编辑推荐：
为优化医院资源配置，解决住院人数预测精度不足问题，研究人员基于某三甲医院 2019-2023 年神经内科月住院数据，构建季节性指数平滑（SES）和季节性自回归综合移动平均（SARIMA）模型。结果显示 SARIMA (0,1,1)(0,1,1)12模型预测效果更优，平均相对误差 0.03，为精细化管理提供科学依据。
在医疗资源紧张与精细化管理需求日益迫切的背景下，医院住院人数的精准预测成为优化资源配置的关键难题。当前，多数医院沿用粗放的年度固定目标管理模式，导致医疗资源要么因实际住院人数超标而拥堵，影响患者满意度与治疗质量，要么因未达目标造成资源浪费。尤其神经内科疾病具有显著季节性波动特征，如脑梗死发病在第四季度达高峰，中枢神经系统感染好发于温暖季节，而春节前后住院人数会出现明显下降，这种周期性变化使得传统管理模式难以适应实际需求。因此，建立科学的预测模型，精准捕捉住院人数的时间序列规律，对提升医院运营效率与医疗服务质量至关重要。
浙江省人民医院（杭州医学院人民医院）的研究团队针对这一问题展开研究。他们基于医院信息系统（HIS）和病案管理系统数据，收集 2019 年 1 月至 2023 年 9 月的神经内科月住院数据，构建季节性指数平滑（SES）和季节性自回归综合移动平均（SARIMA）模型，通过比较调整 R2、均方根误差（RMSE）、平均绝对百分比误差（MAPE）等指标筛选最优模型，并对 2023 年 10-12 月数据进行预测验证。研究结果表明，SARIMA (0,1,1)(0,1,1)12模型预测效果更优，平均相对误差（MRE）为 0.03，显著优于 SES 模型的 0.04，该研究为医院动态调配资源提供了重要依据，成果发表于《Scientific Reports》。
研究主要采用时间序列分析技术，包括：1. 数据预处理：对原始住院数据进行缺失值插补、异常值剔除，确保数据完整性；2. 模型构建：分别建立 SES 模型（含简单季节性、Winters 加法和乘法模型）和 SARIMA 模型，通过差分处理实现序列平稳化，结合自相关函数（ACF）和偏自相关函数（PACF）确定模型阶数；3. 模型评估：运用 Ljung-Box Q 检验验证残差是否为白噪声序列，通过交叉验证分析模型泛化能力，采用 R2、RMSE、MAPE、贝叶斯信息准则（BIC）等多指标综合评价模型性能；4. 影响因素分析：通过 Spearman 相关性检验，探讨年龄、住院时长、春节因素等与住院人数的关联，并将显著因素纳入 SARIMA 模型作为控制变量。
研究结果
- 住院人数周期性特征：2019-2023 年神经内科总住院人数 24,409 例，月数据显示每年 1-2 月住院人数骤降，3 月快速回升，呈现明显年度周期性，与春节假期及疾病季节性发病模式吻合。
- SES 模型拟合结果：Winters 加法模型为最优 SES 模型（调整 R2=0.461，RMSE=40.203），其残差序列经检验为白噪声，表明模型有效提取了数据特征，但对趋势和季节性的分解效果有限。
- SARIMA 模型拟合结果：经差分处理（d=1, D=1）后，确定 SARIMA (0,1,1)(0,1,1)12为最优模型（调整 R2=0.239，RMSE=52.320），模型参数中移动平均项（MA (1)）、季节性因子、年龄和春节因素均通过显著性检验（P<0.1），残差正态性检验显示模型稳定性良好。
- 预测效果对比：SES 模型对 2023 年 Q4 预测的 MRE 为 0.04，SARIMA 模型为 0.03，且预测值均落入 95% 置信区间内，表明 SARIMA 模型在捕捉周期性波动和影响因素方面更具优势。
结论与讨论
本研究证实 SES 和 SARIMA 模型均适用于神经内科住院人数预测，但 SARIMA 模型因能整合年龄、春节等影响因素，预测精度更高。研究发现，年龄增长与神经内科疾病住院风险呈负相关（Spearman 系数 - 0.496, P<0.001），可能与老年人群代谢疾病患病率高相关；春节因素显著影响住院时间选择（P=0.029），反映传统节日对就医行为的调节作用。
该研究为医院管理提供了多维度启示：1. 动态资源调配：春节前后可将神经内科闲置床位临时调配至呼吸科等需求稳定科室，3 月前提前增加医护人员配置；2. 专科优化：针对老龄化趋势，建议设立老年神经专科，制定差异化诊疗规范；3. 政策协同：卫生部门可依据预测结果统筹区域医疗资源，缓解节后就诊高峰压力。此外，研究首次将传统时间序列模型与医院实际管理场景结合，为中小型医疗机构提供了低成本、易解释的预测工具选择，弥补了机器学习模型在小样本场景下的不足。未来可进一步纳入医保政策、空气污染等变量，完善预测模型的普适性。
