基于ARIMA-GRNN组合模型预测医保补偿住院费用

目的 探讨ARIMA-GRNN组合模型在城乡居民基本医疗保险的医保补偿住院费用预测中的应用,比较它与ARIMA模型预测的效果。方法 收集2016年1月至2020年12月河南某市城乡居民基本医疗保险的住院补偿费用,使用Matlab R2016a建立ARIMA-GRNN组合模型,使用R 4.0.3建立ARIMA模型,用2020年5月至12月的数据对两模型的预测效果做评价。结果 ARIMA(0,1,1)(1,0,0)12模型相对最优,其拟合部分的MAE、MAPE、RMSE分别为3998.4、10.9%、5642.9,预测部分的MAE、MAPE、RMSE分别为6521.9、16.5%、6675.8。ARIMA-GRNN模型最优光滑因子为0.166,其拟合部分的MAE、MAPE、RMSE分别为4044.5、11.1%、5622.0,预测部分的MAE、MAPE、RMSE分别为5831.8、14.8%、6013.7。结论 ARIMA-GRNN组合模型预测效果比单纯ARIMA模型好,可短期预测医保补偿住院费用。     

神经系统疾病诊断相关分组研究——以河南省某三甲医院为例

目的 分析神经系统疾病患者的住院费用影响因素,建立该疾病的诊断相关分组（DRGs）模型,为DRGs实施和细化分组提供参考。方法 以河南省某三甲医院2013—2019年43 198例神经系统疾病患者住院病案首页数据为研究对象,分别用非参数检验、人工神经网络进行单因素、多因素分析,用决策树CHAID算法构建分组模型,用变异系数（CV）、ROC曲线和非参数检验对分组结果评价。结果 以是否手术（0.5090）、病例分型（0.2799）、有无其他诊断（0.1702）、入院途径（0.0217）4个重要因素作为分类截点,分成15个DRG组;模型评价结果是ROC曲线下面积均＞0.5,变异系数（CV）最大为0.98, P值均＜0.05,分组效果良好。结论 是否手术、病情危重、有无其他诊断、入院途径是神经系统疾病患者分组的重要因素,人工神经网络和CHAID算法相结合,建立的分组方案合理。