臺灣博碩士論文加值系統

中央健康保險局在「醫院總額預算支付制度」下，強調費用控制與品質確保兩大主軸。其中費用控制，要來抑制醫療費用的不合理成長與改善論量計酬的缺點；而品質確保，期望讓醫療服務品質不因健保局實施總額預算控制醫療費用支出，而犧牲就醫民眾的醫療服務品質。然而，目前許多醫院對醫療費用預測模式與醫療品質監控模式的應用並不熟悉。因此，本研究以倒傳遞類神經網路與複迴歸分析，來建構醫療費用預測模式；而以模糊多屬性決策法及倒傳遞類神經網路，建構醫療服務品質監控模式，以供醫院自主管理之參考。

經研究個案醫院後發現，一、門診醫療費用模式由「每人急診就醫率」、「成人預防保健件數」及「平均每人就醫次數」3個變數所構成；二、.住院醫療費用模式由「外科平均住院天數」、「超長期住院率」、「小兒科平均住院天數」、「出院病患14日再入院率」及「腎臟內科平均住院天數」5個變數所構成；三、門診品質監控模式由「就診人次」、「平均每人看診次數」及「開立慢性病連續處方籤數」3個變數所構成；四、住院品質監控模式由「超長期住院率」、「DRG案件」、「剖腹產率」3個變數所構成。醫院在自主管理上，可以透過對這些變數的適當控制與調整，以減少被核減的醫療費用，並維持醫療品質。

在四個模式的準確度測試上，倒傳遞類神經網路法相對比複迴歸法來的準確。但倒傳遞類神經網路無法找出影響模式的重要變數，必須透過迴歸分析，才能找出每個模式的重要影響變數。針對影響門診與住院品質的6個變數，經管制圖繪製後發現：「就診人次」、「平均每人看診次數」與「開立慢性病連續處方籤數」此三個品質指標，發生異常。可供醫院參考，以找出異常原因並做改善。

The Bureau of National Health Insurance intends to use the Global Budget System to control medical expenditure and to ensure medical quality. The objective of controlling medical expenditure is to restrain illegitimate growth on medical expenditure, while the objective of ensuring medical quality is to avoid sacrifice of medical quality. However, a large number of hospitals neither have a proper forecasting tool in medical expenditure nor have a suitable monitoring tool in medical quality. For this reason, the purposes of this research are: (1) to build a proper forecasting tool in medical expenditure by back-propagation neural (BPN) network; (2) to use fuzzy set and neural network to build a better monitoring model in medical quality.

The results of this research show that: (1) the forecasting model of outpatients’ expenditure is affected by” the rate of emergency treatment for each person”, ”the number of adult’s health prevention”, and ”the average number of medical treatment for each person”; (2) the forecasting model of inpatients’ expenditure is affected by ”the average days of hospitalization after surgery”, “the rate of long-term hospitalization”, ”the average days of hospitalization in pediatrics”, “the rate of re-hospitalization within 14 days” and “the average days of hospitalization in internal medicine of kidney”; (3) The quality monitoring model of outpatient is constructed by ”the number of outpatients”, “the average time of medical treatment for each person”, and “the number of prescriptions for chronic diseases”. (4) The quality monitoring model of inpatient is constructed by ”the rate of long-term hospitalization”, “the number of DRGs”, and “the rate of cesarean”.

Based on this research, BPN is more accurate than Regression Analysis in the forecasting results for three models in the study. However, BPN can not find the critical variables in those models. For the reason, Regression Analysis is still an important tool to find out the variables that influence the medical expenditure and medical quality. The control charts for the quality model shows outliers in the following variables: “the number of outpatients”, “the average time of medical treatment for each person” and “the number of prescriptions for chronic disease”. It is recommended that a hospital should find out the causes that affected medical quality and take action to improve medical quality.

中文摘要 Ⅰ
英文摘要 Ⅱ
致謝 Ⅳ
目錄 Ⅴ
表目錄 Ⅷ
圖目錄 Ⅹ
第一章、緒論 1
前言： 1
1.1研究背景與動機 1
1.2研究目的 2
1.3研究範圍與限制 3
1.4研究流程 3
第二章、文獻探討 5
2.1總額預算支付制度 5
2.1.1總額預算支付制度之意涵 5
2.1.2國外總額制度之探討 6
2.1.3各種支付制度之比較 8
2.1.4總額預算支付模式 12
2.1.5總額費用設定與考慮因素 13
2.1.6總額制度之分配方式 16
2.2醫院總額支付制度 18
2.2.1醫院總額支付制度之規劃重點 19
2.2.2醫院總額制度之實施現況 20
2.3醫院自主管理 23
2.3.1醫院自主管理的迫切性 23
2.3.2醫院自主管理實施現況 24
2.4模糊理論 25
2.4.1模糊集合 26
2.4.2語意變數 27
2.4.3模糊多屬性決策 28
2.5類神經網路 31
2.5.1類神經網路運作過程 32
2.5.2倒傳遞類神經網路 33
2.6模糊類神經網路 34
2.6.1模糊類神經網路之分類 35
第三章、研究方法與設計 38
3.1醫療費用預測模式建構流程 38
3.2醫療服務品質監控模式建構流程 42
第四章、結果與討論 47
4.1醫療費用預測結果 47
4.1.1倒傳遞類神經網路分析結果 47
4.1.2 複迴歸分析結果 49
4.1.3「BPN類神經網路」與「複迴歸分析」預測準確性比較 52
4.2品質監控結果 53
4.2.1模糊類神經網路分析結果 53
4.2.2複迴歸分析結果 57
4.2.3「BPN類神經網路」與「複迴歸分析」監控準確性比較 60
4.3預測精確性與控制 61
4.3.1 預測之精確性 61
4.3.2 預測之控制 62
第五章、 結論與建議 75
5.1結論 75
5.1.1 醫療費用預測模式 75
5.1.2 醫療品質監控模式 76
5.2建議 78
5.2.1 自主管理之建議 78
5.2.2 後續研究之建議 79
參考文獻 80
中文部分 80
英文部分 82
附件 84
附件一：醫療費用審查提昇計畫審查參考指標操作型定義 84
附件二：醫院自主管理指標項目 89
附件三：倒傳遞類神經網路對「門診醫療費用」預測結果 91
附件四：倒傳遞類神經網路對「住院醫療費用」預測結果 95
附件五：倒傳遞類神經網路對「門診品質」監控結果 99
附件六：倒傳遞類神經網路對「住院品質」監控結果 103

中文部分
1.王秀蕙（2001），全民健保實施西醫基層總額支付制度成效評估-以高屏分局為例，國立高雄醫學大學公共衛生學研究所碩士論文。
2.中央健康保險局（2002），第一期醫院總額支付制度執行面Q&A彙編。
3.中央健康保險局（2002），總額支付制度提升醫療服務品質，全民健康保險雙月刊，第38期，p13-15。
4.中央健保局南區分局（2002），全民健康保險醫院總額支付制度說明會。
5.中華民國醫師公會全國聯合會（2001），加拿大實施總額支付制度經驗摘要，台灣醫界，第44卷，第8期，p36-38。
6.全民健康保險醫療費用協定委員會（2000），全民健康保險醫療費用總額支付制度問答輯，台北：全民健康保險醫療費用協定委員會。
7.行政院衛生署網站（2002），http://www.doh.gov.tw.
8.行政院衛生署（2002），醫院總額支付制度研議方案。
9.行政院衛生署（2002），全民健康保險醫院總額支付制度研議方案暨研討會資料。
10.李玉春（2001），全民健保西醫總額支付制度之推動政策—基層與醫院預算之分立或統合，台灣醫界，第44卷，第7期，p43-47。
11.李維斌（2000），「運用類神經網路於銀行業實施全面品質管理之研究─以花蓮地區銀行業為例為例」，國立東華大學企業管理研究所碩士論文。
12.李玉春、賴美淑、盛培珠（2001），九十年度全民健保年度醫療費用總額範圍之擬定及其政策意函，醫務管理期刊，第二卷第二期，p72-86.
13.吳求淳（2000），台灣全民健保制度下支付制度與醫院管理制度間相關性之研究，私立義守大學管理科學研究所碩士論文。
14.吳重慶、葉淑娟（2001），總額預算的多元化支付制度，台灣醫界，第44卷，第6期，p55-57。
15.邱永仁（2000），論醫院總額支付制度—由德國經驗來看，台灣醫界，第43卷，第10期，p33-35。
16.徐強、王萬清（1999），模糊人力供需預測模式之建構，模糊系統學刊，第五卷第一期，p81-94.
17.晉鳳山（2002），改良式倒傳遞類神經網路之研究，測驗統計簡訊，第47卷，p28-34.
18.許航瑞（2001），我國全民健保醫療支出問題的政經分析：一個新制度主義的觀點，國立成功大學政治經濟研究所碩士論文。
19.陳順義（2002），牙醫總額支付制度分區成效差異原因探討：中區與南區之比較，國立中正大學社會福利研究所博士論文。
20.曾育培（2000），「類神經網路於醫療業顧客失約預測之應用」，國立台北科技大學生產系統工程與管理研究所碩士論文。
21.葉怡成（2001），「類神經網路模式之應用與實作」，儒林圖書有限公司，第七版，台北。
22.黃友梅（2002），「總額支付制度」提升醫療服務品質，全民健康保險，第38卷，p13-15.
23.楊志良、洪維河（2002），對醫院總額支付制度的若干觀察，全民健康保險雙月刊，第39期，p20-21。
24.楊雅媛（2002），「迴歸分析與類神經網路預測能力之比較」，國立政治大學統計研究所碩士論文。
25.楊耀山（2001），醫院自主管理指標資訊系統建構─以中部某區域醫院為例，私立中國醫藥學院醫務管理研究所碩士論文。
26.張沅嬪（2000），「醫院實施總額支付制之探討」，私立東海大學企業管理研究所碩士論文。
27.張斐章、胡湘帆、蕭錫清、張長圖（2000），模糊類神經網路於水庫即時入流量預測之應用，臺電工程月刊，618，p7-19.
28.盧安祺（2001），國立成功大學醫學中心門診醫療服務品質之實證研究，國立成功大學/企業管理學系碩士班碩士論文。
29.藍忠孚、洪錦墩（2000），醫療費用總額支付制度之探討，全民健康保險，第27卷，p9-13.
30.蘇啟鴻、羅志明（2002），「以類神經技術BPN與SOM探討醫院在總額預算支付制度下之市場區隔研究」，中華民國品質學會38屆年會，p857-867。
31.蘇瑞勇（2000），淺論全民健保之「總額支付制度」，高雄醫師會誌，Vol.30，p45-50.


英文部分
1.Abbas Heiat (2002), Comparison of artificial neural network and regression models for estimating software development effort, Information and Software Technology, Vol.44, p911-922.
2.Chen, S.J., and Hwang, C.L. (1992), Fuzzy Multiple Attribute Decision Making-Method and Application.，A State-of-the-Art Survey, Springer-Verlag, Vol.66, p.33-55, Spring , New York.
3.Chen Toly (2003), A fuzzy back propagation network for output time prediction in a wafer fab, Applied Soft Computing, 2/3F, p211-222.
4.Su, C., Hino, J., and Yoshimura T. (2000), Prediction of chatter in high-speed milling by means of fuzzy neural networks.，International Journal of Systems Science, volume 31, number 10, p1323-1330.
5.Fan Chinn-Ping, Chen Kong-Pin, and Kan Kamhon (1998), The design of payment systems for physicians under global budget - an experimental study, Journal of Economic Behavior & Organization, Vol.34, No.2, p295-311.
6.Fariborz Y. Partovi, and Murugan Anandarajan (2002), Classifying inventory using an artificial neural network approach, Computers & Industrial Engineering, Vol.41, p389-404.
7.Ganjavi, M.R., Lucas, C., and Javidi, M.H. (1999), Short term load forecasting using fuzzy neural network modified by the similarity and subsethood measures.，Journal of Intelligent and Fuzzy Systems, Vol. 7, p347-357.
8.Guh, R. S. and Tannock, J. D. T. (1999), Recognition of control chart concurrent patterns using a neural network approach, International Journal of Production Research, Vol.37, No.8, p1743-1765.
9.Gupta, M. M., and Rao, D. H. (1994), On the principle of fuzzy neural networks, Fuzzy Sets and Systems, 61, p.1-18.
10.Klir, G. J., and Yuan, B. (1995), Fuzzy Sets and Fuzzy Logic: Theory And Applications，Prentice-hall International. Inc.
11.Kumar, A., Rao, V. R., and Soni, H. (1995), An empirical comparison of neural network and logistic regression models, Marketing Letters, Vol.6(4), p251-236.
12.Kuo, R.J., Chen, J.H., and Hwang, Y.C. (2001), An intelligent stock trading decision support system through integration of genetic algorithm based fuzzy neural network and artificial neural network, Fuzzy Sets and Systems, 118(1), p21-45.
13.Kuo, R.J., Wu, P., and Wang, C.P. (2002), An intelligent sales forecasting system through integration of artificial neural networks and fuzzy neural network with fuzzy weight elimination.，Neural Networks, Vol.15, p909-925.
14.Lachtermacher, G., and Fuller, J. D. (1995), Backpropagation in time-series forecasting, Journal of Forecasting, Vol. 14, p.381-391.
15.Lin, C. T., and Lee, C. S. G. (1991), Neural-network-based fuzzy logic control and decision system, IEEE Transactions on Computers, 40, p.1320-1336.
16.Marek Balazinski, Ernest Czogala, Krzysztof Jemielniak, and Jacek Leski (2002), Tool condition monitoring using artificial intelligence methods, Engineering Applications of Artificial Intelligence, Vol.15, p73-80.
17.Markham, I. S., and Rakes, T. R. (1998), The effect of sample size and variability of data on the comparative performance of artificial neural networks and regression, Computers Operations Research, Vol.25(4), p251-263.
18.Ohdar, R. K., and Pasha, S. (2003), Prediction of the process parameters of metal powder preform forging using artificial neural network (ANN), Journal of Materials Processing Technology, Vol.132, p227-234.
19.Qian Hancheng, Xia Bocai ,Li Shangzheng , and Wang Fagen.(2002), Fuzzy neural network modeling of material properties.，Journal of Materials Processing Technology, Vol. 122, p196-200.
20.Tchaban, T., Griffin. P., and Taylor M. J. (1998), A comparison between single and combined backpropagation neural networks in the prediction of turnover, Engineering Applications of Artificial Intelligence, Vol.11, p41-47.
21.Tran Nguyen, Richard Malley, Stanley H. Inkelis, and Nathan Kuppermann (2002), Comparison of prediction models for adverse outcome in pediatric meningococcal disease using artificial neural network and logistic regression analysis, Journal of Clinical Epidemiology, Vol.55, p687-695.
22.Yasar Islamoglu (2003), A new approach for the prediction of the heat transfer rate of the wire-on-tube type heat exchanger (use of an artificial neural network model), Applied Thermal Engineering, Vol23, p243-249.
23.Zhenquan Lia, Vojislav Kecmana, and Akira Ichikawab (2002), Fuzzified neural network based on fuzzy number operations, Fuzzy Sets and Systems, 130, p291-304.