门诊量是反映医疗机构基本运行情况的最直接也是最关键的指标之一,它能真实体现出医疗机构的规模,医疗质量及水平。与此同时,它也能为医疗工作者合理分配医疗资源、提高医疗工作效率提供重要参考。因此,如何有效准确掌握并预测门诊量的变化趋势,对于医疗信息管理领域而言具有重大的意义。随着医疗信息化改革的不断深入和发展,对门诊量的统计预测在医院日常管理与决策工作中占据了越来越重要的地位。随着空气环境的日益恶劣,呼吸类疾病高发频发,成为摆在医疗工作者面前亟需解决的难题。呼吸内科是医院重要的科室之一,主要是针对支气管炎、气管炎、哮喘等呼吸道疾病的治疗,其每日就诊量与空气质量紧密相关。目前,医疗信息管理领域内的预测问题大多停留在管理人员根据工作经验进行人工判断的阶段,缺乏精准、可靠的预测方法来进行高效的辅助。本文以作者学习生活城市所在地武汉作为研究样本城市,将空气因素设定为影响呼吸内科门诊量的重要因素之一,使用2012-2016年共5年的武汉市某医院呼吸内科门诊数据与武汉市空气污染数据。针对呼吸内科的门诊量的预测问题,本文采用SARIMA-RBF组合模型预测未来一个月的门诊量变化的情况,同时考虑季节性影响因素(星期)与随机性影响因素(空气质量)完成模型的构建,旨在为医院呼吸内科每日工作的开展与决策提供科学的依据。本课题研究的创新点在于三个方面:一是指标选取;本文针对呼吸内科就诊人群的特点,提出空气污染指数并将当前的空气污染程度作为影响未来几天呼吸内科就诊人数的重要指标。二是时间粒度选取问题;对于门诊量相关的预测,在前人的研究中大都采用月份作为统计维度,只能体现近几年来的大体走势,而本文则进一步细化,采用天作为统计维度。三是组合模型的优化;对于各类组合模型的预测问题,国内外学者已经做了不少的研究,其中不乏使用SARIMA-RBF组合模型进行相关问题的预测,但前人在二者组合的方式上只是单纯的将SARIMA中AR项与预测值作为输入,完成RBF的训练。本文针对实际数据,提取出空气污染指数并将其也作为RBF的输入变量,创新性的优化了两种模型的组合方式来呼吸内科门诊量提升预测效果。本文的主要工作如下:(1)系统、全面的分析了当前医疗领域预测问题的发展历史与现状,详细说明了本文的研究意义以及研究的可拓展性。(2)对医院his系统进行了深入的学习和了解,研究了空气污染对于人健康的影响以及空气污染与呼吸内科门诊量的正相关关系。(3)对常用的SARIMA-RBF组合模型进行调整,将空气因素作为RBF在拟合残差时的输入值,使得组合模型的结构得到优化,更有针对性,提高了预测结果的精度。通过对单个预测模型与组合模型预测结果的分析与比较,本文发现了组合模型不仅能充分发挥传统时间序列模型在线性部分拟合的优势,同时还能使用神经网络模型来较好的拟合非线性的干扰因素,最终获得优于单个模型的预测效果。受时间、地域以及个人能力等因素的局限,本文的研究内容还存在很多待完善的地方。例如除了空气因素之外,更多影响因素的加入来进一步优化模型的预测效果。