谱分析及其在门诊量统计分析中的应用

以门诊量资料为例，计算功率谱密度函数，研究时间序列信号的频率域特征。方法：计算Ａ．Ｓｃｈｕｓｔｅｒ倡导的周期图，确定各周期成分的功率值，绘制功率谱密度函数图。结果不同料别门诊时序对应的频率特征得以直观表达，特征峰位置各有特点。经检验，时序为白噪声的零假设被拒绝。结论在频率域中对时间序进行谱分析，是对时间序列数据进行统计特征描述与推断的重要工具。     

门诊量预测在医院管理中的应用

目的了解2005~2007年门诊量趋势走向,为医院进行管理、规划提供科学依据。方法根据医院5年的门诊量变化趋势,依照折扣最小二乘法原理选择线性模型y=a+bx进行拟合,建立方程组来进行动态外推预测。结果预测模型为:Y=265.6021+21.6917X,估计标准差S(y)=17.44千人次。结论门诊量变动呈上升趋势。若要使门诊量达到预期目的,必须从主观上找窍门,挖掘潜力,依靠全院职工的共同努力。     

时间序列分析方法在医院检验科工作量预测中的应用

目的探讨时间序列分析在检验科工作量预测中的应用.方法根据我院检验科1994年3月至2004年6月的工作量资料,采用ARIMA时间序列分析方法建立一个简单实用的时间序列模型.结果1994年3月至2004年6月检验科的工作量沿逐年上升的趋势波动,该模型对2004年3月到6月检验科工作量预测的相对误差为1.36%～5.17%,预测结果比较满意.结论在工作量的近期预测中应用ARIMA时间序列模型分析方法对医院检验科工作具有一定的积极指导意义.     

X－11方法在某医院肾脏病科门诊量预测中的应用

目的：探讨X－11方法在某医院肾脏病科门诊量统计预测中的应用。方法收集某院2012—2014年各季度门诊量,利用SAS 9．1．3软件的X11过程,运用X－11方法对数据进行分析,分离季节因子,探索趋势拟合值与时间之间的关系,拟合回归方程,预测2015年一至四季度的门诊量。结果发现趋势拟合值与时间之间存在曲线关系,预测模型为Tt ＝15600＋50001＋e4．94－0．82t ,2015年一至四季度的门诊量分别为20471、21636、21329、18933。结论 X－11方法能够将季节因素分离,发现不同时间数据序列的趋势,因此预测结果值得应用。     

灰色GM(1,1)预测模型在门诊量预测中的应用

目的预测门诊量的变化趋势。方法利用灰色系统GM（1，1）预测模型Y（t）=[x（1）-μ/α]e-α（1-1）＋μ/α，分别预测2006—2009年门诊量的变化趋势。结果依据某医院2000-2005年门诊量的资料，所建立的灰色预测模型为：Y（t）=307．8518e^0.2175（1-1）-265．9218，拟合结果显示，模型的平均误差率为0．47％，精度为优（C=0．159，P=1）。结论预测结果表明：近几年的门诊量持续上升，为医院管理工作提供了科学依据。     

西京医院门诊量预测的趋势季节模型

目的描述西京医院1990年至1999年的实际门诊量变化趋势，预测2000年和2001年门诊量。方法根据1990年至1999年的实际门诊量，用趋势季节模型建立预测方程。结果趋势预测方程Y     

SPSS在医院统计预测中的应用

目的　探讨SPSS 8.0统计软件包中回归、指数平滑及ARIMA等时间序列分析模块的建模及诊断方法。方法　根据某医院 1995年 1月— 2 0 0 1年 11月的门诊人次历史资料 ,建立对数模型、指数平滑模型和ARIMA乘积模型 ,并对三者的预测结果进行比较分析。结果　对数模型、指数平滑模型和ARIMA乘积模型的预测平均相对误差分别为 14 .34% ,8.14 %和 4 .89%。结论　ARIMA乘积模型适于对有趋势性和周期性的门诊量数据进行预测。SPSS 8.0统计软件包时间序列分析模块操作方便 ,在医院统计预测中有广阔的应用前景     

灰色数列模型在医院门诊量预测中的应用

医院门诊工作可以反映医院的医疗质量、服务态度、医德医风.而门诊量即门诊人次系医院门诊工作主要考察指标,对它及其他相关指标结合起来进行分析、预测,可及时发现问题,合理地组织医疗力量,为求医者提供方便和质量要求,也可为决策者制订门诊工作计划,合理安排人力物力提供可靠依据.     

门诊量预测及变动趋势分析

1 门诊量预测 门诊工作量大、面广,门诊工作的效率和医疗质量的高低,不仅直接关系到人民的健康,也是评价医院社会效益和经济效益的主要指标之一。为更好地发挥我院在淮海经济区中医骨干作用,依据1985年至1994年10年历史资料(见表1),预测1995～1997年门诊量。     

我院出院人数预测模型分析

目的 比较趋势外推法、指数平滑法、ARIMA三种方法预测医院出院人次发展规律的优劣.方法 根据医院2000年1月～2010年8月住院统计资料,利用SPSS13.0软件建立三次曲线方程模型、Winters指数平滑模型、ARIMA模型,并对其结果进行比较分析.结果 三次曲线方程模型、Winters指数平滑模型预测精度不高,季节ARIMA乘积模型预测效果最好,是适合预测出院人数比较理想的方法.结论 季节ARIMA乘积模型可用于医院出院人数预测.     

ARIMA模型在门诊季节性时序预测中的应用

目的探讨某院5年门诊量的季节变动趋势。方法通过分析医院时间序列资料的变动规律,使用ARIMA（p,d,g）模型分析门诊量的动态变化。结果医院5年门诊量呈上升趋势及具有明显周期变化,预测值和实际值拟合程度高,相对误差在5．5％～6％之间。结论时间序列模型对于门诊人次发展变化规律的分析有较好的适应性和实用性。表明运用科学的方法,可以有效提高门诊管理水平。     

ARIMA模型中时间序列平稳性的统计检验方法及应用

目的：提出一种客观的统计检验方法来判断时间序列的平稳性。方法：根据Ｆｕｌｅｒ提出的τμ和ττ分布，采用回归分析的方法解决判断时间序列的平稳性。结果：统计检验的方法与传统的图示方法的结果是一致的。避免了主观性及过度差分。结论：统计方法目前仅适用于没有季节性波动的ＡＲＩＭＡ模型。图示法与统计检验相结合来判断时间序列平稳性是比较适合的方法     

ARIMA模型在医院卫生消耗材料需求量预测中的应用

目的 阐述ARIMA模型拟合时间序列的方法和步骤,并将其应用于医院卫生消耗材料需求量的预测,为医院设备管理人员提供决策依据。方法 利用SAS软件系统,求解适宜的ARIMA模型,据所得误差评价预测效果。结果 通过对3种卫生消耗材料需求量的预测,相对误差在10％左右,预测效果较为可靠。结论 医院卫生消耗材料需求量的近期预测中引入时间序列的ARIMA模型分析方法,能够对实际工作产生积极的指导意义。     

不同时间序列分析法在洞庭湖区血吸虫病发病预测中的比较

目的 通过比较时间序列分析中指数平滑法、移动平均法、自回归分析及自回归综合移动平均法(ARIMA)在洞庭湖区退田还湖濠口试点1990～2002年血吸虫病患病率预测中的优劣。方法 用时间序列分析各方法建模预测,比较各方法1994～2002年预测值的误差平方和,确定最佳预测方法。结果 指数平滑法、移动平均法、自相关分析及ARIMA法中1994～2002年预测值的误差平方和依次为39.40、39.86、26.63、22.54。结论 濠口试点1990～2002年患病率预测中,时间序列分析诸方法中ARIMA模型预测效果较好。     

ARIMA模型和BP神经网络模型在甘肃省结核病发病率预测中的应用

目的  探讨自回归滑动平均混合模型（autoregressive integrated moving average,ARIMA）与误差逆传播（（back propagation,BP）神经网络模型在甘肃省结核病发病率预测中的预测效果,选取合适的模型预测发病趋势。 方法  以甘肃省1997-2017年结核病数据为基础,建立ARIMA时间序列模型和BP神经网络模型分别预测2018-2019年的发病率,并比较两种模型的预测精度和建模效果。 结果  对于甘肃省2018年和2019年结核病发病率,ARIMA时间序列模型预测结果为55.1075,54.5373,MSE=92.24,MAE=7.5313,MAPE=9.26%;BP神经网络模型预测结果为62.0132,73.4460,MSE=9.6575,MAE=1.1449,MAPE=1.68%。 结论  BP神经网络模型对甘肃省结核病发病率的预测效果更佳,预测得2018-2019年甘肃省结核病发病率将呈小幅上升趋势。     

上海市痢疾发病率预测自回归求和移动平均模型的构建与应用

目的 探讨构建并应用自回归求和移动平均(autoregressive integrated moving average,ARIMA)模型预测上海市痢疾发病率的可行性.方法 基于1990-2007年上海的逐月痢疾发病率,采用非条件最小二乘法估计模型参数,按照残差不相关原则与简洁原则确定模型结构,依据赤池信息准则(Akaike information criterion,AIC)及许瓦兹贝叶斯准则(Schwarz Bayesian criterion,SBC)确定模型的拟合优度,建立预测上海痢疾发病率的最优ARIMA模型.用所得模型预测上海2008年的痢疾发病率,比较预测值与实际值的差异;再以1990年1月至2009年6月的数据构建模型预测上海2010年的痢疾发病率.结果 模型ARIMA(1,1,1)(0,1,2)_(12)较好拟合了既往时间段痢疾发病率的时间序列,模型自回归参数(AR1=0.443)、移动平均参数(MA1=0.806)与季节移动平均参数(SMA1=0.543、SMA2=0.321)均有统计学意义(P<0.01),AIC值=2.878,SBC值=16.131,模型残差为白噪声,模型数学函数式为(1-0.443B)(1-B)(1-B~(12))Z_t=(1-0.806B)(1-0.543B~(12))(1-0.321B~(2×12)μ_t.2008年逐月痢疾发病率的预测值符合实际值的变动趋势,全年发病率预测值与实际值的相对误差率为6.78%.预测2010年上海市痢疾发病率为9.390/10万.结论 ARIMA模型可以较好地拟合上海市痢疾发病率的时间变化趋势,并可用于预测未来的痢疾发病率,是一种短期预测精度较高的预测模型.     

不同机器学习算法在乌鲁木齐市NAFLD风险预测模型中的应用

目的 基于机器学习( machine learning,ML)的不同算法构建新疆维吾尔自治区乌鲁木齐市非酒精性脂肪性肝病（nonalcoholic fatty liver disease, NAFLD）决策树、随机森林及支持向量机风险预测模型,与经典logistic回归预测模型进行对比分析,以筛选出NAFLD最佳风险预测模型。方法 选取2018年1月—2019年12月就诊并明确诊断为NAFLD的患者429例为病例组,同时选择同期体检的健康志愿者561例作为对照组,探讨NAFLD患者健康状况、生活方式及行为等环境影响因素,基于影响因素构建NAFLD经典logsitic回归预测模型,并运用R软件构建决策树、随机森林及支持向量机风险预测模型,绘制四种模型受试者工作特征曲线（receiver operating characteristic curve,ROC）,计算曲线下面积(area under curve,AUC) ,运用“十折交叉验证法”(10-fold cross-validation)对各模型准确率、灵敏度、特异度等指标进行对比分析。结果 共纳入体质指数（P＜0.001;OR = 14.479;95%CI:4.000～52.407）、腰臀比（P = 0.001;OR = 3.692;95%CI:1.713～7.956）、被动吸烟（P = 0.004; OR = 3.074; 95%CI:1.426～6.623）、主食品种（P = 0.001;OR = 4.938;95%CI:2.004～12.164）、高血压（P = 0.008 ;OR = 3.601;95%CI:1.407～9.219）、糖尿病（P = 0.018;OR = 4.719;95%CI:1.301～17.124）、血脂异常（P＜0.001;OR = 8.538;95%CI:3.582～20.350）、食用红肉类频率（P＜0.001;OR = 5.923;95%CI:2.487～14.106）、压力（P = 0.019;OR = 2.466;95%CI:1.158～5.252）、食用水果频率（P = 0.034;OR = 0.498 ;95%CI:0.261～0.949）、文化程度（P = 0.011;OR = 0.444;95%CI:0.238～0.828）11个预测因素构建经典logistic回归预测模型、决策树、随机森林及支持向量机风险预测模型。四种模型均具良好NAFLD风险预测能力,各模型准确率均大于0.80,灵敏度均大于0.85,Kappa值均大于0.65,阳性预测值、阴性预测值均大于或等于0.80;其中支持向量机具有最高的准确率(0.852)、特异度(0.855)、阳性预测值(0.877)及仅次于logsitic回归预测模型的AUC值(0.9086)。结论 综合分析可知,基于支持向量机算法的预测模型更具有优势,可以有效地预测NAFLD患病风险,更有助于NAFLD的预防、早期治疗和管理。