基于粒子群優化長短記憶網絡算法的有創呼吸機使用量預測模型研究

符增，夏景濤，王凌，申芳瑜，鐘晨，溫燕清（通信作者）

1 贛州市人民醫院 （江西贛州 341000）；2 南方醫科大學南方醫院（廣東廣州 510515）

隨著醫療改革的不斷深入，運營成本控制逐漸成為醫院管理的重要研究方向[1]。與此同時，醫療設備管理成為醫院成本管理的重要核心[2]。在實際工作中，除各重癥監護病房（intensive care unit，ICU）對有創呼吸機的使用需求相對確定外，其他很多科室對于呼吸機的使用需求存在不確定性和即時性。因此，準確預測全院各科室有創呼吸機的使用量，對提高設備使用率，降低運營成本具有重要意義。

目前，用于醫療器械使用量預測的方法主要有卡爾曼濾波模型[3]、自回歸積分滑動平均模型[4]、基于二次指數平滑和灰色馬爾科夫模型[5]等傳統的統計學方法和支持向量機[6]、循環神經網絡（recurrent neural network，RNN）[7-8]等新興的機器學習方法。采用傳統統計學方法建立的模型一般有明確的數學形式，預測結果的好壞取決于數據分布的假定及構建模型的合理性。對于復雜的非線性數據，該方法較難挑選出合理的分布假定和創建明確的數學模型。而機器學習方法能夠較好的處理非線性問題，提高預測準確率，但因其缺乏自學能力、破壞數據的時序特征、無法處理大規模數據而需手動選取等缺點影響預測的準確性。

長短期記憶網絡（long short term memory，LSTM）是一種特殊的循環神經網絡，有較強的自學能力、能較好學習數據中的時序特征，具有較高的預測精度，但網絡層數、迭代次數、隱含節點數等參數的確定會直接影響LSTM 網絡的預測精度[9]。

本研究采用粒子群優化（particle swarm optimization，PSO）與LSTM 相結合的方法，通過PSO方法優化LSTM 的隱含層神經元數、學習率，從而得到合適的網絡參數，提高LSTM的預測精度。同時，結合醫院有創呼吸機的使用情況，以天為顆粒度進行數據挖掘，應用本研究創建的PSO-LSTM 算法模型，以期準確預測有創呼吸機的每天使用量，為醫療設備采購決策及配置提供有效的合理建議，從而提高醫療設備的使用效率。

1 PSO-LSTM 模型創建

1.1 PSO 算法

PSO算法的思想源于對鳥群覓食行為的研究，鳥群通過共享集體的信息使群體找到最優的目的地[10]。假設搜索空間為D 維，粒子的個數為m 個，則可表示為：

式中，X 為包含m 個粒子的種群；Xi為1 個D維向量，指示搜索空間中的1 個可能的位置，稱為候選解；v為粒子下一步的飛行速度；Pbest為個體極值；Gbest為全局極值。粒子根據2 個極值更新自己的速度和位置，有：

式中，w為慣性權重，c1和c2為2 個正的常數；r1和r2為[0，1]間的2 個隨機數；n為當前的迭代次數。

慣性權重值越大，探索新區域的能力越強，全局尋優能力越強，但局部尋優能力越弱。反之，全局尋優能力越弱，局部尋優能力強。為了在搜索速度和搜索精度之間達到平衡，本研究采用線性變化策略調整w值來提高算法性能，具體如公式（8）所示：

式中，wmax為最大慣性權重，wmin為最小慣性權重，iter 為當前迭代次數，itermax為最大迭代次數。

1.2 LSTM 神經網絡模型

LSTM 于1997 年由Hochreiter[11]首次提出，經Sussillo、Jozefowicz 等[12-13]不斷優化，形成了較系統且完整的LSTM 框架，解決了梯度爆炸及長期依賴等問題，在語音識別、文字翻譯、機械故障診斷和預測等領域得到廣泛應用。LSTM 可以預測時間間隔較大的信息，具有記憶長短期信息能力。LSTM 是由一系列LSTM 單元（LSTM Unit）組成，其鏈式結構見圖1 所示。LSTM 包含輸入層、隱含層、輸出層。隱含層結構是由一系列線性組合構成的存儲單元組成，包括細胞狀態、遺忘門、輸入門及輸出門。

圖1 LSTM 神經網絡模塊

當信息輸入時，先由遺忘門決定是否丟棄信息，LSTM 模型可以以一定概率控制遺忘上一層的信息。將t-1 節點的隱藏狀態ht-1和t 節點的序列數據xt輸入1 個sigmoid 激活函數，從而得出遺忘門的輸出ft，遺忘門（ft）計算公式為：

其中σ為sigmoid 激活函數，Wf為遺忘門的權重矩陣，[ht-1，xt] 表示將2 個向量連接形成1 個新向量，bf為遺忘門的偏置項。

輸入門由兩部分，一部分通過sigmoid 激活函數形成，另一部分通過tanh 激活函數形成，輸入門（it）計算公式為：

其中Wi、Wc分別為輸入門、單元狀態的權重矩陣，bi、bc分別為輸入門、單元狀態的偏置項。

信息經過遺忘門和輸入門的處理后，作用于細胞狀態，t 節點的細胞狀態Ct由兩部分組成，一部分為Ct和遺忘門輸出ft的乘積，另一部分為2 個輸入門輸出it和Ct的乘積，計算公式如下：

獲得細胞狀態Ct，作為輸出門的輸入信息，隱藏狀態ht由兩部分祖成，第一部分是上一節點的隱藏狀態ht-1和節點序列Ot通過sigmoid 激活函數的輸出。

式（13）中Ot為t 時刻輸出門的值，Wo為輸出門的權重矩陣，bo為輸出門的偏置項。式（14）中ht為t 時LSTM 的輸出值。

1.3 PSO-LSTM 模型的有創呼吸機使用量預測方法

醫院有創呼吸機使用量作為一種醫療時間序列數據，其使用情況受多因素影響，數據具有非周期性和非線性的特征。LSTM 模型的網絡層數、迭代次數、隱含節點數等參數會顯著影響神經網絡的學習效果[14]。PSO 算法相較于其他自適應算法具有原理簡單、搜索能力強的優勢，其具有的自適應特性使得LSTM 能夠根據有創呼吸機使用量的數據特征，快速、準確地確定最優參數，實現LSTM 模型結構與有創呼吸機使用數據特征的有效結合?；赑SO-LSTM 算法的有創呼吸機使用量預測建模步驟（圖2）如下。

圖2 ICU 有創呼吸機使用量預測值

圖2 PSO-LSTM 神經網絡算法的有創呼吸機使用量預測流程圖

圖3 全院有創呼吸機使用量預測值

第1 步，對樣本數據進行預處理，將有創呼吸機使用量數據標準化，初始化PSO 算法參數。

第2 步，定義適應度，采用LSTM 預測值的均方根誤差作為粒子適應度值Fit。Fit 公式如下：

式中y*為真實值，y 為預測值。

第3 步，以粒子的位置信息作為LSTM 的參數，構建多個LSTM。

第4 步，訓練所有網絡，得到每個粒子的自適應度值，更新個體極值和群體極值。

第5 步，根據個體極值和群體極值使用慣性權重迭代更新粒子速度和位置信息。

第6 步，滿足條件或達到最大迭代次數后進入下1 步，否則返回執行第3 步。

第7 步，得到優化后的參數，重新訓練LSTM。

第8 步，通過訓練好的PSO-LSTM 進行有創呼吸機使用量預測。

2 有創呼吸機使用量預測

2.1 數據預處理

選取某三甲醫院有創呼吸機使用數據進行分析。其中，有創呼吸機的使用收費包含呼吸機輔助呼吸（HIS 系統中的項目編號F00000002175）和持續呼吸功能檢測（HIS 系統中的項目編號F00000002177）項目，通過檢測呼吸機輔助呼吸統計數量能準確判斷有創呼吸機的使用情況。從醫院信 息系統（hospital information system，HIS）提取規定時間內有創呼吸機的收費明細，包括住院號、執行科室、項目編碼、項目名稱、執行數量（按小時收費）、執行日期等信息[15]，根據收費明細可以統計每天各科室使用的有創呼吸機數量。

2.2 有創呼吸機使用量預測分析

根據某三甲醫院2019 年4 月至2023 年4 月有創呼吸機使用量，重點分析ICU、全院有創呼吸機使用量。神經網絡超參數范圍設置如下：學習率（learning rate）范圍為[0.01，0.15]，訓練次數（epoch）范圍[10，500]，隱含層神經元個數（hidden node）范圍為[10，500]。同時根據文獻[16]設置PSO 參數為：粒子數量為5，迭代次數為40， c1和c2均為2.5，wmax為0.8，wmin為0.2。通過預處理后的數據如表1 所示。

表1 數據劃分

選用2023 年1 月27 日至4 月26 日有創呼吸機使用量作為測試數據，通過PSO-LSTM 模型與LSTM 模型分別預測ICU 及全院有創呼吸機使用量，結果顯示，基于PSO-LSTM 模型的有創呼吸機使用量預測結果均與實際使用量更接近，相較于LSTM 模型預測精度更高，見圖2～3。

3 PSO-LSTM 模型誤差分析

3.1 誤差分析方法

為驗證模型的定量效果，采用平均絕對誤差（mean absolute error，MAE）、平均絕對百分比誤差（mean absolute percentage error，MAPE）及均方根 誤 差（root mean squared error，RMSE）對PSOLSTM 模型預測數據與實際數據的誤差程度進行評價[16-17]。

3.2 PSO-LSTM 模型與LSTM 模型預測結果

3.2.1 ICU 有創呼吸機使用量預測分析

PSO-LSTM 模型與LSTM 預測ICU 有創呼吸機使用量，MAE 值、MAPE 值及RMSE 值均降低，見表2。

表2 LSTM 模型與PSO-LSTM 預測ICU 呼吸機使用量誤差比較

3.2.2 全院有創呼吸機使用量預測分析

PSO-LSTM 模型與LSTM 預測全院有創呼吸機使用量，MAE 值、MAPE 值及RMSE 值均有降低，見表3。

表3 LSTM 模型與PSO-LSTM 預測全院有創呼吸機使用量誤差比較

4 討論

4.1 PSO-LSTM 模型應用評價

ICU 有創呼吸機使用量受影響因素較小，數據相對規律，故PSO-LSTM 預測模型與LSTM 預測模型結果相差較小。目前全院27 個科室使用呼吸機，由于影響因素較多，導致全院有創呼吸機使用量的數據呈非周期性和非線性特征。LSTM 模型的預測結果欠佳，但PSO-LSTM 模型預測結果較接近實際使用情況。通過平均絕對誤差、平均絕對百分比誤差及均方根誤差評價結果可知，使用基于PSOLSTM 模型的有創呼吸機使用量預測較準確。

4.2 有創呼吸機精細化管理

基于PSO-LSTM 算法的有創呼吸機使用量預測模型能夠較準確的預測有創呼吸機的使用量提供采購建議，提高醫療設備使用效率。利用此模型，改進現有的有創呼吸機管理模式，創建全院呼吸機管理共享中心，通過預測各科室使用量，提前規劃各科室有創呼吸機數量，降低管理成本，有效縮短調配時間，對提高臨床急救成功率、減少急救風險具有重要意義。

5 結論

基于粒子群優化長短記憶網絡算法的有創呼吸機使用量預測模型，可以推廣至醫院其他公用類設備的使用量預測，為公用類醫療設備的采購決策及配置調整提供科學依據，進一步改進現有的公用類醫療設備管理模式，提高其使用率，降低管理成本。下一步將根據各科室公用類醫療設備的使用情況，充分利用HIS、PACS 系統中的數據及改進相關算法模型，進一步提高設備使用情況的預測準確率，并將算法模型嵌入醫療設備管理軟件中，實時監控并預測公用類醫療設備的使用情況，從而提高醫療設備的精細化管理水平。