殷良英 董 蔚 黃正行 季 磊 呂旭東 段會龍

1(浙江大學生物醫(yī)學工程與儀器科學學院，杭州 310027)2(解放軍總醫(yī)院心內(nèi)科, 北京 100000)3(解放軍總醫(yī)院信息科， 北京 100000)

面向臨床路徑的醫(yī)療行為變化趨勢檢測與分析

殷良英1#董 蔚2#黃正行1*季 磊3呂旭東1段會龍1#

1(浙江大學生物醫(yī)學工程與儀器科學學院，杭州 310027)2(解放軍總醫(yī)院心內(nèi)科, 北京 100000)3(解放軍總醫(yī)院信息科， 北京 100000)

及時發(fā)現(xiàn)和分析醫(yī)療行為的變化趨勢，可以為臨床專家完善臨床路徑模板提供優(yōu)化建議，提高臨床診療過程服務質(zhì)量。提出一種基于主題模型的醫(yī)療行為變化趨勢檢測與分析方法，主要由兩個步驟組成。第一步，從電子病歷系統(tǒng)中提取患者數(shù)據(jù)，形成患者臨床路徑治療記錄，采用基于潛在狄利克雷分布的概率主題分析方法來檢測臨床路徑數(shù)據(jù)集中的潛在醫(yī)療模式；第二步，基于檢測到的醫(yī)療模式、醫(yī)療行為的變化趨勢，可以歸類為6種內(nèi)容變化模式(即增長模式、消逝模式、穩(wěn)定模式、先增后降模式、先降后增模式以及震蕩模式)和3種發(fā)生時間變化模式(即穩(wěn)定發(fā)生模式、提前發(fā)生模式及滯后發(fā)生模式)。所提出的方法經(jīng)由10年12 152例實際的不穩(wěn)定性心絞痛的臨床數(shù)據(jù)驗證。實驗結(jié)果表明，該算法能夠有效地檢測醫(yī)療行為的6種顯著性內(nèi)容變化及3種顯著性時間變化，為優(yōu)化治療過程提供有力的理論依據(jù)。

變化模式；時間變化趨勢；狄利克雷分布

引言

臨床路徑是一種跟疾病緊密相關(guān)的基于循證醫(yī)學證據(jù)的標準化醫(yī)療模式，在規(guī)范醫(yī)療行為、控制醫(yī)療成本、提高醫(yī)療質(zhì)量等方面扮演極其重要的角色[1-3]。隨著醫(yī)學技術(shù)的不斷發(fā)展，疾病的治療過程得以不斷完善和改進，臨床路徑中所規(guī)定的醫(yī)療行為也隨時間推移不斷發(fā)生變化，如肌鈣蛋白T取代傳統(tǒng)的肌酸激酶檢查作為不穩(wěn)定性心絞痛患者的診斷指標。除此之外，患者的體征狀態(tài)隨時間的推移發(fā)生變化，進而也可能導致臨床路徑中醫(yī)療行為的變化，如血管緊張素轉(zhuǎn)換酶抑制劑在不穩(wěn)定性心絞痛患者治療過程中的使用明顯減少。另外，臨床路徑模板的更新相對滯后，在這種情況下，如果能及時的檢測和分析臨床路徑中醫(yī)療行為的變化趨勢，就可以輔助臨床專家優(yōu)化臨床路徑中的醫(yī)療行為，為臨床路徑的擴展和完善提供參考依據(jù)。雖然有很多與臨床路徑設計與優(yōu)化相關(guān)的研究[1-5]，但大多是對臨床路徑中潛在的治療知識和模式進行挖掘和分析，目前還缺乏行之有效的方法來檢測和分析臨床路徑中醫(yī)療行為隨時間的發(fā)展變化趨勢。

為了獲取臨床路徑執(zhí)行過程中醫(yī)療行為的變化趨勢，首先需要明確入徑患者的特征屬性(如體征數(shù)據(jù)、化驗數(shù)據(jù)等)，其次需要明確針對特征屬性的重要醫(yī)療干預(如治療、藥療、手術(shù)、護理等)。患者的特征屬性與醫(yī)療干預組合在一起構(gòu)成臨床路徑的醫(yī)療模式，即針對特定疾病的診療過程存在的具有代表性的患者特征屬性及醫(yī)療干預的組合。因此，檢測和分析醫(yī)療行為的變化趨勢也就是對醫(yī)療模式中的患者特征屬性的變化趨勢進行檢測與分析，以及對醫(yī)療干預及其發(fā)生時間的變化趨勢進行檢測與分析。

為此，筆者提出一種基于潛在狄利克雷分布(latent Dirichlet allocation)的醫(yī)療行為變化趨勢檢測與分析方法。如圖1所示，該方法由兩個步驟組成：第一步，從醫(yī)院電子病歷系統(tǒng)中提取路徑數(shù)據(jù)，按照患者入院時間劃分為不同的數(shù)據(jù)子集，分別在不同的數(shù)據(jù)子集中應用概率主題模型，檢測數(shù)據(jù)子集中的潛在醫(yī)療模式；第二步，將不同時間段內(nèi)相同醫(yī)療模式中的醫(yī)療行為進行對比，檢測患者特征屬性的變化趨勢、醫(yī)療干預的變化趨勢，以及醫(yī)療干預的發(fā)生時間的變化趨勢。該方法采用中國人民解放軍總醫(yī)院心血管內(nèi)科不穩(wěn)定性心絞痛2004—2013年的數(shù)據(jù)，用共計12 512份病例進行方法有效性的驗證。

1 方法

本研究提出一種基于潛在狄利克雷分布的醫(yī)療行為隨時間發(fā)展的變化趨勢檢測與分析方法。該方法主要由兩個步驟組成：一是臨床路徑中的潛在醫(yī)療模式挖掘；二是面向臨床路徑的醫(yī)療行為變化趨勢檢測與分析，如圖1所示。

圖1 面向臨床路徑的醫(yī)療行為變化趨勢檢測方法流程Fig.1 The methodology of mining the evolution of medical behaviors in treatment process

1.1臨床路徑中的潛在醫(yī)療模式挖掘

進入同一病種的臨床路徑的患者，由于個體的臨床癥狀和狀態(tài)不同，可能處于不同的風險等級，進而導致采取不同的治療措施。例如，患有腎功能不全的不穩(wěn)定性心絞痛患者，一般審慎使用“冠脈造影”這一針對不穩(wěn)定性心絞痛患者的典型醫(yī)療干預。為了檢測臨床路徑在不同時期可能存在的潛在的醫(yī)療模式，首先需要根據(jù)患者入院時間的不同，將數(shù)據(jù)集劃分成不同的子集，然后對每個數(shù)據(jù)子集應用基于潛在狄利克雷分布的概率主題模型，挖掘出路徑中潛在的醫(yī)療模式。為了更好地闡述本研究提出的方法，首先需要引入幾個概念。

1)醫(yī)療行為項(w)：可以看作是患者在臨床路徑當中的一項患者特征屬性，或者是一項醫(yī)療干預。一項患者特征屬性可以表示為(f,v)，其中f是屬性類型，v是屬性取值；一項醫(yī)療干預可以表示為(a,t)，其中a是干預類型，t是干預發(fā)生時間。

2)醫(yī)療模式(z)：是由一系列具有特定取值的患者特征屬性及發(fā)生在特定時間的醫(yī)療干預的集合w(w∈W)組成的。

3)臨床路徑治療記錄σ：是指一個患者進入臨床路徑后所有的醫(yī)療行為，包括體征記錄、檢查、化驗、藥物及手術(shù)等。

4)臨床路徑數(shù)據(jù)集(D)：一個臨床路徑數(shù)據(jù)集是由若干例臨床路徑治療記錄D={σ}組成的。

圖2 基于潛在狄利克雷分布的醫(yī)療模式挖掘模型。(a)方法模型[6]；(b)模型數(shù)據(jù)排列方式Fig.2 Model of LDA-based treatment pattern mining.(a)Plate notation[6]; (b)Arrangement of medical behaviors in patient trace

總體而言，醫(yī)療模式的產(chǎn)生過程與文本挖掘中的主題產(chǎn)生過程類似(見圖2(a))。每例臨床路徑治療記錄可以看作是一個基于醫(yī)療模式的多項分布，表示為θσ,z=P(z|σ)，每個醫(yī)療模式可以看作是一個基于醫(yī)療行為項的多項分布,表示為φz,w=P(w|z)(如果w是一項患者特征屬性，則φz,w=φz(f,v)；如果w是一項醫(yī)療干預，則φz,w=φz(a,t))。給定這兩個多項分布，可以得到在某個特定的臨床路徑中醫(yī)療行為項的發(fā)生概率，有：

(1)

式中，k表示醫(yī)療模式個數(shù)，w表示一項患者特征屬性或醫(yī)療干預。

在特定醫(yī)療模式中，同一干預類型的醫(yī)療干預可能發(fā)生在不同時間，如針對不穩(wěn)定性心絞痛患者的常用醫(yī)療干預“冠脈造影”可能發(fā)生在入院的第1～3d，由此可以推出一項醫(yī)療干預在某個特定醫(yī)療模式中的出現(xiàn)概率，有

(2)

式中，T表示在特定的臨床路徑當中某項醫(yī)療干預發(fā)生的最大天數(shù)。

在本研究中，應用吉布斯采樣[6]得到每個醫(yī)療模式的條件分布,有

(3)

(4)

(5)

應用基于狄利克雷的主題模型分析方法之后，可以從每個臨床路徑的數(shù)據(jù)子集中挖掘出潛在醫(yī)療模式。除此之外，基于φz(f,v)、φz，a以及φz(a,t)，還可以得到特定醫(yī)療模式當中每項患者特征屬性、每項醫(yī)療干預的發(fā)生概率；以及每項醫(yī)療干預在住院過程中每天的發(fā)生概率。

1.2醫(yī)療行為變化趨勢檢測

得到臨床路徑數(shù)據(jù)子集中的潛在醫(yī)療模式之后，可以選出這些醫(yī)療模式中有代表性的醫(yī)療行為項并分析它們的變化趨勢?？傮w而言，選取的患者特征屬性及醫(yī)療干預需要涵蓋每個醫(yī)療模式中的重要醫(yī)療行為。通常，患者的特征屬性反映患者的臨床癥狀或狀態(tài)，能夠從一定程度上反映對患者所施加的醫(yī)療干預，而醫(yī)療干預及其發(fā)生的醫(yī)療干預時間對整個治療過程的醫(yī)療質(zhì)量起著決定性的作用，因此對患者的特征屬性、醫(yī)療干預以及醫(yī)療干預的發(fā)生時間的變化趨勢檢測是十分有意義的。在本研究中，選取每個數(shù)據(jù)子集中所有醫(yī)療模式的前20項患者特征數(shù)據(jù)(φz(f,v))以及前50項醫(yī)療干預(φz,a)，按照所在的醫(yī)療模式進行歸類，并刪除重復項?；谶x取的醫(yī)療行為，可進一步檢測和分析它們隨時間的變化趨勢。

1.2.1患者特征屬性變化趨勢檢測

基于檢測到的特征屬性在特定醫(yī)療模式中的發(fā)生概率，對特征屬性的發(fā)生概率的變化趨勢進行檢測分析。在本研究中，特征屬性在特定醫(yī)療模式中發(fā)生概率的變化趨勢可以被分為6類，如圖3所示。

1)增長模式：患者特征屬性在特定醫(yī)療模式中的發(fā)生概率隨時間的推移不斷升高(見圖3(a))。

2)消逝模式：患者特征屬性在特定醫(yī)療模式中的發(fā)生概率隨時間的推移不斷降低(見圖3(b))。

3)穩(wěn)定模式：患者特征屬性在特定醫(yī)療模式中的發(fā)生概率隨時間的推移始終保持在相對穩(wěn)定的狀態(tài)(見圖3(c))。

4)先升后降模式：患者特征屬性在特定醫(yī)療模式中的發(fā)生概率隨時間的推移呈現(xiàn)先升后降的變化趨勢(見圖3(d))。

5)先降后升模式：患者特征屬性在特定醫(yī)療模式中的發(fā)生概率隨時間的推移呈現(xiàn)先降后升的變化趨勢(見圖3(e))。

6)震蕩模式：患者特征屬性在特定醫(yī)療模式中的發(fā)生概率隨時間的推移呈現(xiàn)明顯的上下波動(見圖3(f))。

圖3 患者特征屬性發(fā)生概率的6種變化模式。(a)增長模式；(b)消逝模式；(c)穩(wěn)定模式；(d)先升后降模式；(e)先降后升模式；(f)震蕩模式Fig.3 Six change patterns of the occurring probabilities of patient features over time. (a)Emerged change；(b)Faded change； (c)Stable； (d)Up-down change； (e)Down-up change；(f)Jumping

1.2.2醫(yī)療干預變化趨勢檢測

與患者特征屬性的變化趨勢檢測類似，醫(yī)療干預在特定醫(yī)療模式中發(fā)生概率的變化趨勢也可以歸類為圖3中的6種變化模式，即增長模式、消逝模式、穩(wěn)定模式、先增后降模式、先降后增模式以及震蕩模式。

山地帶地表由于受風化作用等作用，縱橫向變化大，為給靜校正提供準確的資料，以達到嚴密控制低速帶的目的，一般采用初至折射法，相遇時距曲線觀測系統(tǒng)。地面檢波點距0.5～1.0m，12～24道接收，激發(fā)點在接收道的兩端，采用雷管爆炸激發(fā)的方式。

1.2.3醫(yī)療干預發(fā)生時間變化趨勢檢測

應用基于狄利克雷的主題模型之后，得到了特定醫(yī)療模式中醫(yī)療干預項在住院期間每天的發(fā)生概率，因此可以對醫(yī)療干預發(fā)生時間的變化趨勢進行檢測。通過對變化趨勢進行檢測分析，得出3種可能的變化趨勢模式，即穩(wěn)定發(fā)生模式、提前發(fā)生模式以及滯后發(fā)生模式，如圖4所示。

圖4 醫(yī)療干預發(fā)生時間的3種變化模式。(a)穩(wěn)定模式；(b)提前發(fā)生模式；(c)滯后發(fā)生模式Fig.4 Change patterns of execution time for medical behaviors. (a)Stable；(b)Early-occurred；(c)Delay-occurred

1)穩(wěn)定模式：在特定醫(yī)療模式中，隨著時間的推移，醫(yī)療干預在入院期間每天的發(fā)生概率基本維持不變(見圖4(a))。

2)提前發(fā)生模式：在特定醫(yī)療模式中，隨著時間的推移，醫(yī)療干預在入院期間每天的發(fā)生概率逐漸提前(見圖4(b))。

3)滯后發(fā)生模式：在特定醫(yī)療模式中，隨著時間的推移，醫(yī)療干預在入院期間每天的發(fā)生概率逐漸延后(見4(c))。

1.3實驗數(shù)據(jù)

不穩(wěn)定性心絞痛臨床路徑數(shù)據(jù)被選作實驗數(shù)據(jù)，用來檢驗本方法的可行性。不穩(wěn)定性心絞痛是一種常見的慢性非傳染性疾病，也是較早作為臨床路徑病種的疾病；此外，患有不穩(wěn)定心絞痛的患者通常會伴隨有其他的伴發(fā)癥，使患者處于不同的風險等級，進而導致患者治療過程的動態(tài)性及多樣性。心血管疾病患者入院后，通常需要進行風險評估來確定其風險等級。風險評估是一種是對患者患病可能程度的評估[7,12-15]。在臨床路徑的實際執(zhí)行過程中，采用不同醫(yī)療模式的患者恰好對應了不同的臨床風險等級。鑒于以上特點，不穩(wěn)定型心絞痛臨床路徑數(shù)據(jù)非常適合作為筆者提出的醫(yī)療行為變異檢測的實驗數(shù)據(jù)。在本研究中選取的臨床路徑治療記錄以天為時間單位，列舉了患者進入臨床路徑之后所有的醫(yī)療行為(如檢查、手術(shù)、藥物、護理等)，具體格式如圖2(b)所示。

在本研究中，選取國內(nèi)某三甲醫(yī)院心內(nèi)科的不穩(wěn)定性心絞痛臨床路徑數(shù)據(jù)，共有12 152份，涵蓋時間范圍為10年(2004—2013年)。表1給出了所選取的實驗數(shù)據(jù)的分布情況。

表1 實驗數(shù)據(jù)集的具體分布Tab.1 Attributes of the experimental dataset

依據(jù)患者的入院時間，本研究所用的臨床路徑數(shù)據(jù)集被分為10個不同的數(shù)據(jù)子集。狄利克雷先驗參數(shù)α和β的取值均為0.1；將醫(yī)療模式個數(shù)K取值為3，正好對應了不穩(wěn)定性心絞痛患者的3個風險等級，即低危、中危和高危。在給定的參數(shù)取值情況下，應用狄利克雷主題模型，得到每個數(shù)據(jù)子集當中所有潛在的醫(yī)療模式、每個醫(yī)療模式中患者特征屬性以及醫(yī)療干預的分布情況。參照預先定義的患者特征屬性及醫(yī)療干預的選取規(guī)則，選取3個醫(yī)療模式中重要的患者特征屬性及醫(yī)療干預(見表2)，基于選擇的特征屬性及醫(yī)療干預進行醫(yī)療行為變化趨勢的檢測及分析。

表2患者特征屬性及醫(yī)療干預在3種醫(yī)療模式中的分布情況

Tab.2Selectedpatientfeaturesandtreatmentinterventionsin3treatmentpatternsforchangetrenddetection

風險等級患者特征屬性醫(yī)療干預低危3268中危5488高危6288

2 結(jié)果

2.1患者特征屬性變化趨勢檢測結(jié)果

在進行變化趨勢檢測之后，得到診療過程中患者特征屬性的變化趨勢。如表3所示，增長模式和消逝模式是患者特征屬性的兩種主要變化模式。

表3患者特征屬性及醫(yī)療干預發(fā)生概率變化趨勢的檢測結(jié)果

Tab.3Yearlychangedmedicalbehaviorsdetectedfromtheexperimentaldataset

行為分類風險等級增長模式消逝模式穩(wěn)定模式先增后降先降后增震蕩模式患者特征屬性低危885362中危19170909高危1822012010患者醫(yī)療干預低危212115533中危2523121459高危212819749

分析患者屬性特征的變化趨勢發(fā)現(xiàn)：

1)符合增長模式的患者特征屬性一般是必要的檢驗，是新出現(xiàn)或者重要的伴發(fā)癥，如圖5(a)所示的“動脈粥樣硬化”是不穩(wěn)定性心絞痛低?；颊咧谐霈F(xiàn)的一種重要的伴發(fā)癥。

2)與符合增長模式的患者特征屬性不同，符合消逝模式的患者特征屬性一般是因為檢查指標為非必要檢驗或者伴發(fā)癥逐漸消逝，如糖尿病(見圖5(b))是高危患者醫(yī)療模式中的一項呈現(xiàn)消逝模式的患者特征屬性；此外隨著醫(yī)療技術(shù)的發(fā)展，一些檢驗指標慢慢被新的檢驗指標替代，因此其變化趨勢呈現(xiàn)消逝模式，如臨床實踐中肌酸激酶檢查逐漸被肌鈣蛋白T檢驗替代等。

3)穩(wěn)定變化的患者特征屬性往往易出現(xiàn)在低?；颊叩尼t(yī)療模式中，而中危與高危醫(yī)療模式中的患者特征屬性有更多的符合先增后降模式、先降后模式以及增震蕩模式。

4)通過變化趨勢檢測很難判斷符合先增后降模式、先降后增模式以及震蕩模式的患者特征屬性所指代的檢驗項目是否必要，也無法判定相關(guān)伴發(fā)癥的重要性，因此需要進一步分析。如圖5(c)所示，“肌鈣蛋白T：正?！笔且豁椃舷冉岛笤瞿Ｊ降臋z驗指標，同時也是醫(yī)療模式中的必要檢驗指標。

2.2醫(yī)療干預變化趨勢檢測結(jié)果

在進行醫(yī)療干預變化趨勢檢測之后，得到相應的檢測結(jié)果。如表3所示，3種醫(yī)療模式中醫(yī)療干預的變化趨勢大部分符合增長模式、消逝模式或者穩(wěn)定模式。只有少數(shù)醫(yī)療干預的變化趨勢符合先增后降模式、先降后增模式以及震蕩模式。從表3中還可以看出，醫(yī)療干預的變化趨勢與3個風險等級所對應的醫(yī)療模式中的分布情況類似。通過對變化趨勢檢測結(jié)果進行分析，得出以下結(jié)論：

1)呈現(xiàn)增長模式的醫(yī)療干預是其本身在治療過程中實施頻率的增加而引起的，因此這些醫(yī)療干預可能是治療過程中的一些必要或者重要的干預。如圖5(d)所示，“支架置入術(shù)”是一項符合增長模式的醫(yī)療干預。該干預的變化趨勢表明：隨著時間的推移，越來越多的患者通過支架置入術(shù)的方式治療不穩(wěn)定性心絞痛。值得一提的是，有些符合增長模式的醫(yī)療干預是醫(yī)院對風險因素的篩查而造成的，如圖5(e)所示的“糖尿病檢查”。

2)呈現(xiàn)消失模式的醫(yī)療干預是醫(yī)療干預在治療過程中發(fā)生頻率降低所致，由此可以推斷符合消逝模式的醫(yī)療干預對整個診療過程來說可能是不必要的，屬于過度醫(yī)療行為。如圖5(f)所示，“血管緊張素轉(zhuǎn)換酶抑制劑”就是一項符合消逝模式的醫(yī)療干預。

3)有些呈現(xiàn)增長模式的醫(yī)療干預替換了呈現(xiàn)消逝模式的醫(yī)療干預，因此有些符合增長模式的醫(yī)療干預與符合消逝模式的醫(yī)療干預存在一定的相關(guān)性。如圖5(g)所示，“血栓檢查”在臨床實踐中逐漸被 “凝血檢查”取代。

圖5 患者特征屬性及醫(yī)療干預變化趨勢檢測結(jié)果。(a)動脈粥樣硬化：是；(b)糖尿病：是；(c)肌鈣蛋白T：正常；(d)支架置入術(shù)；(e)糖尿病檢查；(f)血管緊張素轉(zhuǎn)換酶抑制劑；(g)血栓檢查；(h)抗凝血藥；(i)葡萄糖注射液Fig.5 Examples of detected changes of patient features and treatment interventions. (a)Atherosclerosis: True；(b)Diabetes: True；(c)Troponin T: Normal；(d)Stent implantation；(e)Diabetes examination；(f)ACEI；(g)Thrombosis examination；(h)Anti-coagulation drugs；(i)Glucose injection

4)一般來說，變化趨勢符合穩(wěn)定模式的醫(yī)療干預為不穩(wěn)定性心絞痛治診療程中的必要干預，如圖5(h)所示“抗凝血藥”。

5)符合先增后降模式、先降后增模式以及震蕩模式的醫(yī)療干預在醫(yī)療模式中的發(fā)生概率隨時間推移呈現(xiàn)非常明顯的變化趨勢，且它們的變化趨勢通常可能是多種因素所致，因此較難判斷符合這些變化模式的醫(yī)療干預對患者診療過程的重要性。如圖5(i)所示，“葡萄糖注射液”醫(yī)療干預的變化趨勢符合先降后增模式，正常情況下應該維持恒定，但分析發(fā)現(xiàn)該干預項的變化趨勢是由藥物濫用引起的。

2.3醫(yī)療干預發(fā)生時間變化趨勢檢測結(jié)果

按照筆者提出的醫(yī)療干預發(fā)生時間變化趨勢檢測方法，從3個醫(yī)療模式中選取的醫(yī)療干預發(fā)生時間的變化趨勢被歸類為3個模式：穩(wěn)定發(fā)生、提前發(fā)生以及滯后發(fā)生。表4展示了3個醫(yī)療模式中的醫(yī)療干預的具體分布情況，可以看出，在低?；颊哚t(yī)療模式中選取的68項醫(yī)療干預中有51項的發(fā)生時間呈現(xiàn)為相對穩(wěn)定的狀態(tài)，只有13項符合提前發(fā)生的變化模式(如圖6(a)所示的“出院”)，4項符合滯后發(fā)生的變化模式(如6(b)所示的“多功能重癥監(jiān)護儀”)。由此可以推斷，在診療過程中，大多數(shù)醫(yī)療干預的實施時間均安排合理,少數(shù)醫(yī)療干預的發(fā)生時間可進行適當調(diào)整以規(guī)范醫(yī)療行為，提高醫(yī)療質(zhì)量。與低危患者醫(yī)療模式不同，在中危患者醫(yī)療模式和高?；颊哚t(yī)療模式當中，大多數(shù)醫(yī)療干預發(fā)生時間的變化趨勢符合提前發(fā)生模式。由此可以推斷，風險程度相對較高的患者的治療過程還是有一定的改進空間，可以對醫(yī)療干預的發(fā)生時間進行重新調(diào)整以縮短住院時間，進而控制醫(yī)療費用，提高醫(yī)療質(zhì)量。

表4醫(yī)療干預發(fā)生時間變化趨勢檢測結(jié)果

Tab.4Changetrendofexecutiontimefortreatmentinterventions

風險等級穩(wěn)定發(fā)生提前發(fā)生滯后發(fā)生低危51134中危4831高危3824

圖6 醫(yī)療干預發(fā)生時間變化趨勢檢測結(jié)果舉例。(a)出院；(b)多功能重癥監(jiān)護儀Fig.6 Example of changes of execution time for treatment interventions. (a)Discharge；(b)Multifunctional monitors

為了更深入地了解醫(yī)療行為變化趨勢的臨床意義，將這些變化趨勢的檢測結(jié)果呈現(xiàn)給臨床醫(yī)生進行了更加精確的評估分析。他們的評估結(jié)果表明：有些檢測結(jié)果確實揭示了不穩(wěn)定性心絞痛診療過程中一些潛在的現(xiàn)象，如患者的平均患病年齡降低、患者出現(xiàn)動脈狹窄伴發(fā)癥的概率升高、靜脈輸液較多以及出院時間提前，等等；除此之外，少數(shù)檢測到的變化趨勢還需要進一步驗證才能確定其臨床意義，如不飽和鐵結(jié)合力及總鐵結(jié)合力。

3 討論和結(jié)論

醫(yī)療行為隨著診療過程的完善和醫(yī)學技術(shù)的發(fā)展不斷變化，及時檢測及分析臨床路徑中醫(yī)療行為的變化趨勢，可以幫助臨床專家優(yōu)化和改善臨床路徑。筆者提出基于潛在狄利克雷分布的醫(yī)療行為隨時間發(fā)展的變化趨勢檢測與分析方法，可以及時有效地檢測出診療過程中醫(yī)療行為的變化趨勢?；跈z測到的醫(yī)療行為的變化趨勢，相關(guān)醫(yī)療組織和部門可以確定診療過程中的過度檢查及不合理用藥，因此可以依據(jù)檢測結(jié)果優(yōu)化臨床路徑，在規(guī)范醫(yī)療行為的同時可以有效地控制醫(yī)療成本，從而達到提高醫(yī)療質(zhì)量的目的；除此之外，基于檢測到的醫(yī)療行為實施時間的變化趨勢，臨床專家可以更加合理地安排醫(yī)療行為的實施時間，在規(guī)范醫(yī)療行為的同時可以有效地控制入院時間，從而達到提高醫(yī)療效率、控制醫(yī)療成本的目的。

實驗結(jié)果表明，所提出的方法對檢測和分析面向臨床路徑的醫(yī)療行為變化趨勢是十分有效的。臨床醫(yī)生評估認為，通過該方法檢測到的醫(yī)療行為變化趨勢為優(yōu)化和改進臨床路徑提供了有價值的參考依據(jù)。基于檢測到的醫(yī)療行為的變化趨勢，臨床專家可以設計更加合理優(yōu)化的臨床路徑。此外，所采用的方法可以將患者按照不同的風險等級進行聚類分組，按照患者疾病風險等級的不同設計對應的臨床路徑，從而對患者施加更為行之有效的治療處置，提高治療效果。

盡管筆者提出的方法可有效地檢測并分析診療過程中重要醫(yī)療行為的變化趨勢，但是卻忽略了那些發(fā)生概率較低的醫(yī)療行為，而這些醫(yī)療行為往往與患者伴發(fā)癥的診斷與治療息息相關(guān)。因此，在后續(xù)工作中，需要對這類醫(yī)療行為的變化趨勢進行檢測分析。此外，還可以對患者的特征屬性以及醫(yī)療干預之間的相關(guān)性進行分析研究。

[1] Adeyemi S, Demir E, Thierry C. Towards an evidence-based decision making healthcare system management: Modelling patient pathways to improve clinical outcomes [J]. Decision Support System, 2013,55(1):117-125.

[2] Lin Furen, Chou Shienchao, Pan Shuangmei,etal. Mining time dependency patterns in clinical pathways[J]. International Journal of Medical Informatics, 2001,62(1):11-25.

[3] Peleg M, Mulyar N, Van Der Aalst WMP. Pattern-based analysis of computer-interpretable guidelines: Don’t forget the context[J]. Artificial Intelligence in Medicine, 2012,54(1):73-74.

[4] Huang Zhengxing, Lv Xudong, Duan Huilong. Latent treatment pattern discovery for clinical processes [J]. Journal of Medical Systems, 2013,37(2): 9915.

[5] Van de Klundert J, Gorissen P, Zeemering S. Measuring clinical pathway adherence[J]. Journal of Biomedical Informatics, 2010,43(6):861-872.

[6] Blei D, Ng A, Jordan M. Latent Dirichlet allocation [J]. Journal of Machine Learning Research, 2003,3: 993-1022.

[7] Catherwood E, O’Rouke DJ. Critical pathway management of unstable angina [J]. Progress in Cardiovascular Diseases, 1994,37(3):121-148.

[8] Dong Guozhu, Li Jinyan. Efficient mining of emerging patterns: Discovering trends and differences [C] // Proceedings of the fifth International Conference on Knowledge Discovery and Data Mining. San Diego: ACM Digital Library, 1999: 43-52.

[9] Wang Chong, Blei D, Heckerman D. Continuous time dynamic topic models [C] // Proceedings of the Twenty-Fourth Conference on Uncertainty in Artificial Intelligence. Helsinki: arXiv, 2008:579-586.

[10] Huang Zhengxing, Dong Wei, Peter B,etal. On mining latent medical behavior patterns from electronic medical records[EB/OL]. http://link.springer.com/article/10.1007/s10618-014-0381-y, 2014-09-24/2014-12-30.

[11] Hall D, Jurafsky D, Manning C. Studying the history of ideas using topic models [C] // Proceedings of the 2008 Conference on Empirical Methods in Natural Language Processing. Waikiki: ACM Digital Library, 2003: 363-371.

[12] Granger CB, Goldberg RJ, Dabbous O,etal. Predictors of Hospital Mortality in the Global Registry of Acute Coronary Events [J]. JAMA, 2003,163(19):2345-2353.

[13] Eagle KA, Lim MJ, Dabbous OH,etal. A validated prediction model for all forms of acute coronary syndrome estimating the risk of 6-month postdischarge death in an international registry [J]. JAMA, 2004,291(22):2727-2733.

[14] Antman EM, Cohen M, Bernink PJ,etal. The TIMI risk score for unstable angina/non-ST elevation MI: A method for prognostication and therapeutic decision making [J]. Circulation, 2000,284(7): 835-842.

[15] Morrow DA, Antman EM, Bernink PJLM,etal. TIMI risk score for ST-elevation myocardial infarction: a convenient, bedside, clinical score for risk assessment at presentation [J]. Circulation, 2000,102: 2031-2037.

[16] 沈劍鋒，汪威，杜平，等. 基于衛(wèi)生信息平臺的電子病歷信息共享研究和實現(xiàn)[J].中國生物醫(yī)學工程學報, 2013,32(4):504-507.

On Detecting the Changes of Medical Behaviors in Clinical Pathways

Yin Liangying1#Dong Wei2#Huang Zhengxing1*Ji Lei3Lv Xudong1Duan Huilong1#

1(College of Biomedical Engineering and Instrument Science, Zhejiang University, Hangzhou 310027, China)2(Department of Cardiology, Chinese PLA General Hospital, Beijing 100000, China)3(Department of Infovrnation Technology, Chinese PLA General Hospital, Beijing 100000, China)

To find out the changing trend of medical behaviors in clinical pathways (CPs) can present convincing evidence for the improvement of clinical pathway template and help to improve the medical quality of CPs. In this study, we proposed a two-step approach to detect medical behavior changes in CPs over time. In the first step, we adopted a well-known probabilistic topic model, i.e., latent Dirichlet allocation (LDA), to discover yearly treatment patterns w.r.t risk stratifications of patients from electronic medical records (EMR). With the discovered treatment patterns, the changes of medical behaviors were classified into six content change patterns (i.e., emerged, faded, stable, up-down, down-up and jumping) and three occurring time change patterns (i.e., early-occurred, stable and delay-occurred). The proposed method was evaluated via 12152 EMRS pertaining to the unstable angina pathway with time arranges of 10 years. Experimental results indicated that the proposed approach is effective to mine the significant changes of content and time of medical behaviors and therefore presents convincing evidences for scheduling better practice of CPs.

change patterns; time evolution; latent Dirichlet allocation(LDA)

10.3969/j.issn.0258-8021. 2015. 03.003

2015-01-27， 錄用日期:2015-03-15

國家自然科學基金(81101126)；中央高校基本科研業(yè)務費專項資金(2014QNA5014)

R318

A

0258-8021(2015) 03-0272-09

# 中國生物醫(yī)學工程學會會員(Member, Chinese Society of Biomedical Engineering)

*通信作者(Corresponding author)， E-mail: zhengxinghuang@zju.edu.cn