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。     

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.     

用最小二乘法预测医院住院人数

目的 建立线性回归模型,预测某医院2007-2010年住院人数.方法 采用最小二乘法建立线性模型,并对模型进行回归分析.结果 某医院2007-2010年住院人数预测值分别为17150、18260、19370和20480.预测区间分别为14750～19550、15860～20660、16970～21770、18080～22880.结论 最小二乘法是从事物变化的因果关系出发来进行预测的一种方法,通过预测住院人数,能为医院的工作计划和决策提供理论依据,使卫生资源合理应用.     

应用ARIMA模型对呼吸系统疾病月住院量及住院费用的预测北大核心CSCD

目的应用自回归移动平均模型(autoregressive integrated moving average model,ARIMA)分析和预测上海市居民呼吸系统疾病月住院量及住院费用情况。方法通过对2005-2011年呼吸系统疾病逐月住院人数与费用数据建立ARIMA模型,利用该模型预测2012年1-12月的呼吸系统疾病住院量与住院费用,用平均预测相对误差作为预测效果的评价指标。结果 ARIMA(0,1,1)(0,1,1)12与ARIMA(0,1,1)模型是上海市居民呼吸系统疾病月住院量及住院费用的最优拟合预测模型,用该模型进行回代预测,预测值与实际值吻合程度较高。结论 ARIMA模型较好地模拟了上海市居民呼吸系统疾病月住院量及住院费用在时间序列上的变化趋势,预测结果可为今后呼吸系统疾病的预防和控制提供理论支持。     

应用ARIMA模型对呼吸系统疾病月住院量及住院费用的预测

目的应用自回归移动平均模型(autoregressive integrated moving average model,ARIMA)分析和预测上海市居民呼吸系统疾病月住院量及住院费用情况。方法通过对2005-2011年呼吸系统疾病逐月住院人数与费用数据建立ARIMA模型,利用该模型预测2012年1-12月的呼吸系统疾病住院量与住院费用,用平均预测相对误差作为预测效果的评价指标。结果 ARIMA(0,1,1)(0,1,1)12与ARIMA(0,1,1)模型是上海市居民呼吸系统疾病月住院量及住院费用的最优拟合预测模型,用该模型进行回代预测,预测值与实际值吻合程度较高。结论 ARIMA模型较好地模拟了上海市居民呼吸系统疾病月住院量及住院费用在时间序列上的变化趋势,预测结果可为今后呼吸系统疾病的预防和控制提供理论支持。     

二元回归直线方程预测住院收入

目的用二元回归直线方程预测医院的住院收入。方法用最小二乘法原理，运用Excel软件计算线性回归方程，最后作出预测。结果当2006年的出院人数为28782人时，住院收入为386919181元。结论医院住院收入受多因素影响，可选用多元回归直线方程进行预测。     

ARIMA模型在预测我国乙肝月报告发病数中的应用

目的 建立适合预测我国乙肝月报告发病人数的自回归移动平均（autoregressive integrated moving average,ARIMA）模型。方法 收集2010年3月~2017年8月我国乙肝月报告发病人数据资料,用Excel 2010建立数据库,用R 3.3.3软件进行模型构建。其中2010年3月~2017年3月数据用于模型建立,2017年4~8月数据用于模型检验。结果 我国乙肝月报告发病数整体呈现下降趋势并于每年2月达到最低值,于3月份迅速上升到高峰值,具有明显季节性和周期性。建立ARIMA（2,1,1）（1,1,1）₁₂模型对我国乙肝月报告发病数进行预测,该模型预测的绝对误差平均值为2 628.55,相对误差最大值为6.16%,最小值为1.29%,平均值为2.61%。结论 基于本研究数据,ARIMA（2,1,1）（1,1,1）₁₂模型能较好地拟合我国乙肝的月报告发病人数,可用于预测。     

某院门诊病人的预测与分析

目的预测医院门诊病人工作量，为制定医院工作计划提供科学的决策依据。方法选用某院2001—2010年门诊人次，用最小二乘法建立线性模型，对模型进行回归分析。结果回归模型为y=32．6＋4．0t（万人）。t检验、显示该方程有统计学意义。结论预测门诊人次，有利于合理安排就诊流程，为广大群众提供高质量的门诊服务。     

某医院出院人数趋势预测

目的 建立线性回归模型,预测某医院出院人数,为医院决策提供的理论依据.方法 采用最小二乘法建立线性模型,并预测近两年出院人数.结果 某医院2001-2011年出院人数Y与时间X（年度序号）呈线性关系,直线回归方程为Y=3 715＋520.5X.预测的2012年出院人数为9 962人,95%概率的波动区间为8 348～11 575人;预测2013年出院人数为10482人,95%概率的波动区间为8 803～12 162人.结论 最小二乘法是从事物变化的因果关系出发对未来发展趋势进行预测的一种方法.本文通过出院人数的预测,为制订2012-2016年五年规划和年度工作计划提供了科学的理论依据.     

利用趋势季节模型预测入院人数

目的探讨趋势季节模型在入院人数预测中的应用。方法根据我院1999—2005年的统计资料,采用趋势季节法建立入院人数预测模型。结果1999—2005年的入院人数呈逐年上升的趋势波动,该模型对2005年入院人数预测的相对误差为1.67%7.58%,预测结果较好。结论在入院人数的近期预测中应用趋势季节模型是合理的,也是实用的。     

ARIMA模型和ARIMA-GRNN模型在AIDS发病预测中的应用

目的 探究适用于预测我国艾滋病月发病人数的模型,为艾滋病的预防提供参考。方法 收集2011年1月至2017年12月我国艾滋病月发病报告人数资料,建立自回归移动平均（autoregressive integrated moving average,ARIMA）模型及广义回归神经网络（generalized regression neural network,GRNN）模型与ARIMA模型的联合。用2018年1月至5月艾滋病月发病数评估该模型预测效果。结果 艾滋病月发病数呈明显季节性,拟建立ARIMA（1,1,1）（0,1,1）₁₂模型对我国艾滋病月发病报告数进行预测。建立ARIMA-GRNN模型的光滑因子为0.021。ARIMA-GRNN模型拟合及预测误差均低于ARIMA模型。结论 ARIMA（1,1,1）（0,1,1）₁₂和ARIMA-GRNN模型均能较好地拟合并预测我国艾滋病月发病人数,但联合模型的效果更优。     

我国妇幼死亡率GM(1,1)与线性回归预测模型研究

目的提出妇幼死亡率预测的GM(1,1)与线性回归模型,探讨资料处理、模型检验方法,以及适用性。方法论证后建立婴幼儿死亡率GM(1,1)模型和孕产妇死亡率线性回归模型。结果婴幼儿死亡率GM(1,1)模型预测效果好;孕产妇死亡率线性回归模型预测更优。结论 GM(1,1)适于离散、灰序列建模;事物呈时序线性变化时线性回归模型预测更优。     

我国某地区痢疾发病率与气象因素的关系及其预测模型

[目的] 建立我国某地区痢疾发病率的预测模型,并探讨各种气象因素对痢疾发病率影响的相对重要性.[方法] 以2000年1月～2005年12月气象因素为输入神经元,同期痢疾月发病率为输出神经元建立BP人工神经网络模型.同时以气象因素为自变量,痢疾月发病率为应变量,建立多元线性回归模型.以上两模型分别以MIV值和标准化偏回归系数确定各气象因素的相对重要性.以2006年痢疾月发病率检验以上模型的预测效果. [结果] BP人工神经网络模型的平均误差率为17.12%;非线性相关系数为0.76.多元线性回归模型的平均误差率为10.74%:非线性相关系数为0.88.多元线性回归模型表明,影响痢疾发病率的重要气象因素为平均气压、平均最低气温、平均最高气温、平均相对湿度.BP人工神经网络模型的研究结果与其基本一致,平均气压、平均相对湿度、平均最高气温、平均气温为重要性排序前4位的气象因素.[结论] 对我国某地区痢疾发病率的预测可使用以气象因素为自变量的多元线性回归模型进行预测,影响疾病发病率的主要气象因素为平均气压、平均最低气温、平均最高气温、平均相对湿度.     

某院门诊人数与住院人数的预测及相关分析

目的 对某院的门诊人数与住院人数进行预测及相关分析,为医院的现代化管理,促进医院的发展提供科学依据.方法应用趋势季节模型预测法.结果对门诊人数及住院人数直线趋势方程的回归系数b进行显著性检验和方差分析,P值均＜0.01,回归系数b有显著意义.预测2010年各季度门诊量分别为59 664、68 476、69 552、71 839人,预测2010年各季度住院量分别为3 141、3 342、3 354、3 882人.住院人数与门诊人数呈正相关关系.结论 2010年各季度门诊人数及住院人数实际值与预测值的符合程度达95%左右.该法预测效果好.     

SARIMA模型在苏州市细菌性痢疾发病预测中的应用

目的 探讨季节性差分自回归求和滑动平均(seasonal auto-regressive integrated moving average, SARIMA)模型在苏州市细菌性痢疾月发病数预测中的应用。 方法 利用R i386 3.2.3软件对2005年1月－2018年4月苏州市细菌性痢疾月发病数据构建SARIMA模型,对2018年5－7月份细菌性痢疾的月发病人数进行预测,验证预测效果。 结果 建立了SARIMA(0,l,2)×(0,1,1)₁₂模型,Ljung-Box检验结果为Q=19.494,P=0.244,模型拟合效果良好,与2018年5－7月实际发病人数比较,实际值均在预测值95%可信区间内,相对误差的平均值为-0.147。 结论 SARIMA(0,l,2)×(0,1,1)₁₂模型可以对苏州市细菌性痢疾月发病人数进行较好的预测。     

全国孕产妇死亡率不同模型的拟合效果比较

目的:探究分析灰色模型GM(1,1)、ARIMA及线性回归模型在孕产妇死亡率(MMR)中的拟合应用并比较模型的适用性及精确性,为妇幼保健工作提供科学依据。方法:以1991~2012年全国MMR为原始资料,运用SAS分析软件,分别采用灰色模型GM(1,1)、ARIMA及线性回归进行拟合比较分析并预测2013年MMR,比较预测效果。结果:灰色模型GM(1,1)和线性回归模型均通过模型检验建模成功,灰色模型GM(1,1)P=1.00,C=0.137 89,线性回归模型F=236.57,P<0.000 1;2013年MMR预测显示:线性回归模误差较大,误差的方差(MPE)为10.08,平均相对误差绝对值(MAPE)为13.69%。结论:ARIMA不适合拟合MMR,灰色模型GM(1,1)和线性回归模型均可用于MMR的拟合,但预测某一年份时需慎重。     

基于Joinpoint回归模型的住院量实证分析

目的对医院住院量进行Joinpoint回归分析的实证研究。方法应用SAS 9.3软件确定数据分析方法,应用Joinpoint回归分析软件建立Joinpoint回归预测模型。结果该院住院患者人次数据为非正态分布W=0.69,P0.01,呈现指数趋势,应用非线性回归模型;Joinpoint回归分段点为1989年、1995年、2001年、2007年和2013年,5个分段点的假设检验(P0.05)具有统计学意义;根据Joinpoint回归方程预测2016-2020年住院量为189119,201119,213881,227452,241885。结论 Joinpoint回归分析可用于医院管理数据的分析与预测,且拟合效果较好;医院需进一步优化服务流程,应对住院患者人数的变化。     

线性回归预测模型有效超前期的确定方法

线性回归预测模型是应用线性回归技术,根据历史数据建立回归方程,用此回归方程进行超前预测。然而,建立了一个线性回归模型能否用其做无限期的超前预测呢？显然,一个预测模型的预测精度随着超前期的增加而逐渐降低,即预测误差越来越大。当外推至某一期时,预测误差之...     

基于时间序列模型的某三甲医院心力衰竭入院人数及治疗趋势预测

目的 利用温特斯指数平滑法建立医院心力衰竭入院人数及平均住院日预测模型,探讨其应用价值,为医院管理提供科学依据。方法 从某三甲医院电子病历系统收集2007—2017年心力衰竭住院患者人数及其平均住院日,通过模型诊断、参数优化等方法,构建温斯特指数平滑模型,后对该院心力衰竭入院及治疗趋势进行预测,并对预测结果进行评价。结果 将该院2007年1月至2016年12月心力衰竭患者数据设定为训练样本,进行建模拟合及参数优化,以2017年1—12月数据作为测试样本,进行预测及验证。结果显示,该模型用于心力衰竭入院人数预测的平均绝对百分误差(MAPE)为7.055%,平稳R²为0.738;心力衰竭平均住院日预测的MAPE为4.323%,平稳R²为0.698。实际住院人数及平均住院日基本位于预测值的95%置信区间内,表明所建立的温特斯指数平滑模型能较好地用于心力衰竭入院人数及平均住院日的预测。结论 温特斯指数平滑模型能较好地预测心力衰竭住院患者人数、平均住院日的季节变化趋势,能为医院合理配置医疗资源提供方法参考及科学依据。     

基于最优加权组合模型的体检人数预测研究

目的对福建省某医院体检人数进行预测,为医务人员和医疗设备的合理配置提供理论依据。方法针对单一系统云灰色模型和多项式回归模型存在的不足,建立了一种基于最优加权组合的体检人数预测模型。以福建省某医院2009—2016年各季度体检人数为基础,考虑各季度体检人数的分布特性,采用两个单一子模型对体检人数分季度进行预测;通过最优加权法得到各模型的权值系数,构建组合预测模型,并采用实际数据进行对比分析,预测未来几年内各季度的体检人数。结果该院2017—2019年各季度体检人数呈逐年上升的趋势,2017—2019年的年体检人数预测值分别为108 858、114 663和124 150人。结论最优加权组合预测模型比单一系统云灰色模型和多项式回归模型具有更高的预测精度,为医院体检人数预测提供了一种新的方法,也可为医院的科学决策提供参考。