基于bp神经网络的医疗风险评估模型研究

冯雪武朱鸣温晓红鲍鹰冯文明

【中图分类号】R319【文献标识码】A【文章编号】1672-5085（2012）16-0032-03

1引言

所谓医疗风险，是指在医疗服务过程中，发生因医疗失误或过失导致的病人死亡、伤残以及躯体组织、生理功能和心理健康受损等不安全事件的风险。应该看到，医疗行为本身就存在高技术、高风险的特点。虽然医学科学发展迅猛，但远没有达到尽善尽美的程度。防范医疗风险，确保医疗安全成为卫生医疗体制改革的重要内容之一。

医疗风险防范，一方面要保证病人的人身安全不因医疗失误或过失而受到危害，即预防不安全事件；另一方面，避免因发生事故和医源性医疗纠纷而造成医院及当事医务人员承受风险，包括经济风险、法律责任风险、人身风险等。

在对医疗风险进行分析评估时，影响医疗风险的因素很多，而且各因素影响的程度也不同，评价结果难以用恰当的数学解析表达式来表示，属于非线性分类问题。人工神经网络是近年来信息科学与技术研究领域中一门令人瞩目的新兴学科，它借鉴了神经科学的基本成果，是基于模仿人类大脑的结构和功能而构成的一种信息处理系统，具有广泛的应用前景。人工神经网络的基本特征为非线性映射、学习分类和实时优化，因此它为模式识别、非线性分类等研究开辟了新的途径。

我们引用人工神经网络理论，并以医疗、护理及管理上的多项指标为依据，研究建立基于BP神经网络的医疗风险分析评估模型，从而为现代医疗卫生机构对医疗风险评估体系的研究提供较大的参考价值。

2医疗风险预测体系

2.1评估目的

开展对住院病人医疗风险评估工作，主要从三方面进行：医疗质量，护理质量以及管理质量。目的是为了对住院病人可能存在的医疗风险进行客观、合理的阶段性评价，使医务人员获得住院病人综合、全面的反馈信息，以便于及时调整诊疗方案，提高医疗服务质量。

2.2评估对象

评估对象分别为在院住院病人。

2.3评估指标

对医疗风险进行分析评价的指标体系如表1所示。

表1医疗风险评估指标体系

3BP神经网络的基本原理

BP〔Back-Propagation〕神经网络也称为后向传播神经网络。是一种具有三层或三层以上的阶层型神经网络。典型的网络是三层、前馈的阶层网络，即：输入层、隐含层(也称中间层)、输出层。相邻层之间的各神经元实现全连接，即下一层的每一个神经元与上一层的每个神经元都实现全连接，而且每层各神经元之间无连接。

BP算法是通过迭代地处理一组训练样本，将每个样本的网络预测与实际知道的分类标号比较，进行学习。对于每个训练样本，修改权值，使得网络预测值和实际值之间的均方误差最小。这种修改“后向”进行。即由输出层，经由每个隐藏层，到第一个隐藏层，如此反复。经过一组样本数据进行训练后，权将最终收敛，学习过程停止。算法如表2所示。

表2BP算法表示

4医疗风险预测模型构建

本文介绍以医疗风险指标体系为依据，研究建立基于BP神经网络的医疗风险预测模型；模型研究方法相同，不再赘述。

BP网络的学习过程可分成四个步骤，即“模式顺传播”—>“误差逆传播”—>“记忆训练”—>“学习收敛”。为了使模型具有理论价值又有可操作性，根据实际情况我们进行了如下处理。

4.1定义BP网络拓扑结构

(1)输入层节点的选择

前面我们分析了对医疗风险预测的指标体系，风险因子的指标为8个(X1-X8），将这8个评价指标作为网络的输入节点n=8。

(2)输出层节点的选择

根据评价体系要求，我们将评价结果作为网络的输出，因此取输出层节点数m=1。

(3)网络隐含层数的确定

在合理的结构和恰当的权值条件下，3层BP网络可以逼近任意的连续函数，因此，我们选取结构相对简单的3层BP网络。

(4）隐藏层节点的选择

于三层网络来说，输入层和输出层的节点数都可由问题本身定义，主要需要确定的是隐藏层节点的个数。目前来说，并没有确定最佳的隐藏层节点个数的理论方法，通常由经验或试验来确定。例如，由两个隐藏层节点开始，逐渐曾加隐藏层节点的个数（不超过输入节点的个数〉，直至达到较佳效果；或者以相反的方向进行，先给定一个较大的隐藏层节点数，再慢慢减少其个数。根据前一种方法，经试验，可以得出隐含层节点个数8=5。通过以上分析得到如图1所示的BP网络拓扑结构。

4.2BP网络学习算法

BP神经网络的学习过程描述如下：

(1)初始化权及学习参数。网络的权被初始化为很小的随机数，例如：由-1.0到1.0，或由-0.5到0.5；每个单元有一个偏置，偏置赋予（-2/n，2/n）之间的随机数；学习率为0.9；目标误差为0.001。

(2）向前传播输入。在这一步，计算隐藏层和输出层每个单元的净输入和输出。首先，训练样本提供给网络的输入层。对于输入层的单元j，它的输出等于它的输入，即对于单元j，Oj=Ij。然后，隐藏层和输出层的每个单元的净输入用其输入的线性组合计算〔如公式4.2.1所示〕。

Ij=∑iWijOi+Bj（4.2.1）

其中，Wij是由上一层的单元i到单元j的连接权；Oi是上一层单元i的输出；而Bj是单元j的偏置。隐藏层和输出层的每个单元取其净输入，然后将一个Logistic函数作用于它。给定单元j的净输入Ij，则单元j的输出Oj用下式计算。

Oj=1/(1+e-Ij)（4.2.2）

（3）后向传播误差。通过更新权和偏置以反映网络预测的误差，向后传播误差。对于输出层单元j，误差Errj用下式计算：

Errj=Oj(1-Oj)(Tj-Oj)（4.2.3)

其中Oj是单元j的实际输出，而Tj是j基于给定训练样本的已知类标号的真正输出。这里Oj(1-Oj)是Logistic函数的导数。为计算隐藏层单元j的误差，考虑下一层中连接j的单元的误差加权和。隐藏层单元j的误差由下式计算：

Errj=Oj(1-Oj)∑kErrkWjk（4.2.4)

其中，Wjk是由下一较高层中单元k到单元j的连接权，而Errk是单元k的误差。

更新权和偏置，以反映传播的误差。权和偏置由如下几个公式更新：

△Wij=(1)ErrjOj（4.2.5)Wij=Wij+△Wij(4.2.6)

△Bj=(1)Errj（4.2.7)Bj=Bj+△Bj(4.2.8)

其中，△Wij是权Wij的改变，1是学习率，△Bj是偏置Bj的改变。

(4）反复迭代至训练停止。第一个样本经上面训练后，再选取第二个样本进行训练，重复以上步骤，直至所有样本全部训练结束达到误差允许值，神经网络预测模型建立。

4.3BP网络模型的实现

表3网络训练结果与实际结果比较

序号网络训练值实际评价值等级

10.8210.8良

20.3920.4优

30.4960.5优

40.8660.9优

50.4410.4及格

60.3110.3良

70.8050.8优

80.6930.7优

90.6110.6良

100.7150.7良

…………

基于以上分析建立的网络模型和学习算法，我们选用高性能的数值计算可视化软件Matlab7.0，建立三层BP神经网络，输入层神经元8个，隐藏层神经元5个，输出层神经元1个，学习率为1，目标误差为0.001。在这里我们对湖州第一医院肾内科、心内科可和腹部微创外科住院病人进行风险评估，形成45条样本数据，其中三分之二的数据用做神经网络训练学习，三分之一的数据用于对网络模型进行测试。为避免风险因子值相差过大，从而影响评估结果，对样本矩阵进行归一化处理。采用Matlab神经网络工具箱学习训练网络，得到神经网络评价模型，通过对测试数据的验证，结果比较满意，测试结果与专家评价结果比较见表3所示(这里给出部分数据）。

上表截选了一些结果，由于样本选择比较少，有一定的误差，如果训练的次数足够多，还能保证其与期望输出更加接近。

5结束语

BP神经网络具有“相似形输入，形似性输出”的特征，所以该方法的评价精度和科学性不仅取决于训练样本的数量，也决定于训练样本的质量。训练样本数量越多、质量越优，越能准确地描述住院病人的风险状况及诊疗方案的质量和效果。由于它较高的自组织、自适应和自学习的能力，能弱化指标权重确定中人为因素的影响，故优于其它评判方法。本文在分析神经网络特别是BP模型的结构原理基础上，将它应用于对医疗风险的预测评估。实践证明，应用BP神经网络建立的数学模型的输出辨识值与真实值之间的误差较小，从而比较科学、直观的预测住院病人医疗风险。研究结果表明，人工神经网络方法用于住院病人医疗风险预测是有效和合理的。

另外需要指出的是：理论上来说，列举出的风险因子越详细，得到的评估值越接近实测值，但评估工作是一项需要长期持续的工作，若需输入的风险因子过多势必给相关的医务人员增加较大的工作量，从而影响正常的医疗护理工作。故根据二八原则，本系统选取的风险因子为专家组认为对医疗风险有影响的较重要的几个，既便于输入，又便于观察。

今后，随着医院信息系统的不断完善，医疗风险评估系统应该与检验、检查、病理、临床路径、单病种评估等业务系统相结合，各个风险因子可以由风险评估系统设置，从各业务系统的业务数据中产生，从而做到除病人基本情况需首次手工录入外，其他各风险因子值由相关业务系统自动生成。不仅避免手工输入可能产生的错误、滞后和繁琐，而且可以更大范围、更深层次的监测各种与医疗相关的风险因子，从而做到医疗风险的计算机后台自动分析评估和报警，真正实现医疗风险预测。

本文将模糊优选理论与神经网络理论相结合,确定网络拓扑结构:隐含层数、隐含层节点数与节点激励函数的合理模式。将模糊优选的相对优属度模型作为人工神经网络的激励函数,建立模糊优选神经网络权重调整BP模型。实证研究表明,模糊优选BP神经网络模型,可以较好地应用于医疗风险评价。这将为今后进一步研究基于临床路径系统的医疗风险预测系统打下良好的基础。

参考文献

[1]唐万梅.BP神经网络结构优化问题的研究，系统工程理论与实践，2005,10(10)：95-100.

[2]邓娟，杨家明.一种改进的BP算法神经网络.东华大学学报（自然科学版），2005,31(3)：123-126.

[3]张波，刘胜辉.基于遗传BP神经网络的数据挖掘技术。自动化技术与应用，2005,24(9)：4-6.

[4]田旭光，宋彤，刘宇新.GonzalezT.结合遗传算法优化BP神经网络的结构和参数，计算机应用于软件，2004.21(6)：69-71.