您的位置: turnitin查重官网> 医药学 >> 放射性药物学 >神经网络基于BP神经网络在基本药物采购量短期预测中

神经网络基于BP神经网络在基本药物采购量短期预测中

收藏本文 2023-12-27 点赞:17786 浏览:73571 作者:网友投稿原创标记本站原创

摘 要 将采购决策行为的具体表现定义为采购量的多少。根据2011年5月-2012年11月湖北省基本药物采购平台的抗生素类部分基本药物品种采购量数据,建立神经网络预测模型,采用BP神经网络来训练建立的模型,并将预测值与实际值相比较。预测值和实际值误差在可接受范围内,研究结果符合预期,预测模型的建立在对基本药物采购量预测方面具有理论意义和应用价值。
关键词 基本药物 采购行为 BP神经网络
1006-1533(2013)05-0047-05
2009年国家基本药物制度实施后,国家将执行基本药物集中采购作为实施基本药物制度的评价标准之一,于是各省将原有的药品集中采购分为基本药物和非基本药物两类。2010年11月,国务院发布《建立和规范政府办基层医疗卫生机构基本药物采购机制的指导意见》,旨在对现阶段较为无序的药品采购行为进行规范,推行科学合理的采购模式,对基本药物采购方面的研究开始得到关注。
现行采购模式是省集中采购平台通过统计各基层医院上报的用药需求之后,再统筹面向中标企业进行集中采购。但是,作为基本药物集中招标采购体系中继招标过程之后的重要环节,采购过程并未得到足够的重视,基于基本药物采购行为的微观研究的理论和文献更是少之又少。在缺乏科学理论和方法支持下的采购决策,容易受主观如采购主体寻租以及客观如厂商合谋等因素干扰而不稳定,这种不稳定带来的滞后效应会掣

源于:毕业设计论文模板www.udooo.com

肘社区卫生怎么写作中心对基本药物的需求预测,继而带来后续基本药物的供需矛盾。除此之外,采购量错误统计或填写不够准确的偶然误差将会进一步加剧这个矛盾。基本药物集中招标采购体系下的基本药物采购在执行过程中有必要加强监督管理和调控。因此,寻找合理与灵活的理论和方法来保证基本药物的采购决策行为的稳定性就成为关注点。
由于BP (Back Propagation)神经网络模型尚未在基本药物招标采购体系中进行相关的理论研究和应用探索,未能发挥其在其他领域中发挥出的功效。本文针对这一环节进行探索,拟在建立BP 神经网络模型的基础上,统计分析社区卫生怎么写作机构的药品使用等特征后,将BP神经网络模型运用到社区医疗机构的需求预测中来,使采购主体在决策时能有更多的支持信息,实现采购数量科学化,从而保证社区医疗机构对基本药物的供应充足,以期从这一环节上减轻民众对基本药物的获取负担,使整个基本药物的供应实现资源优化配置,也可为基本药物集中采购的理论和方法提供借鉴和参考。

1 BP神经网络预测功能的研究

由于人工神经网络是非线性、非局域性和非定常性的复杂网络系统,具有并行分布的信息处理结构和自适应的脑模式的信息处理的本质与能力,它可以通过“自学习”或“训练”掌握大量的知识,完成特定的工作。人工神经网络对建立预测模型十分有效,它能从数据样本中自动学习以前的经验而无需复杂的查询和表述过程,并自动地逼近那些最佳的数据蕴含的规律,它在时间序列预测方面,尤其是高复杂度的非线性时间序列方面明显优于传统的预测方法。在预测方面,目前应用最广泛且较为成功的是前向神经网络。

1.1 BP神经网络基本理论

BP神经网络也称误差反向传播神经网络,为有监督的学习,是梯度下降法在多层前馈网络中的应用。它有一个输入层、一个输出层、一个或多个隐含层。每一层上包含若干个节点,每个节点代表一个神经元。同一层上的各节点之间无连接关系,相邻层采取全互连。信息从输入层开始在各层之间单向传播,依次经过各隐含层,最后到达输出层。
BP算法的学习过程是一个反复迭代的过程,由正向传播和反向传播组成。其算法的基本思想是根据网络输出层的误差,从输出层开始反过来调整网络的权值和阀值,最后使得输出的均方误差最小。经过对一定数量样本进行反馈学习后,网络所持的权值便是网络通过自适应学习得到的正确的内部表示。这时将待识别样本的特征数据输入训练好的网络,则网络就可以对样本的属性进行自动推理和识别。在非线性建模方法中,神经网络理论证明了在选择适当的隐层数及相应的神经元数目下,前馈神经网络能以任意精度逼近任意非线性函数。

1.2 BP神经网络在预测领域的实现

由于BP学习算法本质上是一个非线性优化问题,网络模型的确立分为两个阶段:学习阶段和检验阶段。学习阶段是通过对历史资料的学习,使己有的模式以权系数的方式存储于网络之中,这实质上是一个拟合的过程;检验阶段是将已有历史数据输入网络之中,检验网络输出与实测值的误差是否达到一定的精度要求,如果满足要求,则BP网络可以被用于预测。采用BP网络学习方法进行模拟分析,构造BP网络的基本步骤是:
1) 确定BP网络的输入向量、输出向量的维数和隐含层数及节点数;
2) 确定隐含层传递函数和输出层传递函数关系;
3) 将网络学习样本划分为学习段和检验段;
4) 训练网络,拟合学习段时间序列,使其误差平方和达到最小;
5) 用检验段数据检验训练好的网络模型,利用该模型对未来进行预测。

1.3 BP神经网络在医药行业的应用

BP神经网络在医药行业的应用包括药品采购资金管理、医疗器材需求和药品销售预测3个方面。据文献报道[2-3],出于降低库存,提高管理有效性和运作灵活性的目的,运用BP神经网络对研究对象的历史数据进行分析,得出预测值,并与经验性的实际值进行对比,发现基于BP神经网络进行预测,可以有效节约采购和生产安排的不稳定性,降低库存,从而节约成本,提高效益。

2 BP神经网络在湖北省基本药物采购量预测中的应用

2011年3月13日,湖北省政府印发《湖北省基层医疗卫生机构基本药物集中采购管理办法(试行)》,标志着该省建立和规范基本药物统一招标采购新机制的出台[4]。在该办法中,实行以省为单位集中采购、统一配送,与药品生产企业签销合同,一次完成采购全过程,最大限度地降低采购成本,促进基本药物生产和供应。

2.1 湖北省基本药物采购量预测模型的建立

2.

1.1 研究对象及数据准备

湖北省每月采购的基本药物品种有1 000种之多,从理论上来说,为了更好地估计湖北省的基本药物采购量的预测值,需要将每种药物根据其历史采购量来建立预测模型,如此一来会带来巨大的工作量。因此,应选择使用频率比较高、采购比较频繁、使用特点具有相似性的一大类药物品种来进行研究。综合对湖北省每月采购通报的分析,选定药物大类为抗生素类。样本纳入标准为统计期内的采购时间是连续的,并且属于同一大类的不同规格。
本文建模对象及数据见表1。
2.

1.2 基本药物采购量神经网络预测模型的实现

在进行神经网络预测之前,为避免原始数据过大造成网络麻痹,要对原始数据进行归一化处理,对于预测值,由于变化幅度较大,也不宜直接作为神经网络的输出。对于单极型Sigmoid函数来说,应用如下归一化处理公式对样本数据进行归一化处理:

2.2 实证检验

湖北省基本药物采购量神经网络模型就是利用神经网络的非线性特性去逼近一个时间序列或一个时间序列的变形,通过神经网络清晰的逻辑关系,利用过去时刻的值去表达未来时刻的值。本文以湖北省部分基本药物品种采购量为数据,以月度基本药物采购量为预测目标,用上述的建模方法建立月度基本药物采购量预测模型。
第一步,建立预测模型,对归一化的数据用MATLAB中提供的函数进行学习(图1),学习程序如下:
net=newff(minmax(P), [8 1], {'tansig', 'purelin'}, 'traingdx', 'learngdm');
net.trainparam.epochs=10 000;
net.trainparam.goal=0.005;
net.trainparam.show=500;
[net, tr]=train(net, P, T);
首先,我们设定的隐层节点数为8,目标误差为0.005,学习率设置为0.01,网络经过222次迭代之后达到了指定精度,误差为0.004 966 8。再分别设定隐层节点数为:6,8,12,15,20;目标误差不变,仍为0.005,学习结果如表2所示。
结合学习次数和误差的比较,可以得出在隐层节点数设为15时,学习效果较好。
由17个月样本药品的采购量数据P为训练值,以第17个月的采购量为目标值,进行训练。由于2012年12月的采购量未知,如果要预测第18个月采购量则无法用实际的数据进行检验。因此在预测值调整为第17个月的采购量数据。测试程序如下:B=sim(net, T)。
误差为[0.024 9, -0.118 5,-0.170 7, -0.242 2, -0.040 5, 0.143 9, -0.047 5, 0.078 3, -0.066 6, -0.057 3, -0.036 6, 0.003 2, -0.043 6, -0.009 9, 0.020 5, -0.031 0, -0.016 8, 0.057 3, -0.025 1, 0.018 0, 0.036 4, -0.218 0, -0.159 0, -0.112 9, -0.014 81, -0.120 8, 0.134 9, -0.043 6]。误差均在可接受的范围内,认可数据已得到很好的训练,具备较好的仿真能力。
学习的误差基本上在我们可以接受的范围内,其学习效果如图2所示。通过前面己经验证,该网络的学习能力以及预测能力有很大的优越性。

2.3 预测结果分析

通过反归一化公式:得到第17个月即2012年11月各药品的采购值。将2012年11月的实际采购量与实证检验建立模型后所得到的预测中结果进行比较,结果见表3。
从表3中我们可以看出,除了个别品种误差较大以外,如注射用苯唑西林钠为530.21%、硫酸奈替米星注射液为52.60%,阿莫西林胶囊为42.89%,BP神经网络模型对基本药物的采购量的预测误差率大多数在10%以下,经Excel数据分析工具中成对双样本均值t检验分析,结果见表4。
因为P > 0.05,故预测值与实际值均值差异无统计学意义。
模型预测结果是比较令人满意的。由于在本次研究中药品采购量的变化是在时间序列上面进行的,所采取的预测方法是单步预测,每月的药物采购量还要受很多因素影响,不可能做到预测结果与实际的数据完全一致。除此

摘自:毕业论文www.udooo.com

之外,基本药物制度实施的时间并不长,在湖北省基本药物集中采购平台上所获取采购量的数据时间范围也不长,所以个别药品误差的较大偏倚也在预料之中。
根据计算得出的结果,可以很好地预测一个月或几个月内内湖北省的基本药物采购量,相关基本药物生产企业可以根据预测结果做好生产计划安排和原料采购等工作,提高企业生产运作效率和经济效益;基本医疗机构可以根据情况调整药物储备和使用量,以使基本药物的利用率和可及性都能得到很好的保障。

3 总结与展望

本文对湖北省2011年5月-2012年11月抗生素大类的部分基本药物品种的采购量预测进行了定量分析,主要采用了BP神经网络法进行预测的实证研究,不仅简化了网络结构,而且提高了预测精度。结果比较理想,说明本文所建立的基于BP神经网络预测模型具有较好的预测能力和推广潜力。
1) 采购决策行为是由主观因素及客观因素相互影响共同构成,具有动态性和复杂性等特点。人工神经网络作为高度非线性体系,能够对影响采购行为的各变量之间的非线性关系进行高精度的逼近,从而实现预测功能。
2) 实证表明,人工神经网络虽然存在不足,但其优势还是显而易见的。人工神经网络是一个高度自动化的系统,只要有基本药物的历史采购量,通过神经网络的训练和仿真,达到满意精度后即可输出特定时间点的采购量,为基本药物采购决策提供科学的信息支持。但由于影响基本药物采购的各因素并不明了,难以对基药采购量的波动情况进行解释,无法提供有意义的干预措施。
3) 由于社区卫生怎么写作机构长期以来缺乏对药品使用数据的收集,在对其药品需求分析时没有足够多的信息予以支持,所以在对BP神经网络的推广应用中,需要保证社区医疗机构对药品使用数据的收集、整理与统计,从而增加预测的准确性。
4) 加强有关基本药物采购分析的理论研究。基本药物不同于一般商品,其供需关系虽然较为稳定,但是在现存医患信息极不对称的情况下,由于诱导需求、道德风险等问题造成劣品驱逐良品的现象,而对基本药物的可及性和供需带来不必要的风险。现行的有关基本药物采购理论还需进一步完善。
5) 对基本药物采购量分析方法的探索。本文运用BP神经网络在基本药物采购量短期预测上面进行一次有益的探索,结论虽然具备理论指导意义和实际应用价值。但是由于BP神经网络无法探知对变量造成波动的影响因素,若从现实意义进行指导,还需要结合其他的分析方法如多元回归分析、主成分分析等方法来相互补充,扬长避短。
参考文献
王维, 贺京同, 张建勋, 等. 人工神经网络在非线性经济预测中的应用[J]. 系统工程学报, 2000, 15(2): 202-207.
刘卫红, 崔振霞. 基于BP神经网络的药品采购资金管理研究[J]. 中国乡镇企业会计, 2012, 20(1): 70-71.
[3] 张俊才, 黄万杰. BP神经网络在医疗器材需求预测中的应用[J]. 医疗卫生装备, 2004, 25(4): 8-9.
[4] 安立, 胡荣, 陈瑾. 湖北省确定基本药物采购管理办法[EB/OL]. [2011-04-09]. http:///zwgk/zwdt/201104/t20110409_13618

4.shtml.

(收稿日期:2012-12-18)

copyright 2003-2024 Copyright©2020 Powered by 网络信息技术有限公司 备案号: 粤2017400971号