基于DM技术的单病种治疗费用模型研究与应用

论文摘要

肺恶性肿瘤病死率高,医疗资源消耗大,且不同病人的住院费用差别也较大。到目前为止,对于肺恶性肿瘤单病种费用的研究相对较少,或者其研究仅限于小样本量的一般性描述,缺乏一个合理、可行的费用参照体系,难以体现出不同恶性肿瘤病例间医疗资源消耗差别较大的特点。此外,医疗保险预付款制度以及医院卫生经济管理也迫切需要制订各单病种费用标准。因此,研究肺恶性肿瘤单病种医疗费用模型的建立,具有重要的现实意义。本文在论述数据仓库和数据挖掘的相关理论与技术方法的基础上,针对南通市肿瘤医院的医院管理信息系统中所积累的医疗费用数据,对构建相应的费用数据仓库,采用线性回归、决策树、神经网络等数据挖掘方法,对肺恶性肿瘤单病种医疗费用数据进行分析、处理,将所有肺肿瘤病例划分为手术型与非手术型两大类及15细类病例,最终建立用3层15分类的决策树表示的费用模型的建立相关技术与方法进行详细的论述,并对挖掘结果做了较为详细的分析。此外,本文还对采用神经网络技术建立相应模型的优点和不足等,进行了较为详细的分析。实践表明,本文所论述的单病种费用模型比较客观地反映了历史数据中所蕴涵的相关知识或规律,依据该模型所构造思想,可以方便地构造其它单病种的费用模型,这些模型将为客观地评价医疗产出以及为建立国家或医疗保险对医院的偿付标准,提供科学依据。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景
• 1.2 课题的研究意义
• 1.2.1 研究的必要性
• 1.2.2 研究的意义
• 1.3 国内外研究现状
• 1.3.1 国外研究现状
• 1.3.2 国内研究现状
• 1.4 课题研究内容与目的
• 1.5 论文的组织与结构
• 第2章 数据挖掘技术
• 2.1 决策树
• 2.2 Bayes网络
• 2.3 人工神经网络
• 2.4 聚类
• 2.5 关联规则
• 2.6 粗糙集理论
• 2.7 组合学习
• 2.8 文本/Web挖掘
• 第3章 HIS系统功能及数据结构分析
• 3.1 HIS系统概述
• 3.1.1 HIS的定义
• 3.1.2 系统主要功能
• 3.1.3 系统的信息流程
• 3.2 数据结构分析
• 3.2.1 HIS系统的数据库结构
• 3.2.2 HIS系统中与医疗经费相关的数据
• 3.2.3 HIS数据的选取
• 第4章 数据预处理
• 4.1 数据预处理概述
• 4.1.1 系统的原始数据中存在的问题
• 4.1.2 预处理的必要性
• 4.1.3 数据预处理的相关方法
• 4.1.4 数据清洗
• 4.2 数据预处理方法及其过程
• 4.2.1 数据预处理方法的分类
• 4.2.2 异常发现的处理
• 4.2.3 重复记录的识别
• 4.3 本课题所涉及的原始数据之特点
• 4.3.1 缺失数据的处理
• 4.3.2 异常值的检出与处理
• 4.3.3 变量变换
• 4.3.4 费用校正
• 4.3.5 年龄校正问题
• 第5章 数据挖掘过程与结果分析
• 5.1 决策树技术及其应用
• 5.2 人工神经网络技术及其应用
• 5.2.1 人工神经网络的结构
• 5.2.2 BP人工神经网络
• 5.3 关联规则挖掘及其应用
• 5.3.1 关联规则挖掘的相关概念
• 5.3.2 关联规则的发现算法
• 5.3.3 发现大的项集
• 5.3.4 Apriori算法
• 5.3.5 Aprioritid算法
• 5.3.6 基于关联规则的医疗费用数据挖掘
• 5.4 单病种医疗费用模型的发现
• 5.4.1 肺肿瘤住院手术病例的建模分析
• 5.4.2 肺肿瘤非手术病例的建模分析
• 5.4.3 神经网络技术建立预测模型
• 5.4.4 结果分析
• 第6章 结论
• 6.1 本文的主要研究工作总结
• 6.2 进一步的研究工作
• 参考文献
• 致谢
• 研究生履历