基于大数据的医院成本预测模型构建

202XLOGO基于大数据的医院成本预测模型构建演讲人2026-01-1401引言：医院成本管理的时代命题与大数据的机遇02理论基础与文献综述：成本预测的底层逻辑与大数据赋能03数据准备与预处理：模型构建的“燃料”与“净化”04预测模型构建：从“数据”到“预测”的核心引擎05模型验证与优化：确保预测结果的“可信”与“可用”06应用场景与实践案例：从“预测”到“决策”的价值转化07挑战与未来展望：构建可持续的成本预测体系08结论：大数据赋能医院成本预测的体系化价值目录基于大数据的医院成本预测模型构建01引言：医院成本管理的时代命题与大数据的机遇1医院成本管理的重要性与现状作为医疗服务供给的核心载体，医院的运营效率直接关系到医疗资源利用质量与患者服务体验。近年来，随着“健康中国”战略的深入推进、医保支付制度的改革（如DRG/DIP付费方式全面推行）以及公立医院绩效考核的常态化，医院成本管理已从传统的“粗放式核算”向“精细化管控”转型。成本数据不仅是医院制定战略规划、优化资源配置的基础，更是衡量运营效益、应对政策调整的核心指标。然而，当前多数医院仍面临成本核算滞后、分摊主观性强、预测精度不足等痛点——例如，某三甲医院财务科曾反映，其科室成本数据需每月25日后才能完成统计，且间接成本分摊依赖“科室收入占比”等经验公式，导致成本管控始终处于“事后分析”而非“事前预测”的被动状态。2传统成本预测方法的局限性传统医院成本预测主要依赖趋势外推法、回归分析法及移动平均法等统计手段。这些方法虽操作简单，但在实际应用中暴露出明显缺陷：其一，数据维度单一，多聚焦于历史财务数据，忽视了诊疗行为、患者构成、设备使用等多源异构数据的关联性；其二，静态假设固化，假设成本驱动因素（如药品价格、人力成本）在预测期内保持不变，难以应对医疗政策动态调整（如集采药品价格波动）、突发公共卫生事件（如疫情期间防控成本激增）等非线性冲击；其三，颗粒度粗放，多以医院或科室为整体预测单位，无法精准定位到具体病种、术式甚至诊疗环节的成本风险点，导致“一刀切”的成本管控措施难以落地。3大数据技术在成本预测中的应用价值大数据技术的兴起为破解上述难题提供了全新路径。通过整合医院信息系统（HIS）、实验室信息系统（LIS）、影像归档和通信系统（PACS）、财务系统、人力资源系统乃至外部医保数据、公共卫生数据等多源异构数据，构建“数据-特征-模型-应用”的全链条体系，可实现医院成本预测从“经验驱动”向“数据驱动”、从“静态滞后”向“动态实时”、从“宏观粗放”向“微观精准”的三大转变。例如，某省级医院通过融合2018-2022年10万份住院病历数据与3.2亿条费用明细记录，结合XGBoost-LSTM混合模型，对2023年Q1科室成本进行预测，预测误差率控制在5%以内，较传统方法精度提升42%，为科室预算编制提供了科学依据。本文将基于行业实践经验，系统阐述大数据背景下医院成本预测模型构建的全流程方法论。02理论基础与文献综述：成本预测的底层逻辑与大数据赋能1医院成本构成与分类科学界定成本构成是预测模型构建的前提。依据《医院财务制度》，医院成本可分为直接成本与间接成本：-直接成本：指可直接计入特定成本对象的费用，包括医疗服务成本（如手术费、护理费）、药品耗材成本（如药品、试剂、高值耗材）、医疗技术成本（如设备检查费）等，其数据主要来源于HIS系统的“收费明细表”与“物资消耗表”；-间接成本：指需通过分摊计入的成本，如行政后勤成本（管理人员薪酬、办公费）、医疗辅助成本（设备折旧、水电费），其分摊依据通常来自财务系统的“成本中心归集表”与“人力资源系统”的岗位配置数据。1医院成本构成与分类进一步按成本性态划分，医院成本可分为固定成本（如设备折旧、基本工资）、变动成本（如药品耗材、计件薪酬）及半变动成本（如水电费、维保费）。不同性态成本的影响因素各异：固定成本主要受医院规模与床位数量驱动，变动成本则与诊疗量、病种复杂度强相关，这一分类为后续特征工程提供了理论锚点。2成本预测的基本原理与核心方法成本预测的核心是识别成本驱动因素（CostDrivers）并构建其与成本变量的数学关系。传统预测方法中：-趋势外推法：基于历史成本数据的时间序列特征（如线性、指数增长）进行外推，适用于短期、稳定的成本预测，但对政策突变适应性差；-回归分析法：通过构建成本与驱动因素的线性/非线性回归方程（如多元线性回归、logistic回归），量化各因素对成本的影响权重，但需满足“误差独立、方差齐”等严格假设，且难以处理高维特征；-作业成本法（ABC）：以“诊疗作业”为成本归集对象，通过作业动因分配间接成本，能更精准核算病种成本，但实施复杂度高、数据采集成本大，难以动态更新。3大数据驱动的预测优势：从“样本”到“全量”的跨越大数据技术对传统预测方法的革新体现在四个维度：-数据维度扩展：除财务数据外，整合诊疗文本数据（如病历诊断、手术记录）、行为数据（如医生处方习惯、患者就医路径）、设备数据（如CT机使用时长、故障率）等非结构化与半结构化数据，构建“全量特征池”；-计算能力提升：依托分布式计算框架（如Hadoop、Spark），实现千万级数据样本的高效处理，解决传统算法在小样本下的过拟合问题；-模型算法升级：机器学习（如随机森林、XGBoost）与深度学习（如LSTM、Transformer）算法能自动学习高维特征间的非线性关系，捕捉传统方法难以识别的复杂模式；3大数据驱动的预测优势：从“样本”到“全量”的跨越-预测时效性增强：通过实时数据流处理（如Flink、Kafka），实现成本预测从“月度”到“日度”甚至“实时”的升级，支撑动态决策。文献研究表明，基于大数据的混合预测模型已成为行业主流：Wang等（2021）通过融合LSTM与注意力机制，对医院药品成本进行预测，较单一模型精度提升18%；Li等（2022）引入XGBoost-SVR组合模型，有效处理了成本数据中的非线性和噪声问题，MAPE降至6.3%。这些研究为本文模型构建提供了重要参考。03数据准备与预处理：模型构建的“燃料”与“净化”数据准备与预处理：模型构建的“燃料”与“净化”3.1数据来源与类型：构建多源异构数据池医院成本预测数据需覆盖“内部运营-外部环境-患者个体”三个层面，具体来源如下：1.1内部系统数据-HIS系统：核心诊疗数据，包括患者基本信息（年龄、性别、医保类型）、诊断信息（ICD-10编码）、医嘱信息（药品、耗材、检查项目）、费用明细（项目价格、数量、自付比例），是直接成本数据的主要来源；01-LIS/PACS系统：检验检查数据，如血常规、影像报告结果，可用于量化患者病情严重程度（如APACHEⅡ评分），作为病种复杂度的代理变量；02-财务系统：成本归集数据，包括科室直接成本（人员薪酬、药品耗材）、间接成本（折旧、维修费）、成本中心编码（临床科室、医技科室、行政后勤），是成本预测的“标签数据”；03-人力资源系统：人员数据，包括岗位类型（医生、护士、行政）、职称等级、工作年限、出勤率，可用于核算人力成本并分析人力效率与成本的关系；041.1内部系统数据-物资管理系统：库存数据，包括药品耗材的入库量、库存周转率、采购价格，可反映物资消耗成本的市场波动性。1.2外部数据-医保数据：支付政策（如DRG/DIP分组权重、结算标准）、药品/耗材集采中选价格、患者报销比例，直接影响医院的收入端与成本端，是政策驱动型成本的关键变量；-区域医疗数据：区域内医院平均成本、同级医院诊疗量、疾病谱分布，可为成本预测提供横向对比基准；-宏观经济数据：居民消费价格指数（CPI）、医疗设备出厂价格指数、最低工资标准，可推算人力成本与物价变动趋势。1.3非结构化数据处理010203-病历文本数据：通过自然语言处理（NLP）技术（如BERT、BiLSTM）提取诊断关键词、手术名称、并发症描述，量化疾病的复杂程度；-医嘱语音数据：通过语音识别（ASR）将医生口头医嘱转化为文本，补充HIS系统中遗漏的诊疗行为数据；-医学影像数据：通过计算机视觉（CV）技术（如CNN）提取影像特征（如肿瘤大小、病灶数量），辅助评估诊疗资源消耗。1.3非结构化数据处理2数据清洗与质量提升：从“原始数据”到“可用数据”原始数据普遍存在“脏、乱、缺”问题，需通过以下步骤预处理：2.1缺失值处理-删除法：对于缺失率超过30%的特征（如部分实验数据），直接删除该特征以避免偏差；-填充法：对于缺失率低于10%的特征（如患者联系方式），采用均值、中位数或众数填充；对于时间序列数据（如月度成本），采用线性插值或ARIMA模型填补；-预测法：对于关键特征（如药品消耗量），构建XGBoost预测模型，基于其他相关特征（如诊疗量、库存量）预测缺失值。2.2异常值检测与处理异常值可能由数据录入错误（如“患者住院天数=365天”）或极端事件（如突发公共卫生事件中的防控成本）导致，需区分处理：-统计法：采用3σ原则（超出均值±3倍标准差）或箱线图（IQR方法）识别数值型异常值；-聚类法：通过DBSCAN算法对高维数据进行聚类，将稀疏区域的样本标记为异常值；-业务规则法：结合业务逻辑设置阈值（如“单次手术耗材费用超过10万元”触发人工审核），避免误判正常但极端的诊疗行为。2.3数据一致性校验-编码标准化：统一不同系统的编码规则，如将HIS中的“诊断编码”与LIS中的“疾病名称”映射至统一的ICD-10标准；-单位归一化：将不同单位的特征（如“药品费用：元/支”“药品费用：元/盒”）统一为“元/mg”等标准单位；-时间对齐：将按“自然月”统计的财务数据与按“就诊日”统计的诊疗数据按“月”对齐，确保时间维度一致。3212.3数据一致性校验3特征工程与降维：挖掘“有效信号”原始数据需转化为模型可识别的特征，并通过降维提升效率：3.1特征构建04030102-时间特征：从“就诊日期”提取年、季度、月、星期几、是否节假日，捕捉季节性波动（如冬季呼吸科成本高峰）；-患者特征：基于年龄、性别、医保类型构建“患者风险分层”（如“老年医保患者=高风险”）；-诊疗特征：基于诊断编码计算“查尔森合并症指数（CCI）”，基于手术编码计算“手术等级”（如一级、二级、三级），量化病情复杂度；-成本结构特征：计算“药品成本占比”“耗材成本占比”“人力成本占比”等指标，反映科室成本结构特征。3.2特征选择-过滤法：通过相关性分析（Pearson系数、Spearman系数）剔除与成本变量相关性低于0.1的特征；通过卡方检验筛选分类特征；01-包裹法：采用递归特征消除（RFE）与XGBoost模型结合，按特征重要性排序，选择Top20特征；02-嵌入法：通过L1正则化（Lasso）自动筛选特征，剔除系数趋近于0的冗余特征。033.3特征变换231-标准化：对数值型特征（如“年龄”“住院天数”）采用Z-score标准化，消除量纲影响；-归一化：对偏态分布特征（如“手术费用”）采用对数变换或Box-Cox变换，使其接近正态分布；-编码：对分类特征（如“科室类型”）采用One-Hot编码或目标编码（TargetEncoding），避免类别顺序假设。04预测模型构建：从“数据”到“预测”的核心引擎1模型选择依据：匹配数据特性与预测目标模型选择需综合考虑三类因素：-数据特性：若成本数据呈明显时间序列特征（如月度成本波动），优先选择LSTM、GRU等时序模型；若数据包含高维异构特征（如诊疗文本+费用数据），优先选择XGBoost、Transformer等能处理非线性的模型；-预测目标：若预测连续型成本值（如科室总成本），采用回归模型；若预测成本类别（如“高成本/低成本”病种），采用分类模型；-业务场景：若需解释预测结果（如向科室主任说明成本驱动因素），优先选择可解释性强的模型（如线性回归、决策树）；若追求高精度且对可解释性要求低，可采用深度学习模型。2常用机器学习模型比较与优化2.1线性回归模型21-原理：构建成本Y与特征X的线性关系：Y=β₀+β₁X₁+β₂X₂+…+βₙXₙ+ε，通过最小二乘法估计参数β；-优化：引入岭回归（L2正则化）或Lasso回归（L1正则化）抑制过拟合，通过逐步回归筛选重要特征。-优势：模型简单、可解释性强（β值可直接反映特征影响方向与大小）；-劣势：难以处理特征间的非线性关系，对异常值敏感；432常用机器学习模型比较与优化2.2决策树与集成模型-决策树：通过“特征分裂”将样本划分为不同子节点，直观模拟成本决策逻辑，但易过拟合；-随机森林：构建多棵决策树并取平均，降低过拟合风险，可输出特征重要性排序；-XGBoost/LightGBM：改进梯度提升算法，引入正则化项、列采样、并行加速等机制，在高维数据下表现优异，尤其适合医院成本预测中的“特征交互”场景（如“手术等级×耗材品牌”对成本的影响）。案例：某医院在预测“骨科手术成本”时，发现单独使用XGBoost模型的MAPE为7.2%，通过特征重要性分析识别出“手术等级”“内固定品牌”“患者BMI”为Top3特征，进一步加入“手术等级×内固定品牌”的交互特征后，MAPE降至5.8%，验证了特征交互对模型性能的提升作用。2常用机器学习模型比较与优化2.3支持向量回归（SVR）-原理：通过核函数将低维特征映射到高维空间，寻找回归超平面，适用于小样本、非线性数据；-优势：对维度灾难不敏感，可通过核函数（如RBF、多项式核）处理非线性关系；-劣势：参数调优复杂（如C、γ、ε需交叉验证），计算效率低；-优化：采用网格搜索（GridSearch）或贝叶斯优化（BayesianOptimization）确定最优参数，通过PCA降维提升计算效率。3深度学习模型在时间序列预测中的应用医院成本具有明显的时间依赖性（如季度性波动、政策冲击效应），深度学习模型能更精准捕捉此类特征：3深度学习模型在时间序列预测中的应用3.1LSTM（长短期记忆网络）-结构：通过“门控机制”（遗忘门、输入门、输出门）控制信息流动，解决传统RNN的梯度消失问题，适合长期依赖建模；-输入设计：以“过去12个月的历史成本+当月特征（如诊疗量、集采价格）”作为输入序列，预测未来1-3个月成本；-优化：加入注意力机制（AttentionMechanism），让模型自动关注对预测影响最大的历史时间点（如“集采政策实施当月”的成本数据）。3深度学习模型在时间序列预测中的应用3.2Transformer模型-原理：基于自注意力机制（Self-Attention）捕捉序列中任意两个时间步的依赖关系，并行计算效率高于LSTM；-优势：能同时捕捉“长期趋势”（如年度成本增长）与“短期波动”（如某月成本激增）；-应用：某医院采用Transformer模型预测2023年全年月度成本，对“4月医保目录调整”“10月疫情反弹”等突发事件的成本预测误差率仅3.1%，显著优于ARIMA模型的12.5%。4模型融合与参数优化：提升预测鲁棒性单一模型存在“偏见风险”，通过模型融合可综合优势、提升稳定性：4模型融合与参数优化：提升预测鲁棒性4.1加权平均融合-方法：根据各单一模型在验证集上的性能（如RMSE）分配权重，如XGBoost权重0.4、LSTM权重0.3、SVR权重0.3，加权平均得到最终预测结果；-优势：操作简单，能有效降低模型方差。4模型融合与参数优化：提升预测鲁棒性4.2Stacking融合-方法：以单一模型（如XGBoost、随机森林、LSTM）的预测值作为新特征，训练元模型（如线性回归）进行二次预测；-案例：某医院采用Stacking融合模型预测病种成本，元模型采用逻辑回归，融合后MAPE较最佳单一模型降低1.8%，且能通过元模型系数解释各基模型的贡献度。4模型融合与参数优化：提升预测鲁棒性4.3参数优化-网格搜索：遍历所有参数组合（如XGBoost的“learning_rate”“max_depth”“subsample”），通过交叉验证选择最优参数，适合小参数空间；01-贝叶斯优化：基于高斯过程（GP）构建目标函数（如MAPE）的代理模型，通过采集函数（EI、UCB）智能选择参数组合，减少计算次数，适合高参数空间；02-早停法（EarlyStopping）：对于迭代训练模型（如XGBoost、LSTM），在验证集性能不再提升时终止训练，避免过拟合。0305模型验证与优化：确保预测结果的“可信”与“可用”1验证指标与方法：科学评估模型性能模型需通过多维度指标验证，确保预测结果的准确性与可靠性：1验证指标与方法：科学评估模型性能1.1回归类指标-平均绝对误差（MAE）：预测误差的绝对值均值，单位与成本单位一致（如元），直观反映误差规模；1-均方根误差（RMSE）：误差平方的均值开平方，对大误差更敏感，适合评估极端成本预测；2-平均绝对百分比误差（MAPE）：绝对误差占实际值的百分比，反映相对精度（如MAPE=5%表示预测误差平均为实际值的5%）；3-决定系数（R²）：预测值与实际值的相关性平方，取值0-1，越接近1表示模型解释力越强（如R²=0.85表示模型可解释85%的成本波动）。41验证指标与方法：科学评估模型性能1.2时序模型特有指标-方向性准确率（DA）：预测成本变化方向（上升/下降）正确的比例，适用于趋势预测评估；-平均绝对尺度误差（MASE）：相对于基准模型（如naive模型）的误差比例，消除数据尺度影响，适合跨医院、跨科室模型对比。1验证指标与方法：科学评估模型性能1.3验证方法-时间序列交叉验证（TimeSeriesCross-Validation,TSCV）：将数据按时间顺序划分为训练集与验证集（如2018-2020年训练、2021年验证，2019-2021年训练、2022年验证），避免随机划分导致的数据泄露；-k折交叉验证（K-FoldCV）：对于非时序数据，将数据随机划分为k份，轮流取k-1份训练、1份验证，重复k次取平均，评估模型稳定性；-外部数据验证：使用训练数据集外的医院数据（如协作医院的成本数据）验证模型泛化能力，避免“过拟合训练数据”。2过拟合与欠拟合处理：平衡“偏差”与“方差”模型常见问题及解决方案如下：2过拟合与欠拟合处理：平衡“偏差”与“方差”|问题类型|表现特征|解决方案||----------|----------|----------||过拟合|训练集R²=0.95，验证集R²=0.65；预测曲线过度拟合历史数据波动|1.增加正则化项（如XGBoost的“gamma”“lambda”）；2.减少模型复杂度（如降低决策树深度、减少LSTM隐藏层单元数）；3.增加数据量（如通过SMOTE算法生成合成样本）；4.早停法||欠拟合|训练集R²=0.50，验证集R²=0.48；模型无法捕捉成本变化趋势|1.增加特征维度（如加入外部宏观经济数据）；2.选择更复杂模型（如从线性回归升级为XGBoost）；3.减少正则化强度；4.特征交叉（如构建“诊疗量×季节”特征）|3模型迭代与动态更新：适应“动态”的医院环境医院成本系统是动态变化的（如政策调整、设备更新、科室扩张），模型需定期迭代以保持预测有效性：3模型迭代与动态更新：适应“动态”的医院环境3.1触发迭代的场景-数据漂移（DataDrift）：特征分布发生显著变化（如集采后药品价格均值下降30%），通过KS检验或PSI（PopulationStabilityIndex）监测，PSI>0.2时需重新训练模型；-概念漂移（ConceptDrift）：特征与成本的关系发生变化（如DRG支付后，手术等级对成本的影响权重从0.3升至0.5），通过模型性能监控（如连续3个月MAPE上升10%）触发迭代；-业务场景扩展：新增科室、开展新技术（如机器人手术），需补充数据并更新模型。3模型迭代与动态更新：适应“动态”的医院环境3.2迭代流程-数据更新：每月/季度新增数据，与历史数据合并，重新进行数据预处理与特征工程；-模型微调：在原模型基础上，采用增量学习（IncrementalLearning）或迁移学习（TransferLearning）更新参数，避免从头训练的高成本；-性能对比：对比迭代后模型与原模型在验证集上的性能指标，确保迭代效果（如迭代后MAPE降低1.5%则上线）。06应用场景与实践案例：从“预测”到“决策”的价值转化1科室成本管控：精准定位“成本洼地”与“增长点”03-成本预警：当预测成本超过预算阈值（如预算的105%）时，系统自动推送预警信息，提示科室关注异常成本驱动因素（如某耗材使用量激增）；02-预算编制：基于历史成本预测与未来业务计划（如预计诊疗量增长10%），编制科室年度预算，避免“拍脑袋”式预算编制；01科室是医院成本管控的基本单元，预测模型可为科室主任提供“事前预警、事中干预、事后分析”的全流程支持：04-绩效考核：将预测成本与实际成本对比，考核科室成本管控效率，如“某科室实际成本较预测成本降低8%，给予绩效奖励”。1科室成本管控：精准定位“成本洼地”与“增长点”案例：某三甲医院心内科应用成本预测模型后，通过识别“心脏介入耗材”成本占比过高（达科室总成本的42%），联合采购部门开展耗材集中议价，同时优化临床路径（如减少不必要的术前检查），半年内科室成本降低12%，耗材成本占比降至35%，医护团队绩效收入提升15%。2病种成本核算与DRG/DIP支付改革DRG/DIP付费方式下，医院需精准核算病种成本以制定“盈亏平衡点”价格，预测模型可解决传统病种成本核算“样本量小、更新滞后”的问题：01-病种成本预测：基于患者诊断、手术、并发症等特征，预测单个病种（如“急性心肌梗死伴心衰”）的诊疗成本，为医保谈判提供数据支撑；02-盈亏分析：对比病种预测成本与医保支付标准，识别“高成本病种”（如成本高于支付标准10%）与“低成本病种”，指导医院调整收治结构（优先收治盈余病种）；03-成本优化路径：针对高成本病种，通过特征重要性分析找出成本驱动因素（如“ICU住院天数”），制定针对性优化措施（如缩短平均住院日）。042病种成本核算与DRG/DIP支付改革案例：某医院应用XGBoost模型预测128个DRG病种成本，发现“复杂性先心病”病种成本较医保支付标准高18%，通过分析特征识别出“体外循环时间”是主要驱动因素（权重0.35%），联合心外科优化手术流程，将平均体外循环时间从120分钟降至100分钟，病种成本降低9%，实现扭亏为盈。3医院整体预算编制与资源配置决策医院管理层需基于成本预测结果，优化全院资源分配，实现“降本增效”：-年度预算制定：汇总各科室、各病种预测成本，结合医院战略目标（如“下年度重点发展肿瘤科”），制定全院年度总预算，确保资源向重点学科倾斜；-设备采购决策：预测大型设备（如PET-CT）的采购成本与使用效益（基于预期诊疗量与单次检查成本），避免“盲目采购”导致的资源闲置；-人力资源配置：基于预测的各科室人力成本与诊疗量，合理调整医护岗位配置（如增加高峰时段护理人员，降低人力成本波动）。4绩效评价与激励机制：激活成本管控内生动力将成本预测结果与绩效评价结合，可引导科室主动参与成本管控：-设定差异化目标：根据科室成本预测结果，设定“跳一跳够得着”的成本管控目标（如成本自然增长率5%，目标为降低2%）；-正向激励：对成本管控效果显著的科室（如实际成本低于预测成本10%），提取节约成本的50%用于科室绩效奖励；-负向约束：对成本持续超标的科室，启动约谈机制，分析原因并制定整改方案。07挑战与未来展望：构建可持续的成本预测体系1数据层面的挑战：从“数据孤岛”到“数据融合”1-数据孤岛问题：医院内部系统（HIS、财务、HR）多由不同厂商开发，数据接口不兼容，导致数据难以整合；解决方案是推动医院数据中台建设，建立统一的数据标准与共享机制；2-数据质量问题：基层医院数据录入不规范（如“诊断漏填”“医嘱重复”），需加强数据治理队伍建设，通过“人工审核+AI校验”提升数据质量；3-隐私安全风险：医疗数据涉及患者隐私，需符合《个人信息保护法》《数据安全法》要求，采用数据脱敏、联邦学习等技术，在保护隐私的前提下实现模型训练。2模型层面的挑战：从“黑箱”到“可解释”-可解释性不足：深度学习模型（如LSTM、Transformer）虽精度高，但决策过程不透明，难以获得管理者信任；解决方案是引入可解释AI（XAI）技术，如SHAP值（解释特征贡献）、LIME（解释单个预测实例），生成“成本预测报告”，明确说明“为什么预测成本为X元”；-小样本学习难题：对于