決策樹與回歸技術(shù)在居民就診影響因素中的應(yīng)用研究*

劉海霞 王 玖 林 林 鐘曉妮

兩周就診率是了解居民門診衛(wèi)生服務(wù)利用情況的一個(gè)重要指標(biāo)，通過重慶西部擴(kuò)點(diǎn)地區(qū)衛(wèi)生服務(wù)調(diào)查資料，將決策樹與回歸技術(shù)結(jié)合應(yīng)用到居民衛(wèi)生服務(wù)利用領(lǐng)域，研究居民就診情況的影響因素，為衛(wèi)生服務(wù)決策提供參考。

資料與方法

1.資料來源

資料來源于國家第四次衛(wèi)生服務(wù)調(diào)查——重慶西部擴(kuò)點(diǎn)地區(qū)調(diào)查數(shù)據(jù)，根據(jù)全國第四次衛(wèi)生服務(wù)調(diào)查方案的要求，采用分層多階段整群隨機(jī)抽樣的方法，調(diào)查了11 570名居民，經(jīng)統(tǒng)一培訓(xùn)調(diào)查員進(jìn)行入戶調(diào)查。

2.分析方法

用Epidata軟件進(jìn)行原始數(shù)據(jù)錄入、整理及邏輯檢錯(cuò);應(yīng)用SPSS17.0軟件包，通過決策樹和logistic回歸分別對居民就診的影響因素進(jìn)行分析。

(1)決策樹原理與算法

決策樹(decision tree)是一種主要解決實(shí)際應(yīng)用中分類問題的數(shù)據(jù)挖掘方法，通過訓(xùn)練樣本集建立目標(biāo)變量關(guān)于各輸入變量的分類預(yù)測模型，全面實(shí)現(xiàn)輸入變量和目標(biāo)變量不同取值下的數(shù)據(jù)分組，進(jìn)而用于對新數(shù)據(jù)對象的分類和預(yù)測〔1〕。一個(gè)決策樹由一系列節(jié)點(diǎn)和分支組成，而節(jié)點(diǎn)和子節(jié)點(diǎn)之間形成分支，節(jié)點(diǎn)代表著決策過程中所考慮的屬性，而不同屬性值形成不同分支，在決策樹的葉節(jié)點(diǎn)得到結(jié)論，且從根節(jié)點(diǎn)到葉節(jié)點(diǎn)的每一條路徑對應(yīng)著一條決策規(guī)則，當(dāng)利用所建決策樹對一個(gè)新數(shù)據(jù)對象進(jìn)行分析時(shí)，決策樹能夠依據(jù)該數(shù)據(jù)輸入變量的取值，推斷出相應(yīng)目標(biāo)變量的分類或取值〔2〕。

目前比較流行的決策樹算法主要有C4.5、CART、CHAID，這些算法主要是根據(jù)數(shù)據(jù)的特點(diǎn)建立相應(yīng)的函數(shù)來盡可能地正確分類所有的觀察〔1，3〕。其中，C4.5是目前最有影響力的算法，是 ID3的改進(jìn)算法〔4〕，輸入變量的類型可以是兩分類、多分類名義型和區(qū)間型變量，目標(biāo)變量可以是為兩分類或多分類名義型;CART即classification and regression tree(分類與回歸樹)，允許輸入的變量類型可以為名義型、有序型，目標(biāo)變量可以為名義型或區(qū)間型〔5〕;CHAID即Chi-squared automatic interaction detector(卡方自動(dòng)交互探測)，允許輸入的變量類型可以為名義型、區(qū)間型，如果是有序型，則可以當(dāng)做區(qū)間型變量處理，目標(biāo)變量可以為兩分類、多分類名義型、區(qū)間型和有序型變量〔6〕。

(2)非條件二分類logistic回歸原理

logistic回歸是一種處理目標(biāo)變量為分類變量的非線性回歸方法，按照反應(yīng)變量的類型分為二分類logistic回歸、有序多分類logistic回歸和無序多分類logistic回歸;按照研究設(shè)計(jì)類型分為條件與非條件logistic回歸，條件logistic回歸模型引入條件概率乘法定理構(gòu)造對數(shù)似然函數(shù)，非條件logistic回歸模型引入二項(xiàng)分布概率構(gòu)造對數(shù)似然函數(shù)對參數(shù)進(jìn)行估計(jì)。自變量可以是連續(xù)性變量、分類變量和等級變量，連續(xù)變量需離散化，分類變量則需要轉(zhuǎn)化成啞變量〔7〕。

結(jié) 果

1.居民就診基本情況

本次調(diào)查共3 970戶11 570名居民，其中農(nóng)村和城市各1 985戶，分別為5 968、5 602名居民，男性占49.3%，女性占50.7%。居民合計(jì)兩周就診2 447人次，兩周就診率21.15%(城市為12.58%、農(nóng)村為29.19%)，男女就診率分別為18.41%、23.84%，差異有統(tǒng)計(jì)學(xué)意義(P＜0.05)。

2.居民就診影響因素變量整理與賦值

將兩周內(nèi)是否就診作為目標(biāo)變量，可能影響患者就診的性別、民族、年齡、婚姻狀況、文化程度、職業(yè)類型、就業(yè)狀況、醫(yī)療保險(xiǎn)情況、居民類型、家庭人口數(shù)、家庭收入、自感病情和是否患慢病等因素作為自變量，構(gòu)建決策樹模型與logistic回歸模型。其中，將家庭收入和年齡兩個(gè)自變量進(jìn)行離散化，家庭收入按四分位數(shù)間距分為低、中、高等收入，對缺失值進(jìn)行最常頻數(shù)或均數(shù)處理，具體賦值見表1。

表1 變量及其賦值表

3.居民就診衛(wèi)生服務(wù)利用的決策樹與logistic回歸分析

(1)決策樹模型及變量重要性排序

根據(jù)數(shù)據(jù)特點(diǎn)選擇CART樹增長法，模型構(gòu)建過程中進(jìn)行樹的修剪以自動(dòng)控制樹的過增長，并對各解釋變量的重要性進(jìn)行排序，樹模型和變量重要性排序分別見圖1和表2。從樹模型可以看出，樹的根節(jié)點(diǎn)為年齡，說明年齡是就診最重要的因素，樹狀圖的其他節(jié)點(diǎn)還包括自感病情、家庭收入、居民類型、職業(yè)類型和家庭人口數(shù)，共6層、13個(gè)節(jié)點(diǎn)，對應(yīng)13條分類規(guī)則，以最右側(cè)一條規(guī)則來看，在年齡為“4、5、6、7、8”，且自感病情為“1和3”時(shí)，患病居民選擇就診的可能性概率為98.1%，其他規(guī)則解釋類似;而從篩選出變量的重要性來看，自感病情是居民選擇就診的最重要的因素，其次為年齡，解釋變量的重要性大，說明增加該變量進(jìn)入決策樹時(shí)，整個(gè)系統(tǒng)不確定程度減少的多;而模型的錯(cuò)誤分類率為0.174，具體是指被分錯(cuò)的例數(shù)占全部例數(shù)的比例。

表2 就診衛(wèi)生服務(wù)利用各解釋變量的重要性排序

(2)居民就診的logistic回歸模型

以是否就診為目標(biāo)變量，以表1中各變量為自變量，其中婚姻狀況和職業(yè)類型為多分類無序變量，轉(zhuǎn)化成啞變量，在0.05和0.1標(biāo)準(zhǔn)以及啞變量同進(jìn)同出原則下進(jìn)行變量的入選與剔除，模型粗無分類率為0.267，分析結(jié)果見表3。

(3)決策樹與logistic回歸模型分析結(jié)果顯示，兩模型篩選出的錯(cuò)誤分類率，分別為0.174與0.267，決策樹的錯(cuò)誤分類率稍低，且篩選出的變量稍多，兩模型前五位重要解釋變量中都有年齡、家庭收入和居民類型三個(gè)變量，綜合考慮，選擇決策樹模型作為最終模型來考察就診的影響因素。

討 論

根據(jù)兩模型的比較，選擇決策樹模型多為居民就診多因素分析的最終模型，CART樹模型共6個(gè)層次、13個(gè)節(jié)點(diǎn)，根節(jié)點(diǎn)為年齡，說明年齡這個(gè)因素在眾多輸入變量中相對影響最大，此時(shí)與其競爭根節(jié)點(diǎn)還有自感病情、家庭收入、居民類型和醫(yī)療保險(xiǎn)，變量“年齡”將樹分為左右兩枝，左枝終止，右枝又先后被變量“自感病情”、“家庭收入”、“居民類型”、“醫(yī)療保險(xiǎn)”依次分割;從決策樹的分支還可以看出，所選出的影響因素對不同人群的影響不同，以第三層的根節(jié)點(diǎn)“自感病情”為例來看，自感病情為“一般”的居民與自感病情“較輕”、“嚴(yán)重”的居民的影響因素不同，居民類型對自感病情一般的居民有影響，而對自感病情為較輕和嚴(yán)重的沒有影響。因此，我們在制定衛(wèi)生政策的時(shí)候，應(yīng)根據(jù)不同人群的影響因素提出針對性的衛(wèi)生政策，以不同的方式方法摸清不同人群的衛(wèi)生服務(wù)、需求狀況及其衛(wèi)生服務(wù)供給狀況，分析環(huán)境和資源，擬定衛(wèi)生服務(wù)規(guī)劃的目標(biāo)與戰(zhàn)略，提高衛(wèi)生服務(wù)利用率，減少重復(fù)性和浪費(fèi)性衛(wèi)生活動(dòng)，實(shí)現(xiàn)資源的合理優(yōu)化配置。

圖1 居民就診衛(wèi)生服務(wù)利用CART樹形圖

表3 民就診因素的多元logistic逐步分析結(jié)果(只列出有統(tǒng)計(jì)學(xué)意義的因素)

重慶作為一個(gè)地域廣闊、人口眾多(貧困農(nóng)村人口較多)、各區(qū)域社會經(jīng)濟(jì)發(fā)展不平衡的直轄市，由于各種因素的影響，衛(wèi)生服務(wù)利用程度、服務(wù)水平和公平性有待提高。綜合有四點(diǎn)，首先應(yīng)提高居民的生活質(zhì)量和收入水平，提高居民的健康意識和抵抗疾病風(fēng)險(xiǎn)的能力;其次，建立健全覆蓋城鄉(xiāng)居民的醫(yī)療保障體系，提高并穩(wěn)定城鄉(xiāng)三項(xiàng)基本醫(yī)療保險(xiǎn)參保率，提高政策范圍內(nèi)的醫(yī)?；鹬Ц端剑詫?shí)現(xiàn)衛(wèi)生服務(wù)的公平性;再次，低年齡組和高年齡組的兩周患病率高，對衛(wèi)生服務(wù)的需求較多，相應(yīng)的就診率就會高〔8〕，合理優(yōu)化重慶地區(qū)的人口年齡結(jié)構(gòu)，針對不同年齡人群的健康特點(diǎn)，重點(diǎn)發(fā)展一些特色科室;最后，針對不同居民類型的人群提出相應(yīng)的衛(wèi)生政策，根據(jù)城市與農(nóng)村居民不同的就診特點(diǎn)，提高基層醫(yī)療服務(wù)水平，完善鄉(xiāng)村衛(wèi)生服務(wù)一體化管理和提高城市社區(qū)衛(wèi)生服務(wù)水平，提高城市居民醫(yī)療保險(xiǎn)和農(nóng)村地區(qū)新農(nóng)合報(bào)銷比例，滿足不同居民的醫(yī)療服務(wù)需求，實(shí)現(xiàn)衛(wèi)生服務(wù)的良好效益及其利用的公平性。

1．中國人民大學(xué)統(tǒng)計(jì)學(xué)系數(shù)據(jù)挖掘中心．?dāng)?shù)據(jù)挖掘中的決策樹技術(shù)及其應(yīng)用．統(tǒng)計(jì)與信息論壇，2002，2:4-10．

2．Quinlan JR．Induction of decision Tree．Machine Learning 1，1986:81-106．

3．但小容，陳軒恕，劉飛，等．?dāng)?shù)據(jù)挖掘中決策樹分類算法的研究與改進(jìn)．軟件導(dǎo)刊，2009，9(8):41-43．

4．Quinlan JR．Induction of decision Tree．Machine Learning，1986，1(1):81-106．

5．Breiman L，F(xiàn)riedman JH，Qlshen RA，et al．Classification and regression trees:modern applied statistics with S-plus．2nd ed ．California:Wadsworth international group，1984:6-9．

6．Jordan MI．Learning in graphical models．Cambridge(Massachusetts):MIT Press，1998:7-8．

7．徐天和、柳青、余松林，等．中國醫(yī)學(xué)統(tǒng)計(jì)百科全書:多元統(tǒng)計(jì)分冊第2版．人民衛(wèi)生出版社，2004:195-201．

8．李魯，盧祖洵，梁萬年，等．社會醫(yī)學(xué)．人民衛(wèi)生出版社，2006:128-153．