1、电子设计工程Electronic Design Engineering第31卷Vol.31第6期No.62023年3月Mar.2023收稿日期：2022-03-11稿件编号：202203099基金项目：2021年河北省人力资源社会保障研究课题（JRS2021-6022）作者简介：王建琴（1988），女，河北张家口人，会计师。研究方向：成本会计、绩效。在医院内部绩效管理中，核心的问题是绩效评估与预测，这要求必须选择合理的指标数据对医院的绩效进行衡量。合理指标不仅可反映出医院发展的真实情况，还能预测医院未来的发展趋势。传统公立医院的绩效考核主要将财政收支情况及医院诊治人数作为核心评价指标，该指标简
2、单且没有明确的数据体系1-2。文中使用 DRG（Diagnosis RelatedGroups）模型指标，同时利用改进长短时记忆网络（Long Short-Term Memory,LSTM）模型对指标进行训基于改进LSTM的多源绩效数据综合评估与预测模型设计王建琴（河北北方学院 附属第二医院，河北 张家口 075100）摘要：传统绩效的评估与预测方法采取指标单一且覆盖面较窄，无法对医院绩效情况进行准确估计。针对上述不足，文中依托深度学习技术构建了多源绩效数据评估预测模型。根据DRG模型选取各项指标对传统 LSTM网络进行改进，并采用双向网络提高了参数迭代的准确度。同时通过引入注意力机制有效提升
3、了权重因子的计算精确度，再建立三重残差网络实现了对数据的训练与预测。数据实验结果表明，所提算法在预测拟合度方面与实际结果最为接近，且其误差指标在对比算法中均为最优，从而证明了该算法具有较好的综合性能。关键词：绩效管理；绩效预测；长短时神经网络；DRG模型；注意力机制中图分类号：TP391；TN998文献标识码：A文章编号：1674-6236（2023）06-0034-05DOI：10.14022/j.issn1674-6236.2023.06.008Design of multisource performance data comprehensive evaluation and forec
4、astmodel based on improved LSTMWANG Jianqin（The Second Affiliated Hospital of Hebei North University，Zhangjiakou 075100，China）Abstract:The traditional performance evaluation and prediction methods adopt single index and narrowcoverage，which can not accurately estimate the hospital performance.In vie
5、w of the above shortcomings，a multisource performance data evaluation and prediction model is constructed based on deep learningtechnology，selects various indicators according to the DRG model，improves the traditional LSTMnetwork，and uses a twoway network to improve the accuracy of parameter iterati
6、on.By introducing theattention mechanism，the calculation accuracy of weight factors is effectively improved，and finally atriple residual network is established to train and predict the data.The experimental results show that theproposed algorithm is the closest to the actual results in terms of pred
7、iction fit，and its error index is thebest in the comparison algorithm，which proves that the algorithm has good comprehensive performance.Keywords:performance management；performance prediction；longshort time neural network；DRGmodel；attention mechanism-34练，从而实现对医院绩效的有效评估及预测。1医院绩效数据预测系统1.1DRG绩效评估模型DRG也
8、被称为疾病诊断相关组3-4，该模型使用各种病例的诊断结果作为数据基础。同时考虑医疗设备、手术操作、患者信息等与医院资源配置相关因素的影响，进而实现对医院综合绩效的有效评估。DRG 总体可分为三个部分：1）服务能力参数，包括 DRG 分组、权重因子等，其中 DRG 分组表征诊室所覆盖疾病种类的广度，而权重因子则表征医疗服务的总收益；2）服务效率参数，包括时间、费用等因素，其中时间因素表示医院治愈患者所花费的时间，费用因素则表示治疗疾病所需的费用；3）安全参数，即病患治愈率、死亡率等。表1为DRG评价指标同传统指标的对应关系。表1DRG指标同传统指标的对应关系模块服务能力参数服务效率参数安全参数传
9、统指标科室数量患者住院费用患者住院时间死亡人数DRG指标DRG分组数量权重因子费用因素时间因素病患治愈率病患死亡率从表 1 中可以看到，相比传统绩效评估指标，DRG指标考虑到了资源消耗、病症难度等综合因素对医院绩效管理的影响，因此最终结果更为精准。1.2Bi-LSTM模型设计LSTM全称为长短时记忆网络5-8，该算法能够克服传统卷积神经网络（Convolutional Neural Networks,CNN）无法处理包含时间属性序列的缺点。LSTM中最典型的结构就是时间记忆模块，该模块能从时间序列数据中提取出隐藏信息。因此，使用LSTM可对医院时间绩效管理数据进行分析。LSTM 网络结构通常由
10、多个基础网络单元组成。由三个网络单元构成的 LSTM 网络结构如图 1所示。图1LSTM网络结构LSTM网络单元使用门结构对数据进行处理，该网络单元由输入门、遗忘门及输出门三种类型的门组成。输入门为结构的数据输入接口，其可从外界获取新的数据，同时对数据进行预处理。遗忘门则接收上个单元传递而来的记忆信息，再根据数据的权重，选择特征最强的数据信息，并遗忘特征较弱的数据信息。输出门则负责将处理完毕的数据进行输出。神经单元的当前状态可以在基础网络中传输，具体的LSTM单元结构如图2所示。图2LSTM单元结构神经单元在上一时刻的输入数据由输入门输入的数据 xt、上个单元记忆状态 Ct-1以及前单元输出层
11、状态 ht-1组成。数据输入后，由遗忘门函数 ft和输入门函数 it对记忆单元的状态进行计算。ft和 it的具体计算方法分别如式（1）、（2）所示：ft=(Wfht-1,xt+bf)（1）it=(Wuht-1,xt+bu)（2）其中，和Wf、Wu为网络架构的权重系数，bf、bu为偏置。之后对-Ct记忆细胞的信息进行计算，如式（3）所示：Ct=tanh(Wcht-1,xt+bc)（3）最后，根据记忆单元的状态与输出数据对输出层进行计算。输出状态为Ct和ht，二者可表示为：Ct=it-Ct+ftCt-1（4）ht=(Woht-1,xt+bo)tanh(Ct)（5）为了提高 LSTM 的计算准确性，
12、对其进行改进。文中使用双向LSTM算法，通过正向与反向数据传输路径共同完成数据的训练。双向长短时记忆网络（Bi-directional Long Short-Term Memory,Bi-LSTM）结构由正向及逆向LSTM组成9-10，逆向LSTM不断对正向的参数进行修正，进而减小正向单元层与层之间的数据误差。最终输出结果使用不同的权重融合王建琴基于改进LSTM的多源绩效数据综合评估与预测模型设计-35电子设计工程 2023年第6期得到，具体结构如图3所示。图3Bi-LSTM结构为了满足模型训练的需求，将 Bi-LSTM 结构封装成残差结构网络。原始 Bi-LSTM 模型为浅层模型，使用残差结
13、构即可满足深度系统的训练要求。残差网络结构见图 4 所示，且网络的映射函数为H(x)=F(x)+x。图4残差网络结构1.3ATT-Bi-LSTM模型设计各种指标权重值的训练对于文中的 DRG 模型至关重要。为了得到理想的指标权重值，此次使用注意力机制（Attention Mechanism）11-14对输入数据进行权重因子训练，进而获得更为准确的预测结果。数据分类中的注意力机制本质即为一组能对数据权重进行标定的权值数据，具体如图5所示。图5注意力机制1.4绩效数据预测模型将注意力机制加入 Bi-LSTM 模型，最终得到的多层模型如图 6所示。该模型由输入层、嵌入层、双向LSTM层、注意力机制层
14、以及输出层组成。其中输入层数据为 DRG模型中的各项指标，嵌入层首先将数据进行预处理，然后双向 LSTM 层对数据加以训练，再由注意力机制层对权重因子进行输出，最终得到后续绩效的预测情况。图6多层网络结构嵌入层的权重et的计算方式为：et=exp(similarity(hi,hj)i=1texp(similarity(hi,hj)（6）整体系统架构如图 7所示。文中使用三个并行的ATT-Bi-LSTM模型对DRG的三大指标服务能力参数、服务效率参数及安全参数进行训练，并作为绩效预测模型的输入层。将经过该模型训练后的参数输入 Softmax分类器，再将三大指标模块的权重因子加以融合，最终便可得到
15、绩效的评估值与预测值。图7整体系统架构2算法测试与结果分析2.1误差指标为了优化模型性能进行评估，此次使用四项误差指标来分析，分别为平均百分比误差（MAPE）、均方根误差（RMSE）、平均绝对误差（MAE）以及决定系数（R2）。其中，平均百分比误差与决定系数可对绩效-36预测结果的准确程度进行判断。而均方根误差和平均绝对误差，则能对预测精度作出评判。这四项误差的计算公式如下所示：eMAPE=i=1n|yi-y iyi100%（7）eRMSE=1n|i=1nyi-y i2（8）eMAE=1n|yi-y i（9）eR2=i=1n()y?i-yi2i=1n()y i-yi2（10）2.2实验环境与数
16、据集实验选择的数据类型为 DRG 模型中的各种指标，数据采集来源为河北省某大型医院的各业务部门、医疗设备物联网终端等，采样时间为近五年内每月的数据，总量约为10 000条，且训练集与验证集的比例为8 2。具体实验环境如表2所示。表2实验环境项目CPURAMGPU系统编译环境具体信息i7-10700256 GBRTX 2080Ubuntu 16.02Python3.5.32.3性能测试在性能测试中，选用 BP（Back Prpagatin）神经网络15与循环神经网络（Recurrent Neural Network,RNN）模型16作为对比算法。测试时，三种网络的输入数据完全相同，模型运行次数为 10 次，且取预测权重的平均值。采用 2018-2020 年的数据进行训练，并使用 2021-2022 年的数据加以验证，得到最终的实验结果如图8所示。从图中可看出，与后两年的实际值相比，该文算法的拟合值相较其他算法而言最为理想，说明其预测精度较高，且在全局及局部效果中均有较优的表现。为了定量观察算法的性能差别，使用平均百分比误差、均方根误差、平均绝对误差和决定系数这四项误差指标对预测精度进行对
