医疗保健行业顾问芭芭拉-托尼（Barbara Tawney）面临着一项艰巨的任务。她需要预测弗吉尼亚州里士满整个大都市医院系统的病人数量。每家医院的床位数都是有限的，因此都有一个最大容量。但整个系统中不可预测的病人需求导致系统中的九家医院有两次都达到了饱和状态，病人不得不被分流到该地区以外的医院。为了弄清如何预测病人数量激增并做好准备，Tawney 使用了神经网络。
Tawney 是弗吉尼亚大学工程与应用科学学院系统与信息工程系的一名博士候选人，同时也是一名活跃的咨询师。她擅长数据分析，尤其是大型数据集。弗吉尼亚健康信息公司是一家收集和储存全州所有医疗数据的非营利组织，在该公司的合作下，她获准有限度地访问里士满大都市 2000 年至 2003 年这四年的病人数据。时间序列数据来自 2000-2003 年期间该地区医院治疗的约 60 万名患者的医院账单信息。病人层面的数据（PLD）在 78 个不同的字段中有详细说明，包括入院和出院日期、诊断和住院时间。"Tawney说："我一直在寻找一种用户友好的自相关方法，一位同事向我推荐了 StatTools。她根据每个案例的活动日期和时间对 PLD 进行 "分档"，从而创建了数据的时间序列。她对时间序列数据进行了日趋势、周趋势和事件趋势分析。在分析了历史数据后，Tawney 预测了未来的患者负荷，如下图所示。她首先在现有数据上训练 NeuralTools。在分析过程中，她发现了更多的日、周和事件趋势，以及不寻常的日子。例如，Tawney 发现在一年中的大多数星期里，病人数量在周中达到高峰。节假日期间也有不同的独特模式。在感恩节假期前和假期期间，进入医院的病人数量低于正常水平，但在周一之后，病人大量涌入，使医院的资源捉襟见肘。同样，在圣诞节和新年双节期间，病人数量也明显减少。但每年在新年第一个完整星期的周一和周二，需求都会大幅激增。对于医院规划者和管理者来说，Tawney 的研究结果为预测整个里士满医院系统的病人负荷提供了依据。这些预测从几天到几个月不等。有了预测病人需求的能力，就能更有效地分配系统资源，包括安排服务时间。据 Tawney 称，该项目还带来了另一个重要发现：NeuralTools 是如此易于使用，以至于在她离开后的很长一段时间里，它还能继续工作。"医疗界的大多数人都不是工程师，"她说，"但他们可以使用 NeuralTools 来帮助自己预测未来的入院情况、当前病人的需求以及利用现有病人账单数据及时出院的需求。将这种预测带给非工程管理人员真是太棒了！"随着人们对神经网络技术众多功能的认识不断提高，神经网络软件产品的数量也在不断增加。虽然神经网络的潜在用户需要根据自己的需求和优先事项来评估这些产品，但对于任何客户来说，两个重要的考虑因素是结果的精确性和使用的简便性。重要的是要牢记，神经网络软件包 "学习 "的结果是否准确，取决于其计算过程是否灵敏。两个不同的程序可以分析相同的数据，但得出的结果却大相径庭。不过，这不应该吓倒潜在的购买者。两套结果之间的差异并不细微，即使是没有经验的分析师也能解读。测试正在考虑的软件包的试用版并比较结果是个好主意。易用性对初学者的好处显而易见。虽然计算过程的透明度可能会引起神经网络专业分析师的兴趣，但对于普通神经网络用户来说，无需考虑计算机在幕后做了什么，工作效率要高得多。以下内容为论文，和大家分享学习
分析大都市地区医院的患者负担
摘要
本研究记录了里士满大都市医院的患者负荷趋势。该工作基于对医院常规收集和存储的账单数据应用系统和信息工程分析。研究的动机源于里士满（VA）大都市地区的两个近期事件。2001 年 1 月 9 日和 2003 年 1 月 8 日，所有大都市医院迅速达到了最大患者容量。在这些事件中，因救护车或救援队送来的患者被转移到仍有剩余容量的医院。对2000，2001，2002 和 2003 年里士满大都市医院的患者数据进行了分析，以表征这些医院的患者负荷。这种类型的数据分析在文献中尚未报道。1 引言
医院是提供紧急和专业医疗服务的设施。医院工作人员可能会对到达医院的人进行诊断和治疗，然后将他们送回社区。一些患者可能需要进一步治疗，这将要求他们在医院内停留一段时间。大多数医院在一个单独的部门提供急救医疗服务，前来寻求医疗帮助的人会由分诊工作人员进行评估。在分诊评估后，患者的医疗需求将根据评估的优先级进行治疗。在美国，我们已经习惯于根据需要立即获得优质护理。我们不习惯于暂时拒绝医疗服务（诊断和治疗）。1.1 背景
医院接收来自三种不同途径的患者。到医院入院的一个来源是医院的急诊科（ED）。到急诊科的患者通常需要紧急护理。到急诊科的患者数量和需求各不相同。图 1 显示了急诊科患者和住院患者的流动。有些人可能将急诊科作为常规医生办公室，用于治疗感冒或流感。没有保险的人可能将急诊科作为他们主要的医疗来源。因汽车事故受伤的人可能需要在急诊科进行诊断和治疗。重伤者可能需要住院进行诊断和治疗。第二种入院患者的来源是通过医生安排的“随到随诊”。这些患者可能是为了进行测试或手术等程序而被安排的。接收患者的医生之前已与医院安排了患者的到达时间。该患者可能被视为需要在医院过夜的住院患者，也可能被视为“门诊患者”，在相对较短的时间内进行诊断和治疗，而不需要分配过夜床位。第三类到达的患者是来自其他医院的患者。被转院的患者可能需要在其他医院无法提供的专科护理。转院患者可能需要紧急的高水平护理，例如创伤护理。所有这些患者都在争夺接收医院的可用资源。每位需要接受过夜治疗的患者都需要一个床位。每位患者还需要工作人员和其他资源来照顾他们。通常，医院根据计划的患者数量安排工作人员和储存物资。当需要服务的患者数量超过计划的容量时，患者可能会被拒绝接收，或者治疗必须在不理想的条件下进行。医院内部可能会出现交通堵塞。医院的床位绝对最大容量是有限的。被称为最大容量的床位数量是由州政府许可的。通常，大多数医院的床位数量低于这个最大值。医院中使用的床位总数被称为运营容量。运营容量内的床位数量决定了医院的人员配置、库存供应，甚至食品服务的运营能力。医院管理层利用这一容量来预测收入和支出。从运营容量提高到接近绝对容量的更高水平的患者容量，所需时间至少为三十天，在某些情况下可能需要六十天或更长时间。图 1：医院病人流动 [Bennett, 2003]在最近的两次事件中，位于弗吉尼亚州里士满大都市区的医院达到了其运营能力的极限。急诊科的病人饱和。急诊科无法通过救援队、救护车或任何其他公共交通方式接收额外的病人。所有医院都处于转诊状态。转诊意味着医院已达到或超过其运营能力，运输的病人被送往其他医院接受护理。在医院转诊时，运输病人在该医院无法获得护理。通过私人交通工具到达急诊科并步行进入急诊科的病人可以留在医院（根据法律），但他们的等待时间可能会很长。通过救援队或救护车运输的病人，如果在转诊事件期间所有其他当地医院都没有可用的床位，可能会被送往该地区以外的医院接受护理。从里士满大都市区出发，最近的医疗设施距离一个小时的地面交通。再次，在转移期间，患者接受医疗照顾的等待时间可能很长，无论他们是被转送到医院，还是在医院内等待，作为众多等待被超负荷工作人员诊断和治疗的人之一。在转移期间，医疗护理的一个例外是创伤护理。所有需要创伤护理的人都必须继续接受治疗。每位创伤患者都必须根据其需求水平进行评估。医院随后提供相应的诊断护理水平。由于缺乏可用病床，患者可能在走廊中接受治疗，或者需要重症监护病房（ICU）护理的创伤患者可能在急诊科（ED）接受治疗，直到 ICU 病床可用。当急诊科的病床被等待 ICU 病床的患者占用时，该病床对新入院的急诊患者不可用。在急诊科治疗 ICU 患者所需的人员配置高于典型的急诊患者，因此急诊科工作人员的工作负担增加。当急诊科在接近或达到容量时，工作人员的工作负担是繁重和压力巨大的。1.2 先前的工作
2002 年从弗吉尼亚大学系统与信息工程系毕业的执行硕士学生[Cohort, 2002]首次研究了里士满大都市区所有医院都处于转移状态的问题。多个医院同时处于转移状态的第一次事件发生在 2001 年 1 月 9 日。学生们通过对 2001 年数据的分析建议医院团队合作，以更有效地沟通。在 2001 年 1 月的事件后，医院进行了几项改进。他们努力在医院之间保持更好的情况意识。通过改善沟通。在同时转移的当天，他们实施了原本为大规模临界事件而制定的计划，那天接收的急诊患者数量远超常规日。这项计划有效地帮助急诊科恢复到正常运作。第二次转移事件发生在 2003 年 1 月 8 日。与 2001 年 1 月 9 日一样，里士满大都市区内的同一家医院同时处于转移状态。改善的沟通帮助缩短了第二次转移事件的时间，但并未能阻止它。2003 年 3 月，实施了一种基于网络的转移信息系统供大都市医院使用。该基于网络的系统是安全的，仅能由有密码的人员根据需要查看。每家医院记录其转移状态，包括何时进入部分或完全转移状态，以及何时再次接收患者时记录其脱离转移状态。之前也有关于急诊科和医院人员配置的研究。VCU 医疗中心的拉梅什·舒克拉博士[Shukla,1985]在 1980 年代和 1990 年代对医疗中心的人员配置进行了广泛研究。她的研究重点是员工对工作环境的满意度。她发现，如果护士提前知道她在即将到来的班次中的团队分配，她对工作的满意度会更高。在 1990 年代末，阿肯色大学的曼努埃尔·罗塞蒂博士和弗吉尼亚大学系统工程系的硕士生特尔钦斯基先生研究了弗吉尼亚大学急诊科的医生 staffing [Trzcinski 1999]。特尔钦斯基先生收集并分析了弗吉尼亚大学医疗中心的数据。利用他分析的信息，他建立了急诊科的 Arena 3.0 模拟模型。根据这项工作，他建议了急诊科在研究期间的具体医生 staffing 水平。他们建议未来对急诊科的护理和技术人员 staffing 进行研究。2 研究
本研究基于来自弗吉尼亚州里士满大都市医院的现有数据。研究的目标是分析 2000 年、2001 年、2002 年和 2003 年的患者信息，以描述该时间段内医院的患者负担。2.1 研究结果
用于趋势分析的 2000-2003 数据集是从现有的医院账单数据中提取的。因此，数据的质量和准确性已经得到了保证。账单数据通常会由支付方组织（如保险公司或政府的医疗保险或医疗补助支付）进行常规审计。本研究未收集任何新数据。数据从原始计费格式转换为可用的患者负载格式。最大的数据显示集包含近 600,000 条记录，占用数据库文件中超过 455 兆字节。数据已根据需要按天和按周重新编码，以便进行每个单独的分析。该项目的迭代过程是分析完整数据集的各种子集。数据集已分析每日趋势、每周趋势和事件趋势。数据集的每小时趋势按每日的小时总结，显示了入院和出院情况，如图 2 所示。如图 3 所示，周六和周日的住院负荷低于周二、周三和周四的整体床位占用率。周四的住院人数通常最多，其次是周三，然后是周二。患者到达和出院的过程在一周内有明显的周期性。数据集中存在的其他趋势包括围绕假期的趋势。四个感恩节假期在数据集中与其他感恩节假期的趋势一致。与一年中的其他假期不同，感恩节假期总是在十一月的第四个星期四。数据集中的每个感恩节假期显示出患者流量在星期三开始减少，并持续到周末。下一个星期一，流量恢复，但患者流量没有显著增加。当然，作为潜在患者的我们都希望在假期回家，因此显然在感恩节假期期间不会安排选择性住院入院。每年的其他家庭假期，如独立日和圣诞节，都会落在不同的星期几。独立日的患者流量与每年的 7 月 4 日相关。圣诞假期在数据集中每年进行比较。患者流量从 12 月 22 日开始下降，直到 12 月 26 日。由于新年假期紧随圣诞节之后，圣诞节和新年这两个假期期间的患者流量低于 12 月早些时候或紧接着新年的几周。数据集中包含每位患者的诊断信息。可以计算每位患者的住院时间。因此，数据集被分析以确定患者的诊断相关组（DRG）。DRG 表示患者的医疗状况，例如心脏衰竭、肾衰竭或精神病。患者的 DRG 指示所需服务的水平，并通常指示患者可能需要的住院时间（见图 4）。根据患者可能表现出的任何额外并发因素，所需服务和住院时间的水平会有所不同。研究结果表明，诊断为精神病 DRG（DRG = 430 ）的患者可能需要从不到 24 小时的住院到长达 455 天的住院服务。患者更可能需要住院六天，而不是极端的 455 天住院。医院管理员了解患者最可能的住院时间是很有用的。医院管理员还需要知道，有几名患者需要超过 150 天的住院护理，最长的住院时间为 455 天。一名原因不明的心脏骤停患者可能需要在医院住床平均 2.4 天，最短住院时间不到 24 小时，最长住院时间为 14 天。在 2002 年的数据集中，住院 14 天的患者在出院时仍然活着，而其他 15 名患者则在入院后到达不同的时间被送往太平间，时间从入院后一个小时到住院五天不等。数据集还分析了 24 小时内住院患者的到达和出院情况（图 5）。数据分析显示，患者在下午中段而不是上午中段出院。下午出院周期的时机影响是，可能会有患者在等待床位，而这些床位将在当前住院患者出院后腾出。如果这些等待住院床位的患者占用了急诊科的资源，那么急诊科就变成了住院患者的暂时安置区，而不是维持其所需的分诊、治疗和出院流程或作为住院患者的入院。急诊科患者未能及时清理急诊床位可能导致急诊科的拥堵。如图 5 所示，急诊科的患者负荷周期从每天早上 9 点前开始，一直持续到晚上很晚。那些早期到达急诊科并需要额外住院护理的患者可能需要等待住院患者出院。随着患者到达急诊科以及等待出院的住院患者，医院成为一个活动中心。如果有任何可能导致急诊科流量增加的活动，那么急诊科的患者可能会经历更长的等待时间来完成他们的急诊治疗，以及那些即将住院的患者也会面临更长的等待时间。图 6 显示，急诊科在周一的患者流量最大。周日是第二繁忙的日子。如果周一急诊科出现任何复杂因素，那么急诊科寻求治疗的患者数量更可能超过及时提供的能力。在数据集的时间范围内发生了几个外部事件。9/11/01 的事件被广泛认为影响了世界事件。对 2001 年的数据集进行了分析，以研究 911 事件的影响。在 9/11/2001 当天，患者流量没有变化，但在 2001 年 9 月 12 日星期三，寻求治疗的患者减少。患者流量在一周内恢复到正常模式。随着流量模式恢复正常，没有明显的激增。在数据集的时间范围内发生了另外两个外部事件，导致患者流量明显减少。第一次事件发生在 2003 年 2 月 17 日，星期一。这是联邦假日星期一，里士满大都会地区发生了严重的雪/冰天气。数据趋势中明显反映了这一事件。患者寻求治疗减少的可能原因在天气记录中找到了。患者流量在那周晚些时候恢复到正常趋势，没有出现需要处理的负荷激增。第二个事件发生在 2003 年 9 月 18 日至 19 日。飓风伊莎贝尔直接袭击了里士满大都会区。居民和医疗设施普遍停电。风力强劲，降雨量大，造成了大量财产损失。应急管理官员敦促人们待在家中，避免上路。这次天气事件的影响在患者流量中显而易见。在此期间，寻求医疗护理的患者数量减少。由于医院停电，择期入院被推迟，直到可以安全重新安排。本文报告的每个结果都是通过单独的分析工作创建的。这里报告的每个分析都是一个多步骤的个人努力。迄今为止，数据集保持稳定，并在其数据库格式中表现良好。3 结论
本文报告的工作是我博士论文研究的一部分。该研究是首次记录使用现有医院数据来模拟大都市地区医院的患者负荷。目前，大都市医院尚未能够利用现有数据进行数据分析。本文报告的工作展示了急诊科和住院患者在一周内的负荷趋势，以及按小时划分的入院和出院活动。这些结果可以帮助管理者重新考虑医院内的活动，以积极影响住院患者的入院和出院。住院患者在工作日内越早出院，床位就越早可以提供给等待的入院患者。因此，等待服务的时间将被最小化。提前出院的患者应能改善患者流动，减少患者入院周期中的瓶颈。参考文献
Dr. Robert Bennett, SYS581, Lecture 5, "Introduction to Health Care Systems", University of Virginia, Fall 2003.Cohort "Metropolitan Richmond Hospital Diversions: A Systems Analysis and Change Proposal." Project report, University of Virginia Executive Master's Program, University of Virginia. 2002.Trzcinski, Gregory F. Optimal Staff and Chart Documentation Strategies for Emergency Medicine, M. S. Thesis, Department of Systems Engineering, University of Virginia. 1999.Manuel D. Rossetti, et al., "Emergency Department Simulation and Determination of Optimal Attending Physician Staffing Schedules." In 1999 Winter Simulation Conference Proceedings, IEEE, Washington, DC, 1999 .R.K. Shukla, "Admissions Monitoring and Scheduling to Improve Work Flow in Hospitals".Inquiry 22, pp 92101. Spring 1985.本文参考了以下链接：
https://lumivero.com/resources/neuraltools-and-stattools-predict-patient-load-in-richmond-hospitals/
https://www.academia.edu/15298236/Neural_Network_Optimization_Revolutionizing_Big_Data_Analytics
https://ieeexplore.ieee.org/document/1497153
正如本文开头所说，神经网络模型，对于大多数医院管理工作者来说，不需要知道后台的技术细节，只需要掌握好前端的数据分析即可，因此选择一款简单易用的工具非常关键，这方面我们也正在着手研究筹备中，欢迎大家加入 DataMap 知识星球，一起聊一聊，我们会将已经准备好的模型工具分享给您使用。
![]()
「DataMap知识星球」，搭建了行业内领先的资料分享群和知识体系，最近偶然间发现，去年我们分享的两个文档，浏览记录都已经破了1千，我们为行业带来了价值，是让我们最开心的事情。我们用心创作，只为您提供医院运营、医保管理的高质量资料。所谓高质量的资料，我们可以从①系统性、②表格化、③有来源、④能落地这4方面来评估，可以非常有信心地说，DataMap 在这方面一骑绝尘。有志于更上一层楼的医院管理同道们可以加入「DataMap知识星球」会员，获取更多信息和资源：![]()
购买过程中有任何问题请扫描二维码联系老师解决，购买成功之后，老师会邀请您加入会员专属社群我们在2023年上线了一门数据分析的课程，用3个案例教会大家更好地分析医保结算数据。
![]()
![]()
![]()
![]()
![]()
适合人群
有一定数据分析基础的，医院医务管理、医保管理、运营管理等职能科室的工作人员
学习目标
可以从另外一个视角来看医保结算数据，可以掌握好玩儿又实用的数据分析技能
详细介绍
通过3个最轻的决策链（Excel、规划求解、DEA）结合3个实际案例，讲解医保数据分析的好玩之道
医保结算数据，是医院管理中的一个热门话题，也是管理中的难点问题，医保结算数据的分析，是一件颇有意思的工作，如果我们带着童真来看待这个事情，那么会多很多乐趣：
1.首先我们将从问题导向来和大家界定这个问题；
2.其次我们将介绍医保结算数据分析中会使用的工具——其实也可以理解为玩具，虽然只是改了一个字，但是却可以增添无穷的乐趣；
3.接着我们将讲解数据分析的思路——流程+技能，给大家一个技能地图；
4.最后我们会给大家讲解 3 个案例，从风险病案的分布、医院发展目标的规划、学科发展效率分析，来和大家一一呈现其中的妙趣所在。
课程大纲
一、问题导向，医保数据分析的5大问题导向
二、建议工具，介绍5个好玩儿的玩具，我们本次课程选择其中4个来讲解
三、所需技能，给您介绍福尔摩斯探案需要准备的百宝箱，箱中都是实用的技能，还有更重要的使用流程
四、分析例 Ⅰ，从制作一份风险结算清单分布图的任务，来实际演练一遍Excel的数据分析
五、分析例 Ⅱ，从如何制定既有挑战又可实现、既满足领导战略又符合主任能力范围的医院发展目标，来实际演练一遍规划求解
六、分析例 Ⅲ，从如何分析判断医院内部的低效科室，用数据来说话，来实际演练一遍DEA（数据包络分析）
为了使数据分析更加强大，我们和大家推荐两款Excel插件，其中之一为 tusimpleBI，5年国考A++医院动态排名 这篇文章中的可视化图表即是采用tusimple制作的![]()
tusimpleBI 具有一键化、专业化、傻瓜化、无痕化、原生化的特点：- 一键化：仅需一次或几次鼠标点击即可生成这些高级图表。
- 专业化：参考了商业图表规范和最佳实践，直接以简洁专业的外观呈现。
- 傻瓜化：用户无需了解这些高级图表背后的复杂原理和高深技巧。
- 无痕化：并不修改和破坏用户工作表文件，完全无痕化。
- 原生化：完全使用 Excel 内置原生图表组合实现，100%
- 原生态，在分享文件时，对方无需 tusimpleBI 即可正常打开阅读和更新图表 。
总之，您将像使用 Excel 内置的常规图表一样，方便地创建和格式化这些高级图表，迅速成为令人羡慕的商业图表专家。大家有需要的，可以在 http://www.tusimplebi.com/ 下载试用社区版，根据实际需要再购买，专业版和旗舰版，刘老师送了100张30元的优惠券，先到先得，有需求的可以在购买时输入RJ67T2
另外一款为 EasyShu，在医保改革，除了“围追堵截”，更需“疏导畅通”一文中，我所呈现的可视化图表，数据源正是本文开头推荐的Excel，做图所使用的工具，是EasyShu，是一款专业Excel图表插件，由微信公众号【Excel催化剂】的李伟坚和【EasyShu】的张杰作联合打造，主要用于数据可视化与数据分析。![]()
![]()
![]()
![]()
![]()
![]()
以上6个图，都是EasyShu可以呈现的，这里边的大部分图，属于商业杂志级别的图，像国外的经济学人、商业周刊等杂志之所以能风靡近百年，和他们专业的图表呈现有巨大关系，而这些能力，是多数信息化厂商所实现不了的，什么样的数据用什么样的图来呈现，绝对不是简单套一个模板就可以。
近期我们和EasyShu的创作者取得了联系，拿到了优惠价，另外EasyShu支持试用30天，试用30天之后，如果觉得好用，可以在下边的二维码中以专享优惠价购买。强烈建议对EasyShu有足够认识，对自己工作上数据分析可视化上产生较大价值的，可购买终身版，一次付费，终身使用。
![]()
欢迎大家持续关注我们，感谢您的一路相伴！
