基于机器学习的医疗资源趋势预测与最优配置策略：一种数据驱动的方法

《BMC Health Services Research》：Machine learning-driven prediction of healthcare resource trends and optimal allocation strategies: a data-driven approach

　　

摘要

背景

随着中国分层诊疗体系的不断发展，基层医疗机构在提供基本医疗服务方面发挥着至关重要的作用。准确预测和合理分配医疗资源对于提升服务质量以及确保医疗系统的有效运行至关重要。

方法

本研究采用麻雀搜索算法（SSA）来优化反向传播神经网络（BPNN）和长短期记忆网络（LSTM）模型的超参数，以此提升其在基层医疗资源规划中的预测性能。

结果

研究结果表明，SSA-LSTM模型的表现显著优于SSA-BPNN模型。具体而言，在预测基层医疗机构数量时，SSA-LSTM模型在测试集上的均方根误差降低了45%（从1.429降至0.78765），平均绝对误差降低了36.4%（从0.99575降至0.63306）。在包括人员数量和总医疗成本在内的所有预测任务中，与SSA-BPNN相比，SSA-LSTM模型在测试集上的平均均方根误差降低了23.5%，平均绝对误差降低了17.1%。在训练集上也有类似的改善，均方根误差和平均绝对误差分别下降了19.2%和15.4%。

结论

SSA-LSTM模型为医疗政策制定者提供了强大的数据驱动型决策支持。其出色的预测精度使得资源分配能够动态调整，这对于缩小中国基层医疗系统中的区域差异至关重要。通过准确预测关键的医疗指标，该模型有助于实现人员配置、机构规划和预算分配的最优化，从而为基于证据的资源优化奠定坚实基础，进一步提升基层医疗服务的整体效率和公平性。