新医疗体系中政府补助比例的遗传算优化

王黎敏

【摘要】通过构造大众满意度函数、政府合理度函数，医院接受度函数将新医疗体系中医院的各项收入比例设定转化为一个多目标优化模型，并使用遗传算法对其进行了求解，为破除“以药补医”后政府对医疗机构的补助比例提供了参考。

【关键词】医疗改革以药补医遗传算法多目标优化

【中图分类号】R197【文献标识码】A【文章编号】2095-1752（2012）14-0386-02

我国的城镇医疗制度改革是一项事关国计民生的大事。“看病贵”是当前群众呼声很高的热点问题之一。

看病贵主要指昂贵的医药费影响群众获得基本医疗服务，破除“以药补医”并通过合理的提高诊疗费、手术费、护理费等医疗技术服务价格比例及政府对医院进行补贴的比例使得医院收入基本不变，是一种很好的途径，根据统计资料显示，如果取消“以药补医”，则病人治疗的药费可降低30%左右。本文研究的重点即在医院收入比例的优化。

1.目标分析

一个最合理化的医药费标准应该是能顾及群众、医院、政府的利益。于是考虑以下两个目标;一：费用比例合理；二：医院收支平衡。

比例合理是一个模糊的概念。合理化的对象主要有三个，分别是医院、患者和政府。

（1）医院的收入波动要基本稳定，在此设定阈值为n，则波动范围在[-n,n]区间内。波动绝对值小于n时表明合理，波动绝对值越小合理性越高。假定其合理指数为k1。

（2）患者的手术病例中，首先由于题中预期的是患者所付药费降低30%左右，那么在三个价位区间内的药费比例就是定值。分析者认为需要按比例下调每个区间的手术费，并小范围上升检查、通用费用比例，保证其总上升比例不超过调整前药费的10%。假定其合理指数为k2。

（3）政府方面则需要提高相应的投入。本文中设定的投入值在20%-30%为佳。假定其合理指数为k3。

2.多目标优化模型建立与分析

分类价位区间/W平均费用/W该价位病例占总数比例/%手术费比例S/%药费比例Y/%检查费比例J/%通用费比例T/%平均药费/W

(3)：由前文分析可以假定，在政府补贴费用所占比例的α5变化过程中，评价值K3近似按正态分布曲线变化。由此，建立的政府补贴费用所占比例评价值模型为正态分布曲线方程：

政府补贴费用所占比例评价值如表

政府补贴费用所占比例评价值表

评价值/%7.550.01005580.30

政府投入比例0.090.140.200.270.320.400.60

3.遗传算法求解

现将多目标规划转化为单目标规划后，利用遗传算法求解最优解。即求

已知取消“以药补医”后药费减少约30%，即α2约为定值0.7，为加快程序运算速度，实际只引入4个变量。定义C'=[Sα1,Jα3,Tα4,α5]。

3.1个体编码

遗传算法的运算对象是表示个体的符号串，所以必须把变量x1，x2编码为一种符号串。本模型中，用无符号二进制整数来表示。由式(5-5)给出的各变量范围，每个变量用6位无符号二进制整数来表示，将它们连接在一起所组成的24位无符号二进制数就形成了个体的基因型，表示一个可行解。

例如，基因型X＝100000010000001000011000所对应的表现型为C'=[32,16,8,24]。个体的表现型x和基因型X之间可通过编码和解码程序相互转换。如图所示。

染色体：

Sα1Jα3Tα4α5

3216824

染色体序列表示为：100000010000001000011000

个体基因型和表现型转码关系示意图

3.2初始群体的产生

遗传算法是对群体进行的进化操作，需要给其淮备一些表示起始搜索点的初始群体数据。根据实际变量情况，本模型中群体规模的大小取为4，即群体由4个个体组成，理论上每个个体可以随机给出，但是为了加快算法收敛速度，可以人为设置为梯度分布。

101010

染色体序列表示为：001010001010000001000000

3.3适应度计算

遗传算法中以个体适应度的大小来评定各个个体的优劣程度，从而决定其遗传机会的大小。本题中，由于适应度函数正相关于目标函数（即合理度值），且目标函数计算并不复杂，故可以直接利用目标函数值作为个体的适应度。

3.4选择运算

选择运算把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中。一般要求适应度较高的个体将有更多的机会遗传到下一代群体中。

本模型采用与适应度成正比的概率来确定各个个体复制到下一代群体中的数量。其具体操作过程是：计算出群体中所有个体的适应度的总和

计算出每个个体的相对适应度的大小，它即为每个个体被遗传到下一代群体中的概率;每个概率值组成一个区域，全部概率值之和为1；最后再产生一个0到1之间的随机数，依据该随机数出现在上述哪一个概率区域内来确定各个个体被选中的次数。本模型的选择运算结果如表所示。

选择运算结果表:

4.总结

本文利用遗传算法对医院破除“以药补医”模式后收入比例的分配进行了优化，本问题的解决过程中，鉴于原始数据和相关知识匮乏，得出的结论可能有失偏颇，但遗传算法思想的引入不失为一种创新。

参考文献

[1]谢涛、陈火旺《多目标优化的演化算法》，计算机学报，2003年.

[2]五力、吴捷、钟丹虹，《多目标优化改革遗传算法在电网规划中的应用》，电力系统自动化，1999年.