BP神经网络等多种算法在卫生服务满意度研究中的应用

本案例介绍广州医科大学流行病与卫生统计学研究生庄海山运用BP神经网络等多种算法对社区卫生服务机构满意度进行综合评价的研究案例。

研究者以熵权法计算各指标客观权重，并在此基础上用线性求和法、灰色关联法和TOPSIS法从满意度不同维度上对案例的社区卫生服务机构进行排序及比较；训练一个具有高精度的满意度神经网络模型，以仿真值预测各维度的满意度评价结果并排序，并与传统算法比较。研究者根据社区机构满意度测评的4个维度，设计了4个3层BP神经网络，各维度BP神经网络的输入层节点数c1=(4，3，3，5)、隐藏层节点数c2 =(5，5，5，5)及输出层节点数c3=(1，1，1，1)，输入层为各维度测评指标，输出层取测评指标经熵权线性加权后各维度的满意度。研究者在每个社区机构的数据资料中随机抽取5例样本共105例样本作为神经网络的训练样本，使用Ｒ语言的AMOＲE函数包建立神经网络模型。创建网络函数newff，神经元学习率设置为0.1，训练误差函数使用最小均方LMS，隐藏层神经元的激励函数使用tansig传递函数，输出层的激励函数使用purelin线性函数，选择ADAPTgdwm为训练方法；对训练函数train进行相应的参数设置，训练最大次数设置为100 次；最后用仿真函数sim进行神经网络的仿真预测运算，对各社区机构的数据进行仿真，预测21家社区机构各维度的满意度，用平均绝对误差计算各维度仿真值与实际值之间的误差。然后根据各社区4个维度结果进行相对排序。

研究结果显示：在传统方法中，线性加权法和灰色关联法对21家社区卫生服务机构4个维度评价中均为S17最优，S2最差；在TOPSIS法中，方便可及维度最优为S17，最差为S9，另外3个维度均为S17最优，S2 最差；3种传统方法结果相关性有统计学意义，相关系数为 0.894～1.000之间，P＜0.001。在BP神经网络中，4个维度最优均为S17，最差为S2，各维度仿真值误差分别为0.003、0.002、0.002、0.003；BP神经网络与3种传统方法相关性比较均有统计学意义，相关系数为0.891～1.000之间,P＜0.001。

该项研究表明：各种方法均适用于社区卫生服务机构满意度评价，决策者可根据实际情况选择不同的方法对社区卫生服务机构的满意度进行评价。

该研究成果发表在《中国医院统计》2019年第3期。

在线阅读论文原文网址：

https://www.cnki.net/KCMS/detail/detail.aspx?QueryID=2&CurRec=67&dbcode=CJFQ&dbname=CJFDLAST2019&filename=JTYY201903002&urlid=&yx=&v=MTQwMTdXTTFGckNVUjdxZlpPUnFGQ2pnVjd6TEx6blNkN0c0SDlqTXJJOUZab1I4ZVgxTHV4WVM3RGgxVDNxVHI=