基于bp神经网络的医疗风险评估模型研究

《基于bp神经网络的医疗风险评估模型研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、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(浙江省湖州市第一人民医院信息科浙江湖州313000)【中图分类号］R319［文献标识码】A【文章编号】1672-5085(2012)16-0032-031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、牛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牛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

2、不安全事件；另一方面，避免因发牛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木成果，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。人工神经网络的基木特征为非线性映射、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

3、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，从而为现代医疗卫牛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

4、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

5、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”一&吐；“误差逆传播”一>“记忆训练”一>“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=8o⑵输岀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二1。⑶网络隐含层数的确定在合理的结

6、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8二5。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

7、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至01.0,或由-0.551]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O.OOlo(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=ljo然后，隐藏层和输出层的每个单元的净