解法建立数学模型对北京市朝阳区细菌性痢疾报告发病率按"周"进行预测,并评价模型的预测效果.方法 首先使用时间序列分解法剔除时间序列的季节变动因素(S_t),然后对剔除季节因素后的时间序列通过模型识别、参数估计及检验、白噪声检验等过程,建立求和自回归移动平均模型(ARIMA),最后将S_t和ARI-MA相乘得到预测模型.结果 对朝阳区2008年细菌性痢疾报告发病率建立预测模型为S_t×ARIMA(2,1,3),预测的平均误差为-0.06,平均相对误差为2.32%.结论 时间序列分解法可以利用按"周"统计的数据进行预测,缩短了预测周期,并具有较高的短期预测精度.