健康指數(shù)評價是深層次挖掘指標(biāo)關(guān)聯(lián)、多維度揭示評價對象發(fā)展趨勢和健康狀態(tài)的一種定量評價形式[1]。指數(shù)通常以數(shù)值的形式存在，是由多指標(biāo)經(jīng)過復(fù)雜數(shù)學(xué)邏輯運算而集成的一種相對指標(biāo)，是反映復(fù)雜系統(tǒng)總體狀態(tài)的客觀標(biāo)尺[2]，健康指數(shù)構(gòu)建的過程也是實現(xiàn)動態(tài)量化評價的過程。多項研究[3-5]表明綜合評價理論是指導(dǎo)健康指數(shù)構(gòu)建的首要理論，沒有正確的評估就沒有準(zhǔn)確的決策，客觀、真實且全面的評估是進行多屬性、多目標(biāo)決策分析的前提。綜合評價的過程是動態(tài)的、連續(xù)的，其本身即為一個多指標(biāo)降維的過程[6]。通過解構(gòu)研究對象及數(shù)學(xué)邏輯映射，對高維空間下由多指標(biāo)構(gòu)成的研究對象進行降維，構(gòu)建能夠高度反映系統(tǒng)整體狀態(tài)的綜合指數(shù)并進行排序、比較和分析。因此，系統(tǒng)綜合評價的直接結(jié)果即體現(xiàn)為指數(shù)。

目前，有關(guān)健康指數(shù)構(gòu)建與綜合評價的研究廣泛應(yīng)用于各個領(lǐng)域，但多用于評價某個具體的實際問題[7-8]，目前尚未有較為完備的能夠?qū)崿F(xiàn)健康指數(shù)構(gòu)建統(tǒng)計分析全流程的R包可供使用。本研究從統(tǒng)計理論方法的角度系統(tǒng)地歸納出健康指數(shù)構(gòu)建的統(tǒng)計分析流程并從實踐角度開發(fā)相關(guān)R包以用于軟件實現(xiàn)。本文將結(jié)合健康指數(shù)構(gòu)建的統(tǒng)計分析流程對EvaModels包內(nèi)各項函數(shù)及用途進行介紹，分析比較各類方法的適用場景，并結(jié)合實例數(shù)據(jù)進行主要函數(shù)的參數(shù)解釋及演示分析。

1.  研究方法

1.1  R包的開發(fā)、安裝與加載

開發(fā)一個通用的R包可以實現(xiàn)函數(shù)功能共享，將R函數(shù)轉(zhuǎn)變?yōu)橥ㄓ玫墓ぷ髁?，研究者通過加載R包、調(diào)用函數(shù)、調(diào)參便可以實現(xiàn)自動化生成各種結(jié)果，可以在很大程度上幫助研究者解決許多共同的問題，避免重復(fù)勞動，節(jié)省工作時間，提高科研效率。本研究所開發(fā)的R包可供使用者通過調(diào)用一系列函數(shù)而快捷方便地實現(xiàn)健康指數(shù)構(gòu)建的統(tǒng)計分析流程。本文示例中所使用的R軟件版本為4.1.3，推薦使用最新版本的R軟件來開發(fā)和安裝R包，示例中“>”后為具體過程代碼，“#”后為對應(yīng)的代碼注釋。

1.1.1  R包開發(fā)的流程

R包開發(fā)的流程包括安裝工具包、創(chuàng)建R包、編寫R函數(shù)、編寫函數(shù)注釋并轉(zhuǎn)義注釋、編寫DESCRIPTION文件、封裝包、檢查包七個步驟。

(1) 安裝工具包

為簡化開發(fā)R包的過程，需要先安裝devtools包和roxygen 2兩個工具包，使用install.packages()和library()進行安裝和加載，以幫助R包制作及注釋文檔的生成。

> devtools: : has_devel() #檢查準(zhǔn)備工作

(2) 創(chuàng)建R包

> dir.create("D: /Rpack") #在D盤新建名為"Rpack"的文件夾

> setwd("D: /Rpack") #設(shè)置工作路徑為"Rpack"文件夾

> create_package("EvaModels") #創(chuàng)建名為"EvaModels"的R包

(3) 編寫R函數(shù)

(4) 編寫函數(shù)注釋并轉(zhuǎn)義注釋

依次點擊菜單欄Code、Insert Roxygen Skeleton插入注釋框架，并編寫注釋；devtools: : document() #將注釋寫入Rd文件

(5) 編寫DESCRIPTION文件

(6) 封裝包

依次點擊菜單欄Build、Install and Restart進行R包封裝。

(7) 檢查包

依次點擊菜單欄Build、Check Package進行R包檢查。

1.1.2  R包的安裝與加載

EvaModels包可從Github官網(wǎng)進行安裝加載，方式如下：

> install_github("Freya1115/Evaluation_Models/EvaModels")

> library(EvaModels)

1.2  健康指數(shù)構(gòu)建主要過程中的方法介紹與比較

本研究通過文獻梳理與分析，歸納并比較了健康指數(shù)構(gòu)建過程中常用的統(tǒng)計學(xué)方法[3-5, 9-13]，也是本研究中R包開發(fā)的方法基礎(chǔ)，以下將從指標(biāo)篩選、指標(biāo)標(biāo)準(zhǔn)化、指標(biāo)賦權(quán)和綜合評價方法四個方面進行介紹。

1.2.1  指標(biāo)篩選

在進行評價指標(biāo)體系構(gòu)建之初，評價指標(biāo)體系作為一個多維度多層次的系統(tǒng)，需要按照一定邏輯順序和影響機制來篩選評價指標(biāo)[7]，使得評價指標(biāo)體系簡潔有效。R型系統(tǒng)聚類是一種用于對指標(biāo)進行分類的多元統(tǒng)計方法，主要是根據(jù)變量之間的相關(guān)性將它們聚合成若干類[14]。變異系數(shù)是一種反映變量變異程度的統(tǒng)計量，變異系數(shù)越大，表示該變量所包含的信息量越大[14]。本文便是基于指標(biāo)相關(guān)性和變異度思想，剔除相關(guān)性較大和變異度較低的指標(biāo)。

1.2.2  指標(biāo)標(biāo)準(zhǔn)化

評價指標(biāo)的標(biāo)準(zhǔn)化，即指標(biāo)的同向化和無量綱化。同向化主要針對不同性質(zhì)的指標(biāo)，常見的有正向型指標(biāo)和負(fù)向型指標(biāo)，同向化處理中可使得所有指標(biāo)對指標(biāo)體系的作用力方向趨于一致。無量綱化即去除指標(biāo)數(shù)據(jù)的單位限制，將其轉(zhuǎn)化為純數(shù)值，以解決數(shù)據(jù)不可比的問題，本文選擇的閾值法，屬于直線型無量綱化方法，即按照線性等比例的原則將數(shù)據(jù)映射到一個特定范圍的區(qū)間，標(biāo)準(zhǔn)化后的數(shù)據(jù)更便于后續(xù)進行加權(quán)、分析與比較。

1.2.3  指標(biāo)賦權(quán)

目前，指標(biāo)賦權(quán)主要分為主觀賦權(quán)法和客觀賦權(quán)法。單一的賦權(quán)方法，往往難以滿足各維度實際需求且極有可能導(dǎo)致結(jié)果的偏差[6]。因此，針對數(shù)據(jù)特點與實際需求選用多樣的賦權(quán)方法較為科學(xué)合理。見表 1。

表 1 不同指標(biāo)賦權(quán)方法介紹

Table 1. Introduction to different weighting methods

方法類別 方法名稱 方法描述 適用場景 主觀賦權(quán)法 層次分析法 定性與定量有機結(jié)合的決策分析方法，將問題分解為不同的因素，通過決策者的經(jīng)驗兩兩比較確定權(quán)重。 適用于缺乏具體數(shù)據(jù)或數(shù)據(jù)量較?。蝗说亩ㄐ栽u估起重要作用的、對決策結(jié)果難以精確計量的情況。 客觀賦權(quán)法 熵權(quán)法 通過計算各指標(biāo)觀測值的信息熵來度量信息量，指標(biāo)的變異程度越小，所傳遞的信息量也越少，其對應(yīng)權(quán)重越低。 適用于有數(shù)據(jù)，且最好全部是定量數(shù)據(jù)；底層的指標(biāo)分的比較細，權(quán)重比較難確定的情況。 變異系數(shù)賦權(quán)法 利用指標(biāo)原始信息，即標(biāo)準(zhǔn)差與原始平均數(shù)的比計算其變異程度，變異越大的指標(biāo)權(quán)重越大。 適用于指標(biāo)量綱和數(shù)量級差異較大，各指標(biāo)的方差不具有可比性的情況。 主成分賦權(quán)法 通過原始變量的線性組合，把多個原始指標(biāo)簡化為有代表意義的少數(shù)指標(biāo)。 適用于數(shù)據(jù)記錄多和維度多的大型數(shù)據(jù)集。1.2.4  綜合評價

綜合評價方法是健康指數(shù)構(gòu)建的方法基礎(chǔ)，也是從數(shù)學(xué)描述到用數(shù)學(xué)模型解決問題的關(guān)鍵所在。目前，國內(nèi)外綜合評價模型層出不窮且日趨完善，各類評價方法的適用場景和應(yīng)用條件不盡相同[6, 15]，綜合評價模型的選擇應(yīng)從實際需求出發(fā)，能夠滿足多目標(biāo)綜合評價的要求并正確反映評價對象和評價目的。見表 2。

表 2 不同綜合評價方法介紹

Table 2. Introduction to different comprehensive evaluation methods

方法類別 方法名稱 方法描述 適用場景 常規(guī)評價方法 優(yōu)劣解距離法 根據(jù)理想點原理，通過計算每個方案到理想方案的相對貼近度來對方案進行排序，從而選出最優(yōu)方案。 適用于有數(shù)據(jù)，且最好全部是定量數(shù)據(jù)的情況。 模糊數(shù)學(xué)方法 模糊綜合評價 以模糊數(shù)學(xué)為基礎(chǔ)，將一些不易定量的因素定量化，從多個指標(biāo)對被評價事物隸屬等級進行綜合評價。 適用于評價指標(biāo)帶有主觀性，不易量化的情況。 灰色綜合評價法 灰色關(guān)聯(lián)分析 利用各方案與最優(yōu)方案之間關(guān)聯(lián)度大小對評價對象進行比較、排序。 對樣本量沒有嚴(yán)格要求，不要求服從任何分布，適合只有少量觀測數(shù)據(jù)的問題。

2.  結(jié)果

2.1  健康指數(shù)構(gòu)建的通用流程展示

健康指數(shù)構(gòu)建通用流程，主要包括確定指數(shù)研究主題、構(gòu)建評價指標(biāo)體系、多指標(biāo)綜合評價及評價結(jié)果可視化四大流程。從提出研究問題、體系層級設(shè)計、統(tǒng)計指標(biāo)量化再到進行數(shù)學(xué)描述進而通過數(shù)學(xué)模型解決問題。包含了統(tǒng)計學(xué)由理論演繹到統(tǒng)計計算的思想與方法[2, 16]。見圖 1。

圖 1 健康指數(shù)構(gòu)建流程圖

Figure 1. Flow chart of health index construction

2.2  EvaModels包內(nèi)函數(shù)介紹2.2.1  EvaModels包內(nèi)函數(shù)及用途

本文基于現(xiàn)有的各類綜合評價方法，經(jīng)文獻梳理與歸納后，根據(jù)算法理論將部分經(jīng)典常用的方法寫成R函數(shù)，創(chuàng)建了一個名為EvaModels的R包。EvaModels包內(nèi)置了九個函數(shù)以實現(xiàn)健康指數(shù)構(gòu)建的統(tǒng)計分析流程。目前較為經(jīng)典實用的綜合評價方法多基于數(shù)理統(tǒng)計理論，包含運籌學(xué)、多元統(tǒng)計、模糊數(shù)學(xué)、灰色系統(tǒng)理論和信息論等理論基礎(chǔ)[3-5, 9-13]，各類方法具有其不同的思想與計算方法，使用者在進行健康指數(shù)構(gòu)建時能夠直接調(diào)用R包函數(shù)，根據(jù)不同場景及數(shù)據(jù)特點靈活選取合適的方法，方便快捷地得到標(biāo)準(zhǔn)化數(shù)據(jù)、指標(biāo)權(quán)重、指數(shù)及綜合評價排序結(jié)果等。見表 3。

表 3 EvaModels包內(nèi)函數(shù)及功能

Table 3. List of functions and their descriptions in the "EvaModels" package

R包名稱 函數(shù)名稱 方法名稱 功能 EvaModels cluster_CV() R型聚類-變異系數(shù)法 指標(biāo)篩選 norm() 正負(fù)向指標(biāo)歸一化 數(shù)據(jù)標(biāo)準(zhǔn)化 AHP() 層次分析法 指標(biāo)賦權(quán) EM() 熵權(quán)法 指標(biāo)賦權(quán) CV() 變異系數(shù)賦權(quán)法 指標(biāo)賦權(quán) PCA() 主成分賦權(quán)法 指標(biāo)賦權(quán) TOPSIS() 優(yōu)劣解距離法 綜合評價 Fuzzy() 模糊綜合評價 綜合評價 GRA() 灰色關(guān)聯(lián)分析 綜合評價2.2.2  EvaModels包內(nèi)函數(shù)的參數(shù)解釋

見表 4。

表 4 EvaModels包內(nèi)函數(shù)的參數(shù)解釋

Table 4. Parameter interpretation of functions in the "EvaModels" package

函數(shù)名稱 參數(shù)名稱 參數(shù)類型 參數(shù)解釋 cluster_CV(data, k) data 數(shù)據(jù)框 待篩選原始數(shù)據(jù)：行表示指標(biāo)，列表示評價對象 k 整數(shù) 聚類數(shù)目 norm(data, type) data 數(shù)據(jù)框 待標(biāo)準(zhǔn)化原始數(shù)據(jù)：行表示評價對象，列表示指標(biāo) type 數(shù)值型向量 指標(biāo)方向：1表示正向型指標(biāo)，2表示負(fù)向型指標(biāo) AHP(data) data 數(shù)值型矩陣 待賦權(quán)判斷矩陣：行表示評價對象，列表示指標(biāo) EM(data, type) data 數(shù)據(jù)框 待賦權(quán)原始數(shù)據(jù)：行表示評價對象，列表示指標(biāo) type 數(shù)值型向量 指標(biāo)方向：1表示正向型指標(biāo)，2表示負(fù)向型指標(biāo) CV(data) data 數(shù)據(jù)框 待賦權(quán)原始數(shù)據(jù)：行表示評價對象，列表示指標(biāo) PCA(data) data 數(shù)據(jù)框 待賦權(quán)原始數(shù)據(jù)：行表示評價對象，列表示指標(biāo) TOPSIS(data, w, type) data 數(shù)據(jù)框 待評價原始數(shù)據(jù)：行表示評價對象，列表示指標(biāo) w 數(shù)值型向量 指標(biāo)權(quán)重：可選擇指標(biāo)賦權(quán)方法確定 type 數(shù)值型向量 指標(biāo)方向：1表示正向型指標(biāo)，2表示負(fù)向型指標(biāo) Fuzzy(r, w, v, s) r 數(shù)值型矩陣 待評價隸屬度矩陣：行表示評價對象，列表示指標(biāo) w 數(shù)值型向量 指標(biāo)權(quán)重：可選擇指標(biāo)賦權(quán)方法確定 v 向量 評語等級 s 數(shù)值型向量 評語分值 GRA(data, r, w) data 數(shù)值型矩陣 待評價原始矩陣：行表示評價對象，列表示指標(biāo)，首行為參考序列，其余為比較序列 r 小數(shù) 分辨系數(shù) w 數(shù)值型向量 指標(biāo)權(quán)重：可選擇指標(biāo)賦權(quán)方法確定2.3  公立醫(yī)院持續(xù)發(fā)展指數(shù)的實證分析2.3.1  數(shù)據(jù)來源

根據(jù)國家衛(wèi)生健康委統(tǒng)一部署，2020年山東省衛(wèi)生健康委組織實施了2019年度三級公立醫(yī)院績效考核工作，考核內(nèi)容包涵醫(yī)療質(zhì)量、運營效率、持續(xù)發(fā)展和滿意度評價四個維度，共計74項指標(biāo)。經(jīng)數(shù)據(jù)采集與質(zhì)控，最終建立了山東省三級公立醫(yī)院績效考核數(shù)據(jù)庫。

2.3.2  實例演示

本文基于山東省41家三級公立醫(yī)院績效考核中持續(xù)發(fā)展維度上的指標(biāo)數(shù)據(jù)，結(jié)合健康指數(shù)構(gòu)建的統(tǒng)計分析流程，對EvaModels包內(nèi)函數(shù)進行實例演示，分析比較不同方法的演示結(jié)果，最終構(gòu)建公立醫(yī)院績效考核持續(xù)發(fā)展指數(shù)并生成41家醫(yī)院綜合排名。持續(xù)發(fā)展維度共包括8項指標(biāo)，分別為醫(yī)院麻醉醫(yī)師占比(anesthetist)、醫(yī)院兒科醫(yī)師占比(pediatrist)、醫(yī)院重癥醫(yī)師占比(CCM_physician)、醫(yī)院病理醫(yī)師占比(pathologist)、醫(yī)院中醫(yī)醫(yī)師占比(TCM_physicain)、醫(yī)護比(doctor_nurse)、醫(yī)院住院醫(yī)師首次參加醫(yī)師資格考試通過率和每百名衛(wèi)生技術(shù)人員科研項目經(jīng)費(funds)。實例中僅展示其中五家醫(yī)院的結(jié)果，以ABCDE分別代指這五家醫(yī)院。示例中">"后為具體過程代碼，"#"后為對應(yīng)的代碼注釋。

(1) 指標(biāo)篩選

使用EvaModels包內(nèi)的cluster_CV()函數(shù)對醫(yī)院各科醫(yī)師占比五項指標(biāo)進行篩選。由結(jié)果可知，經(jīng)R型聚類-變異系數(shù)法篩選，五項指標(biāo)被聚為兩類，保留每類中變異系數(shù)最大的指標(biāo)，最終篩選出的指標(biāo)為醫(yī)院重癥醫(yī)師占比和醫(yī)院中醫(yī)醫(yī)師占比。見表 5。

表 5 指標(biāo)篩選結(jié)果

Table 5. Index screening results

指標(biāo)名稱 指標(biāo)含義 聚類類別 變異系數(shù) 是否保留 CCM_physician 醫(yī)院重癥醫(yī)師占比 1 0.814 6 是 pathologist 醫(yī)院病理醫(yī)師占比 1 0.281 9 否 anesthetist 醫(yī)院麻醉醫(yī)師占比 2 0.359 1 否 pediatrist 醫(yī)院兒科醫(yī)師占比 2 0.243 2 否 TCM_physicain 醫(yī)院中醫(yī)醫(yī)師占比 2 0.456 5 是

> data1 < -as.data.frame(t(data[, 1:5])) #選取待篩選指標(biāo)

> cluster_CV(data1, 2) #調(diào)用cluster_CV()函數(shù)

(2) 指標(biāo)標(biāo)準(zhǔn)化

使用EvaModels包內(nèi)的norm()函數(shù)對最終保留的五項評價指標(biāo)進行正負(fù)向指標(biāo)歸一化處理。表 6為部分?jǐn)?shù)據(jù)標(biāo)準(zhǔn)化后的結(jié)果展示。

表 6 部分?jǐn)?shù)據(jù)標(biāo)準(zhǔn)化后結(jié)果

Table 6. Partial data normalization results

Hospital CCM_physician TCM_physicain doctor_nurse exam funds A 0.021 9 0.487 6 0.630 4 0.734 7 1.000 0 B 0.557 8 0.487 6 0.934 8 0.833 3 0.365 8 C 0.344 6 0.085 4 0.869 6 0.909 1 0.266 5 D 0.360 6 0.211 5 0.804 3 0.904 8 0.408 2 E 0.541 8 0.270 1 0.608 7 0.714 3 0.016 0

> datause < -data[, -c(1:2, 4)] #選取所保留指標(biāo)數(shù)據(jù)

> typeuse < -c(1, 1, 2, 1, 1) #設(shè)定指標(biāo)方向

> norm(datause, typeuse) #調(diào)用norm()函數(shù)

(3) 指標(biāo)賦權(quán)

分別使用EvaModels包內(nèi)的EM()、PCA()、CV()三種函數(shù)對指標(biāo)進行賦權(quán)，即熵權(quán)法、主成分賦權(quán)法和變異系數(shù)賦權(quán)法三種客觀賦權(quán)法。表 7展示了三種方法計算得出的指標(biāo)權(quán)重。

表 7 三種方法計算所得指標(biāo)權(quán)重

Table 7. Indicator weights calculated by three methods

Indicator w_EM w_PCA w_CV CCM_physician 0.141 2 0.192 5 0.191 9 TCM_physicain 0.114 6 0.195 0 0.107 5 doctor_nurse 0.029 6 0.173 9 0.032 7 exam 0.040 1 0.211 8 0.082 9 funds 0.674 6 0.226 8 0.585 0

> EM(datause, typeuse) #調(diào)用EM()函數(shù)

> PCA(datause) #調(diào)用PCA()函數(shù)

> CV(datause) #調(diào)用CV()函數(shù)

(4) 綜合評價

分別使用TOPSIS()和GRA()函數(shù)進行多指標(biāo)綜合評價，即優(yōu)劣解距離法和灰色關(guān)聯(lián)分析，指標(biāo)權(quán)重分別使用熵權(quán)法、主成分賦權(quán)法和變異系數(shù)賦權(quán)法。表 8和表 9展示了部分醫(yī)院持續(xù)發(fā)展指數(shù)及排名結(jié)果。

表 8 TOPSIS綜合評價

Table 8. TOPSIS comprehensive evaluation

HospitalEM-TOPSIS PCA-TOPSIS CV-TOPSIS Index Rank Index Rank Index Rank A 0.781 6 1 0.591 3 2 0.723 1 1 B 0.442 4 2 0.624 5 1 0.473 1 2 C 0.300 4 5 0.487 2 6 0.335 0 4 D 0.410 6 3 0.534 8 5 0.432 1 3 E 0.164 9 11 0.417 8 12 0.221 5 10

表 9 灰色關(guān)聯(lián)分析綜合評價

Table 9. GRA comprehensive evaluation

HospitalEM-GRA PCA-GRA CV-GRA Index Rank Index Rank Index Rank A 0.909 8 1 0.849 4 1 0.884 7 1 B 0.524 1 2 0.758 8 3 0.564 3 2 C 0.478 0 6 0.717 9 8 0.518 7 6 D 0.515 9 3 0.734 3 5 0.552 1 3 E 0.447 4 11 0.707 9 11 0.494 8 10

> w1 < -w_EM[, 1] #熵權(quán)法賦權(quán)

> w2 < -w_CV[, 4] #變異系數(shù)賦權(quán)

> w3 < -w_PCA[, 1] #主成分賦權(quán)

> TOPSIS(datause, w1, typeuse) #調(diào)用TOPSIS()函數(shù)

> TOPSIS(datause, w2, typeuse) #調(diào)用TOPSIS()函數(shù)

> TOPSIS(datause, w3, typeuse) #調(diào)用TOPSIS()函數(shù)

> data < -rbind(best, datause) #加入?yún)⒖夹蛄?/p>

> r < -0.2 #設(shè)定分辨系數(shù)

> GRA(data, r, w1) #調(diào)用GRA()函數(shù)

> GRA(data, r, w2) #調(diào)用GRA()函數(shù)

> GRA(data, r, w3) #調(diào)用GRA()函數(shù)

3.  討論

本研究主要基于綜合評價理論探索并歸納了健康指數(shù)構(gòu)建的統(tǒng)計分析流程，所開發(fā)的EvaModels包通過一組函數(shù)將健康指數(shù)構(gòu)建中涉及統(tǒng)計分析的工作流程自動化、簡單化。在健康指數(shù)構(gòu)建的各類方法選擇中，無論是指標(biāo)體系構(gòu)建抑或是多指標(biāo)綜合評價過程，由于統(tǒng)計方法的選擇較為靈活，得出的結(jié)果各有差異，很難作出絕對的方法優(yōu)劣判斷，因此在各類方法選擇過程中，需綜合考慮分析需求、算法過程，比較輸出結(jié)果并重點關(guān)注評價過程中的信息損失，以期達到相對最優(yōu)的結(jié)果[2]。從統(tǒng)計學(xué)角度，研究者通常傾向于選擇客觀定量的方法，多數(shù)定量方法均是基于數(shù)據(jù)本身信息，缺乏主觀判斷，因此評價問題若要考慮其全面性，需做到主客觀相結(jié)合，尤其是在指標(biāo)篩選過程中，所有方法的結(jié)果均需以保證指標(biāo)體系的完備性為前提。

本研究的不足之處有以下幾點：(1)在理論方法方面，本研究所納入的健康指數(shù)構(gòu)建的統(tǒng)計學(xué)方法仍然不夠詳盡，后續(xù)仍需不斷探索更多方法，以滿足健康指數(shù)研究中更多場景的統(tǒng)計分析需求。(2)在軟件實現(xiàn)方面，EvaModels包現(xiàn)處于1.0版本，函數(shù)算法不夠簡潔高效，仍需精簡代碼以簡化算法流程、提高運行效率。R包細節(jié)也在不斷更新、維護和完善中，期望吸納更多基于健康指數(shù)構(gòu)建分析需求的算法，提高健康指數(shù)構(gòu)建的便捷性和可操作性。

相關(guān)知識

一種老人健康數(shù)據(jù)監(jiān)控分析方法及系統(tǒng)與流程
構(gòu)建家庭式老年人健康遠程監(jiān)測系統(tǒng)的設(shè)計與實現(xiàn)
《醫(yī)學(xué)統(tǒng)計課件：醫(yī)學(xué)健康大數(shù)據(jù)統(tǒng)計分析》.ppt
醫(yī)療健康大數(shù)據(jù)：應(yīng)用實例與系統(tǒng)分析
流行病學(xué)進展在臨床診斷中的啟示及衛(wèi)生統(tǒng)計分析
城市河流健康評價指標(biāo)體系構(gòu)建及其應(yīng)用
個人健康管理系統(tǒng)的設(shè)計與實現(xiàn)
國內(nèi)外健康醫(yī)療大數(shù)據(jù)建設(shè)及應(yīng)用發(fā)展現(xiàn)狀分析
個人健康管理系統(tǒng)的設(shè)計與實現(xiàn) （定稿）.docx
用Python進行健康數(shù)據(jù)分析：挖掘醫(yī)療統(tǒng)計中的信息

網(wǎng)址: 健康指數(shù)構(gòu)建的統(tǒng)計分析流程及實現(xiàn) http://m.u1s5d6.cn/newsview622406.html