基于多维度数据建模下度量住院医师规范化培训(3)
图2 某住院医师的出科考核多维度能力值Figure2 Chart on multi-dimensional ability value in departmental rotation examination of a standardized training physician
3.2.3 十字坐标轴纵轴(X)架构-时间序列预测法 时间序列分析是主要研究随着时间的变化事物发生、发展的过程,寻找事物发展变化的规律,并预测未来的走势。ARIMA 模型是时间序列预测方法中的一种,其基本思想是将时间序列视为一组依赖于时间的随机变量,是自回归模型与移动平均模型的有效组合[5-6]。通过观察(图1)2015年1月至2019年6月住院医师各月出科考核折线图,明显呈现带有波动的递增趋势,为典型的平稳时间序列数据,是一个既含有季节效应又含有长期趋势效应的简单序列。由于序列的季节效应、长期趋势效应和随机波动之间存在复杂的相互影响关系,通常采用ARIMA乘积季节模型,即ARIMA(p,d,q)(P,D,Q)s,其中d 和D 为差分和季节性差分次数,而q、p、P 和Q 分别表示连续模型和季节模型中的自回归阶数和移动平均阶数,s 是季节周期。在本研究利用2015年至2018年数据进行建模,然后利用2019年上半年的数据做检验。
3.2.3.1 序列的平稳化 对该连续变量进行1 阶差分(相当于连续变量1 阶求导,过分差分将导致有效信息损失,一般从d=1 开始进行差分),1 阶差分将变量序列中蕴含的确定性(周期性)信息进行充分提取,可理解为使用自回归方式提取规律性信息。在此,将出科考核综合成绩进行自然对数转化,作1 阶12 步差分之后,序列呈现出平稳特征(图3),因此出科考核综合成绩的初步模型为ARIMA(p,1,q)(P,1,Q)12。
图3 1 阶12 步差分之后序列Figure3 Time series diagram of first-order 12-step difference
3.2.3.2 模型识别和参数估计 根据综合成绩差分后的自相关图及偏自相关图(图4),观察图形状态得知ACF 截尾,PACF 拖尾。通过R 语言auto 分析后进行初步判断:p=0;q=1。季节性模型中的P、Q 值一般不大于2,分别将P、Q 值组合后逐个测试模型,根据拟合优度检验结果以BIC 最小准则来选择模型。穷举筛选后,出科考核综合成绩的最优模型为ARIMA(0,1,1)(0,1,1)12,BIC=104.64。通过显著性分析可知6 阶、12 阶延迟下LB 统计量的P 值都显著大于0.05,可以认为这个拟合模型的残差序列属于白噪声序列,即该拟合模型显著有效。其中参数显著性检验结果都显著有效[6],拟合模型为:
图4 自相关图及偏自相关图Figure4 ACF and PACF
3.2.3.3 模型诊断 运用ARIMA(0,1,1)(0,1,1)12 模型预测2019年1月至6月出科考核成绩(表3),结果显示,每月份综合成绩的实际数值在95%置信区间内,平均相对误差为-0.29%,模型拟合效果较好。
表3 2019年广州中医药大学附属中山医院每月出科考核综合成绩实际值与预测值Table3 Actual value and predicted value of 2019 monthly departmental examination results in Zhongshan hospital of TCM注:相对误差=(预测值-真实值)/真实值*100%月份 出科考核综合成绩实际值 预测值 Lo 95% Hi 95% 相对误差(%)2019.01 85.53 85.02 83.39 86.66 -0.60 2019.02 84.69 85.32 83.58 87.06 0.74 2019.03 86.41 84.76 82.91 86.61 -1.91 2019.04 85.49 85.61 83.66 87.56 0.14 2019.05 85.63 85.50 83.46 87.54 -0.15 2019.06 85.62 85.66 83.53 86.80 0.05 2019.07… …2019.08… …2019.09… …2019.10… …2019.11… …2019.12… …
3.2.3.4 模型预测 利用上述模型对2019年6月后出科考核综合成绩进行预测(表3 和图5),预测2019年下半年出科考核综合成绩均值达84.91 分,同比增长1.16%,意味未来的住院医师综合能力水平有了正向的提升。
图5 2019年下半年出科考核综合成绩预测模型Figure5 Prediction model of departmental rotation examination score in the second half of 2019
3.2.3 十字坐标轴纵轴(X)+纵轴(Y)有机融合构建动态可视化 以时间序列数据点为十字坐标的关联点,十字坐标定位某线性上的点,可展现出该点(即该次出科考核)住院医师的综合能力或竞争值,以及推断其今后的综合能力情况。本研究目前正在研发引入智能算法的APP,方便不同人群进行查询使用,针对不同的人群对象,建立不同的观测角度。如针对学员:数据库的记录对象为个人成绩;针对基地医院:数据库的记录对象调整为该基地所有住院医师的综合成绩;针对用人单位:数据库的记录对象调整为该用人单位录用人员的成绩;针对住培事业项目建设者:数据库的记录对象调整为全国住院医师的成绩。
4 讨 论
随着中医住培模式的发展,国家、省、市各层管理机构对培训成效的日益重视,广州中医药大学附属中山医院培训基地经过持续改进的实践探索,获得一定的初步成效,2015年1月至2019年6月每月出科考核综合成绩呈现总体上升趋势。考虑出科考核综合成绩作为原始数据,在各家培训基地中容易采集,可进行同方法的研究与验证,具有一定推广度。首先,雷达图分析法得出结果参数,能够较为直观地比较住院医师之间不同维度的竞争差异,具有很好的应用度。其次,时间序列分析法得出的结果参数呈上升趋势,主要受到住培制度的不断完善,师资队伍的能力提升以及住院医师的考试综合能力提升的影响。期间呈现出一些值得关注的现象,如周期波动、每年中旬出现下降趋势等,需考虑到该事件是否存在周期性的适应期或调整期。出科考核综合成绩一般受到多种因素影响,部分因素不便掌握、收集,难以通过其他因素进行估算,一般预测工具难以反映其周期性变化规律。另一方面,ARIMA 乘积季节模型是预测精度较高的时间序列预测方法之一,本研究结果显示,每月份综合成绩的实际数值落在95%置信区间内,平均相对误差为-0.29%,模型拟合效果较好。
文章来源:《中医杂志》 网址: http://www.zyzzzz.cn/qikandaodu/2021/0107/578.html