的建立统计学模型的步骤通过模型进行回归分析量化变量的影响程度；
[0101] 利用独立变量对预测变量进行定量化的描述，在疾病风险调整中，预测变量为病 人死亡率、住院天数和住院成本，独立变量为合并发症变量和其他变量；通过模型进行回归 分析量化变量的影响程度（见例二）。
[0102] 病人死亡率数据采用逻辑回归模型建模方法，住院天数和医疗成本数据采用多元 线性回归模型建模方法。统计模型建立利用LASSO回归方法，并自动进行在训练数据上的 参数优化，建立最优化模型。在对住院天数和成本建立的线性回归模型中，对预测变量值进 行了 Log变换，使得变换后的预测变量值更接近正态分布，更加符合线性回归模型的假设；
[0103] 模型对独立变量的回归系数规定如下；合并发症变量系数>〇(增加死亡率，住院 天数和成本的风险）；其他变量（如年龄等）系数可正可负。另外，变量符号必须与初选中 统计检验中得到的符号保持一致。
[0104] 例二；DMIAES病死亡率模型#22 ;(病人年龄> 18)急性缺血性中风及使用溶解血 栓剂伴严重合并发症（MSDRG 61)，合并发症（MSDRG 62)，无合并发症（MSDRG 63)。
[0105] 数据来源；美国德州医学中屯、赫尔曼纪念医院
[0106] 建模样本中的病人数；996样本时间7/1/2004-6/30/2014
[0107] 模型类别；逻辑回归模型 [010引
[0109] 阳。0] S7 ;所述的模型质量验证步骤包括;
' '
[01川 （1)基本比较分析；采用与同类模型的比对分析，将同一测试样本的数据输入两 个模型后对结果实现分类比较；虽然变量的选择和建模的方式不同，但最终的结果还是具 有可比性的（见例六图表）
[0112] (2)采用统计验证方法，包括：
[0113] ①逻辑回归模型的检验；计算模型预测与真实值的相合系数C-Index;其中 C-Index值越接近1，模型的预测效果越好。国外比对模型检验中要求模型的C-Index > 0. 7。（例S 1的C检验值）
[0114] ②线性回归模型的检验；计算模型预测与真实值的拟合系数R-square ;R-square 值越接近1，模型的预测效果越好。国外比对模型检验中要求模型的R-square> 0.05。（例 S 2, 3的R检验值）
[0115] ⑨在测试数据中进行检验，测试数据为单独的一份数据，或是在其他条件（如治 疗途径、手段等）没有根本性改变的前提下的当前病人的数据（例六1，2, 3的实际/预测 值）；
[0116] ④用同样的测试样本数据与其他同类模型进行C和R检验，比对分析模型质量 (例六1，2, 3的检验值）。
[0117] 例S ;模型的质量验证结果和比对分析 [om] 1.病死亡率
[0119] 模型#22 ;急性缺血性中风DRG 61，62, 63
[0120] 数据来源；美国德州医学中屯、赫尔曼纪念医院
[0121] 测试样本病人数；66出院时间7/1/2004-6/30/2014
[012引比较模型；我们的DMIAES模型和美国同类模型（简称U模型）
[0123] 模型拟合度C-Index检验；建模数据中DMIAES模型；0.890,测试数据中DMIAES模 型；0. 964, U 模型；0. 933。
[0124]
[0126] 模型#328 ;多发性外科创伤DRG 957, 958, 959
[0127] 数据来源；美国德州医学中屯、赫尔曼纪念医院
[012引 测试样本数；212出院时间7/1/2004-6/30/2014
[0129] 比较模型；我们的DMIAES模型和美国同类模型（简称U模型）
[0130] 模型拟合度C-Index检验；建模数据中DMIAES模型；0.955,测试数据中DMIAES模 型；0. 987, U 模型；0. 982。
[0131]
[0132] 2.住院天数
[0133] 模型#22 ;急性缺血性中风DRG 61，62, 63
[0134] 数据来源；美国德州医学中屯、赫尔曼纪念医院
[0135] 测试样本病人数；66出院时间7/1/2004-6/30/2014
[0136] 比较模型；我们的DMIAES模型和美国同类模型（简称U模型）
[0137] 模型拟合度R-square检验；建模数据中DMIAES模型；0.244,测试数据中DMIAES 模型；0. 219, U 模型；0. 211。
[013引
[0139] 模型#76 ;屯、脏瓣膜及其他类屯、胸手术DRG 219, 220, 221
[0140] 数据来源；美国德州医学中屯、赫尔曼纪念医院
[0141] 测试样本病人数；199出院时间7/1/2004-6/30/2014
[014引比较模型；我们的DMIAES模型和美国同类模型（简称U模型）
[0143] 模型拟合度R-square检验；建模数据中DMIAES模型；0.256,测试数据中DMIAES 模型；0. 261，U 模型；0. 269。
[0144]
[0145] 3.住院直接医疗成本
[0146] 模型#22 ;急性缺血性中风DRG 61，62, 63
[0147] 数据来源；美国德州医学中屯、赫尔曼纪念医院
[014引测试样本病人数；66出院时间7/1/2004-6/30/2014
[0149] 比较模型；我们的DMIAES模型和美国同类模型（简称U模型）
[0150] 模型拟合度R-square检验；建模数据中DMIAES模型；0.366,测试数据中DMIAES 模型；0. 217，U 模型；0. 149。
[0151]
[0巧2]模型 #205 ;糖尿病 DRG 637, 638, 639
[0153] 数据来源；美国德州医学中屯、赫尔曼纪念医院
[0154] 测试样本病人数；119出院时间7/1/2004-6/30/2014
[015引比较模型；我们的DMIAES模型和美国同类模型（简称U模型）
[0156] 模型拟合度R-square检验；建模数据中DMIAES模型；0. 383,测试数据中DMIAES 模型；0. 227, U 模型；0. 295。
[0157]
[015引所述的当前数据筛选与预值计算步骤包括W下步骤：
[0159] SS1 ;从医院数据库中导入当前出院病人数据；
[0160] SS2 ;数据鉴别和清理，筛选出坏数据并予W删除；
[0161] SS3 ;疾病诊断相关分组DRG和模型的归类，实现对疾病诊断相关分组的归类集 合、模型分类、编号归类集合；
[0162] 每个病人有一个疾病诊断相关分组DRG，通过DRG实现相关性诊断的归类和评估；
[0163] 依据DRG，将相关联的DRG进行归类，每个DRG都被编入一个模型号，通过模型号实 现相关性DRG的归类和评估；
[0164] SS4 ;入院时疾病和有关健康问题的国际统计分类ICD合并发症及其他变量的归 类集合，实现对入院病人合并症和并发症及其他变量的归类；
[0165] 依据人体器官和系统的国际疾病诊断标准类别对病人入院时既往的并发症及合 并症进行分类处理；
[0166] 其他变量包括年龄、性别、社会经济环境、入院状况和来源信息；
[0167] SS5;计算病人入院风险的预测值，实现对每个入院病人在死亡率、住院天数和医 疗成本的入院风险预测；
[016引风险预测值的定义和成立条件：
[0169] 定义；疾病的风险预测指通过在医院各病种管理的历史性数据中找出对影响最终 治疗结果的普遍规律和可量化因素，利用大数据分析、数学统计学和机器学习等方法能够 精准推测出当前有同类疾病程度和相似特征的病人的死亡率、住院天数和医疗成本的预测 发生值；
[0170] 成立条件；诊断编码、诊断归类方法、疾病的治疗途径和手段和医疗价格等在建模 和当前时间段中没有发生根本性变化。
[0171] 具体方法是按照各类公式计算出预测值（见例四）：
[017引例四；DM