Выбор метода прогнозирования основных статистических показателей работы ГБУЗ «НИИ СП им. Н.В. Склифосовского Департамента здравоохранения города Москвы»

Актуальность Важнейшей частью социально-экономической политики государства является оптимизация системы здравоохранения, ошибки и сбои в работе которой приводят к потере общественного здоровья и экономическому ущербу. На этом фоне прогнозирование работы лечебных учреждений является основой для успешного развития здравоохранения, учитывая однако, что в настоящее время система здравоохранения, показатели и нормативы медико-социального обеспечения все еще нестабильны, а также не отработана четкая стратегия развития на ближайшие и отдаленные сроки.

Цель исследования Определение оптимального метода прогнозирования работы медицинского учреждения, основанного на выделении главных тенденций временнóго ряда при построении модели зависимости параметров или определении поведения данных как стохастического ряда (т.е. моделирование случайных процессов и случайных событий с некоторой случайной ошибкой).

Материал и методы Для прогнозирования основных статистических показателей работы НИИ СП им. Н.В. Склифосовского на основании ретроспективного анализа использовались данные, представленные в городское бюро медицинской статистики и внесенные в официальные формы отчетности (форма № 30. Утв. пост. Госкомстата РФ от 10.09.02 № 175): количество госпитализированных больных и показатели летальности по стационарным и реанимационным отделениям. Для выбора оптимальной методики экспериментальной модели прогноза были использованы статистические данные по больнице за период с 1991 по 2016 г. Показатели 2017 года были приняты за контрольные значения.

Результаты В результате сравнения нескольких методов (метод сглаживания по скользящей средней, метод наименьших квадратов, модель Брауна, метод Хольта–Уинтерса, модель автокорреляции, метод Бокса–Дженкинса) применительно к работе ГБУЗ «НИИ СП им. Н.В. Склифосовского ДЗМ» была выбрана модель Хольта–Уинтерса как наиболее отвечающая характеристикам данных.

Выводы 1. При использовании методов сглаживания по скользящей средней, наименьших квадратов, Бокса–Дженкинса, а также моделей Брауна и автокорреляции на результат прогноза влияют не всегда строго прямолинейные показатели динамического ряда в силу неоднородности динамических рядов и наличия так называемых выскакивающих величин (особенно часто выделяющихся в медицинском учреждении, оказывающем неотложную помощь), которые приводят к значительному снижению достоверности прогнозирования. 2. Применение модели Хольта–Уинтерса, которая учитывает экспоненциальный тренд (тенденция изменения показателей временнóго ряда) и аддитивную сезонность (периодические колебания, наблюдаемые на временных рядах), является наиболее целесообразным для обработки статистических данных и прогнозирования на дальнесрочные, среднесрочные и краткосрочные периоды с учетом специфики стационара, оказывающего неотложную помощь. 3. Выбор оптимального метода прогнозирования работы медицинского учреждения, основанного на выделении главных тенденций временнóго ряда с учетом большинства особенностей при моделировании случайных процессов и событий, позволил уменьшить относительную ошибку прогноза.

1. Карасев Н.А., Ермолов А.С., Турко А.П., Курилин Б.Л., Кислухина Е.В. Влияние реанимационной обеспеченности на результаты лечения острой хирургической патологии органов брюшной полости в многопрофильных больницах г. Москвы. Московский хирургический журнал. 2012; (1): 48–54.

2. Хубутия М.Ш., Карасев Н.А., Курилин Б.Л., Кислухина Е.В., Киселевская-Бабинина И.В., Молодов В.А. Развитие реанимационного коечного фонда в многопрофильных стационарах г. Москвы и его влияние на результаты лечебной деятельности. Скорая медицинская помощь. 2012; 13(3): 45–50.

3. Ермолов А.С., Смирнов С.В., Карасев Н.А., Курилин Б.Л., Кислухина Е.В., Киселевская-Бабинина И.В. и др. Анализ основных показателей работы Московского городского ожогового центра после модернизации. Журнал им. Н.В. Склифосовского «Неотложная медицинская помощь». 2016;(1): 60–62.

4. Хубутия М.Ш., Карасев Н.А., Кислухина Е.В., Васильев В.А., Курилин Б.Л., Медведева А.Б. и др. Анализ показателей клинической и организационной деятельности НИИ СП им. Н.В. Склифосовского в период 2005–2015 гг. Журнал им. Н.В. Склифосовского «Неотложная медицинская помощь». 2016;(2): 59–63.

5. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. Москва: Финансы и статистика; 2003.

6. Светуньков С.Г. Методы социально-экономического прогнозирования: в 2-х т. Санкт-Петербург: Изд-во СПбГУЭФ; 2009.

7. Линник Ю.В. Метод наименьших квадратов и основы математикостатистической теории обработки наблюдений. Москва: Физматгиз; 1958.

8. Покровский В.И., Брико Н.И. (ред.) Общая эпидемиология с основами доказательной медицины. 2-е изд., испр. и доп. Москва: ГЭОТАР-Медиа; 2012.

9. Савилов Е.Д., Мамонтова Л.М., Астафьев В.А., Жданова С.Н. Применение статистических методов в эпидемиологическом анализе. 2-е изд., доп. и перераб. Москва: МЕДпресс-информ; 2004.

10. Winters P.R. Forecasting sales by exponentially weighted moving averages. Management Science. 1960; 6(3): 324–342.

11. Орлов А.И. Эконометрика. Москва: Феникс; 2009.

12. Погодин С.К. Методы оценки портфелей инвестиций, включающих ценные бумаги и недвижимость. Автореф. дис. …канд. экон. наук. Москва, 2006. URL: https://dlib.rsl.ru/viewer/01003277680#?page=1 [Дата обращения 12 августа 2019].

13. Урбах В.Ю. Математическая статистика для биологов и медиков. Москва: Изд-во Академии наук СССР; 1963.

14. Губинова Т.В. Применение экспоненциального сглаживания для прогнозирования выручки. Материалы VII Междунар. студ. науч. форума-2015. URL: https://scienceforum.ru/2015/article/2015008484 [Дата обращения 12 августа 2019].

15. Осипов Л.А., Кричевский А.М. Оценка и применение моделей временных рядов с долгой памятью в экономических задачах. Информационно-управляющие системы. 2007;(5):45–51.

16. Makridakis S, Andersen A, Carbone R, Fildes R, Hibon M, Lewandowski R, et al. The accuracy of extrapolation (time series) methods: Results of a forecasting competition. J Forecast. 1982;1(2):111–153.