摘要
目的： 脑卒中（stroke）是全球范围内最常见的慢性病之一，是我国成年人死亡和残疾的主要原因，给社会和家庭造成了巨大的疾病经济负担。因此，本研究旨在针对性地分析该医疗机构中脑卒中患者的入院特征和住院费用分布情况，对于哪些因素影响脑卒中患者的住院费用较为重大进行探索，寻找高效的分析方法，为脑卒中的预防治疗和减少疾病负担提供实证分析依据。了解脑卒中的流行病学分布可为该地区脑卒中的防治工作提供重要实证分析依据，具有较大的现实意义。 方法： 从山西省运城市某三甲医院信息系统中筛选出2017-2019年ICD编码为I60-I64开头的脑卒中患者的住院费用数据作为研究资料；采用描述性统计方法分析脑卒中患者的社会人口学信息，以及住院费用的一般性特征；采用结构变动度分析方法，对脑卒中患者的次均住院费用以及费用结构变动状况进行分析，计算单项费用在一段时期内的结构变动值、结构变动度与结构变动贡献率；同时运用了三种常见的机器学习算法（随机森林、支持向量机和logistic回归），筛选出对脑卒中患者住院费用的影响较大的因素，并针对不同的模型中筛选得出的影响因素进行重要性排序，从中寻找重要的影响因素。 结果： 1.脑卒中患者住院费用基本情况：2017-2019年间，脑卒中患者住院费用总体上呈下降的趋势，脑卒中患者的次均住院费用（中位数）为23716.89元。但药品费占比过高，三年间药占比均在38%左右，占比排名第二为卫生材料费，三年间均在13%左右。2017-2019年间，检查费的变化幅度最大，其结构变动度为4.51%，结构变动贡献率为34.09%，结构变动贡献率第二名至第四名依次为治疗费（16.02%）、药品费（13.76%）和卫生材料费（11.94%），四者累计贡献率为75.81%。 2.脑卒中患者住院费用影响因素分析：在Logistic回归分析中，最重要的影响因素依次是：住院天数、科室是否一致、脑卒中分型、是否手术、科室；随机森林模型得出的影响因素前五位依次是：住院天数、脑卒中分型、科室、是否手术和住院次数。支持向量机模型中最重要的影响因素：住院天数、脑卒中分型、住院次数、科室和性别。并且，支持向量机、随机森林预测模型的准确度分别为89.26%，87.52%。 结论： 1.药品零加成政策全面实行后，该医疗机构患脑卒中患者药品费和护理费呈现负向变动的态势，其他各项费用虽然在数值上有所下降，但在总费用中所占比例中均有所上升，说明此次改革有所成效，但药品费、卫生材料费与治疗费所占比重仍较高。这提示管理者要在费用结构上重点着手，进一步完善补偿机制，提高技术劳动收费所占的比重，确保医护人员的合理收入，让医务人员在医疗行为中的贡献真正得到体现。 2.选择了三种不同的机器学习算法来分析影响脑卒中患者住院费用的因素，结果发现，住院天数、脑卒中分型、是否手术和科室位列影响因素排名的前几位。这提示有关部门应针对重点人群开展健康教育，做好脑卒中这类慢性病的三级预防工作，加强三级医院与社区医院之间的合作，综合性的措施可有效减少患者的无效住院天数，高效利用医院资源，满足患者对卫生服务日益增长的需求，同时减轻脑卒中这类慢性病所造成的经济负担。 3.传统的多元线性回归方法并不能很好地适应医疗数据多维性、数量大、复杂性和不完整等特点。本研究将数据进行转换整理，采用Logistic回归、支持向量机和随机森林三种机器学习算法，结果证明效果更优，更具有可行性。不同的模型有着不同的应用条件。提示学者分析数据前，应综合考虑数据的特点，尝试选用多种不同的模型进行比较分析，最终选择最为适宜的模型。
NETL