王苗

摘要：針對當前醫(yī)生工作現狀和醫(yī)囑聯(lián)用現狀，通過Python語言實現了一個醫(yī)囑決策輔助功能模塊，以優(yōu)化醫(yī)院信息系統(tǒng)業(yè)務功能，加快診療速度。該文重點研究優(yōu)化Apriori模型和構建醫(yī)囑知識圖譜，挖掘醫(yī)囑之間的關聯(lián)關系，補充醫(yī)囑組套，輔助醫(yī)囑決策。結果表明該模型運行結果良好，功能基本完備，具有一定的實踐價值，能夠加快推進我國智慧醫(yī)療建設進程。

關鍵詞：醫(yī)囑推薦;關聯(lián)規(guī)則;Apriori算法;Neo4j;知識圖譜

中圖分類號：TP399? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）25-0037-04

開放科學（資源服務） 標識碼（OSID） ：

1 引言

醫(yī)療過程所產生的海量數據中存在著潛在未被挖掘的寶貴經驗和規(guī)律[1]，不少國內外學者已經嘗試并成功將數據挖掘技術應用于醫(yī)療行業(yè)實際診療過程中，學術界對智慧醫(yī)療的探索也逐漸深入[2-12]。目前國內醫(yī)院信息系統(tǒng)中廣泛采用的輔助醫(yī)生開醫(yī)囑的方法包括：醫(yī)囑組套，醫(yī)囑模板和臨床路徑醫(yī)囑集。在中國抗擊新冠肺炎疫情的過程中，數據挖掘技術在防控手段、疫苗研發(fā)、疫情信息傳播等環(huán)節(jié)發(fā)揮了出色的作用[13]，這在一定程度上提高了人們對醫(yī)療大數據的重視程度，也充分說明了數據挖掘技術在醫(yī)療行業(yè)的潛在價值。

本文通過對醫(yī)院門診部醫(yī)護人員對醫(yī)療系統(tǒng)的相關需求進行實地調查和詢問后，發(fā)現了以下問題和需求：

（1）? 醫(yī)生工作現狀

對于醫(yī)療人員來說，工作中最常見的臨床操作之一就是“開具醫(yī)囑”，即醫(yī)生根據患者病史、診斷、檢驗檢查結果等下達醫(yī)學指令，其很大程度上會影響治療效果和進程。根據觀察，醫(yī)生每天花費在開具醫(yī)囑、修改和確認等環(huán)節(jié)上的時間過多，造成了工作效率的降低。例如高血壓患者一般都需要進行靶器官功能評估和合并癥篩查，其中包含血糖、血脂、心腎功能和眼底檢查等，若醫(yī)生在遇到每一位高血壓患者時，都需要一一開具以上醫(yī)囑，則會造成不必要的時間浪費。

（2）? 醫(yī)囑聯(lián)用現狀

臨床醫(yī)學上，不同患者在同一場景或相似診斷下開具的醫(yī)囑具有相似性，基于此，目前醫(yī)療系統(tǒng)輔助醫(yī)生開醫(yī)囑的常用方法之一就是醫(yī)囑組套。醫(yī)囑組套即事先定義的在多個相似場景或診斷下可以同時被開具的醫(yī)囑，一般是由臨床專業(yè)專家基于經驗和討論研究后制定，制定周期比較長，因此有限的醫(yī)囑組套有時候并不能及時跟上時代的步伐，滿足醫(yī)生快速開具醫(yī)囑的需求。

目前醫(yī)院的信息管理系統(tǒng)每天需要對上百萬名病人的診療過程進行記錄，而其中，蘊含著海量未被挖掘的醫(yī)學知識。通常情況下，相同場景或診斷下的歷史病案中會存在聯(lián)用頻率高的一些醫(yī)囑，相當于基于醫(yī)生經驗的潛藏在歷史醫(yī)療數據中的醫(yī)囑組套，本文關鍵就是找出基于歷史數據的某種疾病下醫(yī)囑記錄中的高頻項集，將其作為醫(yī)囑組套補充，輔助醫(yī)生做出醫(yī)囑決策。

因此，在醫(yī)生已經做出診斷的前提下，若醫(yī)院系統(tǒng)能夠基于歷史數據，挖掘歷史病案中相同疾病下關聯(lián)頻率較高的醫(yī)囑聯(lián)用組合，則可以在一定程度上對固定的醫(yī)囑組套進行補充，減少醫(yī)生開具醫(yī)囑的時間。同時可以輔助醫(yī)生借鑒其他醫(yī)生的治療方案，或是將自己過去的治療方法與現在進行對比結合，不斷優(yōu)化治療療效。

2 系統(tǒng)設計

基于上述需求，本文提出了相應的解決方案：利用Neo4j數據庫存儲歷史診療數據，構建病案、診斷和醫(yī)囑節(jié)點，構建病案與診斷、病案與醫(yī)囑的關系邊，構成診斷與醫(yī)囑的知識圖譜，結合關聯(lián)規(guī)則分析技術的Apriori算法，基于輸入診斷或醫(yī)囑，從大量數據中查找關聯(lián)組合，并反饋給用戶，以輔助醫(yī)生針對診斷做出相應醫(yī)囑決策。

2.1 功能模塊設計

本文在處方醫(yī)囑錄入子系統(tǒng)的基礎上，為提高醫(yī)囑錄入的速度，增加基于診斷結果或輸入醫(yī)囑的關聯(lián)醫(yī)囑組套提醒功能模塊，其中功能具體描述為：①當用戶做出診斷結果時，功能自動推薦常用醫(yī)囑組合，即該診斷下的醫(yī)囑組套;②當用戶做出診斷，開立了醫(yī)囑時，推薦在該診斷下，與已開立醫(yī)囑聯(lián)用頻率最高的醫(yī)囑聯(lián)用組合。

2.2 數據庫設計

Neoj4數據庫需要存儲知識圖譜節(jié)點和關系邊，本文中節(jié)點有疾病實體、醫(yī)囑實體以及病案實體，其中疾病實體節(jié)點包含疾病ICD10編碼，疾病名稱;醫(yī)囑實體節(jié)點包含醫(yī)囑唯一標識碼，醫(yī)囑名稱，病案實體節(jié)點包括診療號，主治醫(yī)師職稱，格式如表1所示。通過構建SPO數據格式，將病案與疾病關聯(lián)，將疾病與醫(yī)囑關聯(lián)，其中病案與疾病的關系為“診斷”，病案與醫(yī)囑的關系為“開立”，如表2所示。

2.3 數據分析設計

本文使用的數據庫為Neo4j，并使用Python輔助進行數據處理和分析。首先以HIS系統(tǒng)現有的病患真實數據為數據源，對數據進行抽取和預處理，并導入Neo4j。接著使用SPSSModeler軟件中的Apriori模型進行模擬，從而對最小條件支持度和最低規(guī)則置信度進行初步篩選。通過Python語言構建Apriori算法，算法構建涉及組合頻繁項集、剪枝策略、刪除策略以及計數策略[14-15]，其中計數策略指考慮醫(yī)生職稱對醫(yī)囑開立準確性影響因素，為本文對Apriori算法的優(yōu)化策略。

2.4 用戶界面設計

本文將通過Python語言設計一個簡單的可視化用戶界面，用于用戶與關聯(lián)分析模型的交互，頁面提供兩項功能，分別為在已有診斷下和在已有醫(yī)囑下的關聯(lián)推薦，并返回依據支持度、置信度、前項支持度和提升度排序的推薦醫(yī)囑。

3 實現過程與結果

3.1 構建知識圖譜

數據源于惠州市中大惠亞醫(yī)院2019年至2020年兩年間的真實診療數據，具有一定可鑒性，具體包括接診的患者信息、主要診斷、開立醫(yī)囑以及職工基本信息等，病案以患者流水號為唯一標識。對數據進行預處理后轉化為csv格式，導入Neo4j并構建節(jié)點與節(jié)點關系。

以“門診五官科”科室為例，以隨機三個疾病節(jié)點為例，查詢診斷節(jié)點、病案節(jié)點、醫(yī)囑節(jié)點以及三者之間的關系，查詢所得知識圖譜效果如圖1，其中，藍色代表病案實體，紅色代表疾病實體，黃色代表醫(yī)囑實體，疾病節(jié)點與病案節(jié)點之間存在關系邊“diagnose”表示該病案診斷為該疾病，病案實體與醫(yī)囑實體之間存在關系表“use”表示該病案開立了該醫(yī)囑。

3.2 構建推薦醫(yī)囑模型

進行關聯(lián)分析時，需要設立最小條件支持度Support和最小規(guī)則置信度Confidence，當指標設置得越低，分析所得的規(guī)則事務越多，但同時事務之間關聯(lián)性越弱[16]?；赟PSS關聯(lián)分析模型，通過從關聯(lián)規(guī)則的數量、質量兩個切入點對指標組合分別進行粗粒度和細粒度的分析比較，同時結合規(guī)則數量、平均條件Support、平均Confidence、平均規(guī)則Support、平均Lift和部署能力這幾個方面綜合進行比較，選擇最佳指標組合最低條件Support為3.5，最小規(guī)則Confidence為80的Apriori關聯(lián)模型，作為后續(xù)研究的模型指標，如表3。

3.3 構建Apriori模型

基于上文中關聯(lián)分析模型的閾值選擇，通過Python輔助編程，連接并獲取Neo4j庫中數據，并構建Apriori模型對數據進行關聯(lián)分析，其中構建計算模型時，從Neo4j庫中獲取醫(yī)囑開立醫(yī)生的職稱，轉化為職稱系數，與醫(yī)囑開立的頻次相乘，即計算醫(yī)囑開立頻次時，考慮醫(yī)生職稱所帶來的醫(yī)囑開立準確性的問題，職稱越高的醫(yī)生開立的醫(yī)囑頻次系數越高，從而優(yōu)化醫(yī)囑聯(lián)用效果。

關聯(lián)規(guī)則的挖掘一般分為兩步：第一找尋有效的頻繁項集;然后，在上步的基礎上找尋有效的關聯(lián)規(guī)則。其中挖掘頻繁項集時的計數策略為從Neo4j庫中獲取醫(yī)囑開立醫(yī)生的職稱，轉化為職稱系數，存儲在LevelDict{}中，其中key值為獲取病案的序號，value值為職稱系數。進行項集頻次計數時，醫(yī)囑開立的頻次與該病案對應的職稱系數相乘，職稱越高的醫(yī)生開立的醫(yī)囑頻次系數越高，再將相乘后的頻次積計入頻次字典support_data{}中，代碼如圖2所示。

3.4 模型應用效果

基于診斷推薦醫(yī)囑效果如圖3。輸入患者診療號、主要診斷后，以默認的最小條件支持度和最小規(guī)則置信度，點擊推薦醫(yī)囑按鈕，推薦醫(yī)囑列表即顯示匹配診斷的各項集數醫(yī)囑頻繁項集的前十條醫(yī)囑/醫(yī)囑組合，按條件支持度降序排序顯示，由圖可以看到，當輸入主要診斷為變應性鼻炎時，得到各頻繁項集數第一推薦醫(yī)囑分別為：

（1）? 頻繁項集數為1的最佳推薦醫(yī)囑為{前鼻鏡檢查};

（2）? 頻繁項集數為2的最佳推薦醫(yī)囑為{鼻郎生理性海水鼻腔噴霧器（浙江朗柯），前鼻鏡檢查};

（3）? 頻繁項集數為3的最佳推薦醫(yī)囑為{鼻郎生理性海水鼻腔噴霧器（浙江朗柯），吸入物變應原篩選（五官科專用），前鼻鏡檢查};

（4）? 頻繁項集數為4的最佳推薦醫(yī)囑為{鼻郎生理性海水鼻腔噴霧器（浙江朗柯），吸入物變應原篩選（五官科專用），前鼻鏡檢查，表面麻醉};

（5）? 頻繁項集數為5的最佳推薦醫(yī)囑為{鼻郎生理性海水鼻腔噴霧器（浙江朗柯），吸入物變應原篩選（五官科專用），前鼻鏡檢查，表面麻醉，鼻內鏡檢查}。

基于醫(yī)囑推薦聯(lián)用醫(yī)囑效果如圖4。當輸入主要診斷為“變應性鼻炎”，開立醫(yī)囑為{表面麻醉，玉屏風顆粒}時，最佳推薦醫(yī)囑規(guī)則后項為{前鼻鏡檢查}{前鼻鏡檢查，鼻內鏡檢查}{鼻內鏡檢查、吸入物變應原篩選（五官科專用），前鼻鏡檢查，鼻內鏡檢查}{吸入物變應原篩選（五官科專用），鼻內鏡檢查、吸入物變應原篩選（五官科專用），前鼻鏡檢查}{吸入物變應原篩選（五官科專用）}。

通過Cyper語言對Neo4j數據庫中各項目的計數匯總，系統(tǒng)推薦醫(yī)囑與源數據查詢結果（無考慮職稱） 相比，排序相同，在一定程度上可以驗證本模型的可行性和正確性。并經過專業(yè)醫(yī)生評估，具備一定的實踐價值和科學性，可在后期投入醫(yī)院試用。

4 結束語

本文在智慧醫(yī)療的大背景下，基于工作經歷與醫(yī)生需求，針對醫(yī)療系統(tǒng)輔助醫(yī)生開立醫(yī)囑功能進行研究。通過獲取醫(yī)院病患診療的實際數據，對數據進行預處理，基于Neo4j圖數據庫，構建病案、診斷和醫(yī)囑之間關聯(lián)的知識圖譜，并通過優(yōu)化Apriori模型，在輸入診斷或醫(yī)囑的前提下，做出最佳醫(yī)囑組合推薦，以期能夠嵌入醫(yī)院信息系統(tǒng)，在診療過程中對固定的醫(yī)囑組套進行補充，輔助醫(yī)生做出最佳診療方案，從而一方面借助圖數據庫，優(yōu)化數據存儲結構，提高數據檢索的速度，優(yōu)化醫(yī)院信息系統(tǒng)業(yè)務功能，加快診療速度和提高病人治愈效果，改善醫(yī)患關系。另一方面，對我國在醫(yī)療大數據應用的研究上進行補充，將計算機編程技術融入醫(yī)療行業(yè)，響應國家鼓勵培養(yǎng)跨學科人才的號召，加快推進我國智慧醫(yī)療建設進程。

在醫(yī)院醫(yī)療數據中，蘊含了豐富的病案數據，例如患者的個人信息、患病歷史、過敏藥物史、檢查檢驗數據，開立醫(yī)囑的詳細信息，例如頻次、用量等。這些數據不僅能夠幫助我們進一步理解醫(yī)生的醫(yī)囑開立行為，更能挖掘醫(yī)囑之間相互作用和潛在的聯(lián)用風險，具有巨大的潛在價值。同時，藥物成分數據可以輔助模型對涉及藥品的醫(yī)囑進行相似性對比，從而構建細粒度的藥物相互聯(lián)用知識圖譜。關聯(lián)分析算法和Apriori模型是對事物關聯(lián)性最常用的一種研究方法，然而數據挖掘的算法知識涉及領域非常廣泛，未來將進一步研究數據挖掘技術，與醫(yī)院信息管理系統(tǒng)的其他模塊進行結合，探索醫(yī)療數據中更多的潛在價值。

參考文獻：

[1] 陳少敏，陳愛民，梁麗萍.醫(yī)療大數據共享的制約因素及治理研究[J].衛(wèi)生經濟研究，2021，38（9）：18-20，24.

[2] 張?zhí)壹t，范素麗，郭徐徐，等.基于數據融合的智能醫(yī)療輔助診斷方法[J].工程科學學報，2021，43（9）：1197-1205.

[3] 石升，董金琳，王瑋，等.Apriori算法的改進及其在睡眠輔助醫(yī)療中的應用[J].小型微型計算機系統(tǒng)，2020，41（12）：2668-2671.

[4] 劉勘，張雅荃.基于醫(yī)療知識圖譜的并發(fā)癥輔助診斷[J].中文信息學報，2020，34（10）：85-93，104.

[5] 孫明俊，張丹，鄭明智，等.基于人工智能的類風濕性關節(jié)炎中醫(yī)輔助診療系統(tǒng)[J].模式識別與人工智能，2021，34（4）：343-352.

[6] 陳杰，程勝，徐夢，等.面向醫(yī)療輔助診斷的可視化多屬性決策方法[J].計算機工程與應用，2020，56（8）：249-255.

[7] 梁書彤，郭茂祖，趙玲玲.基于機器學習的醫(yī)療決策支持系統(tǒng)綜述[J].計算機工程與應用，2019，55（19）：1-11.

[8] Liu Y，Kohlberger T，Norouzi M，et al.Artificial intelligence-based breast cancer nodal metastasis detection：insights into the black box for pathologists[J].Archives of Pathology & Laboratory Medicine，2019，143（7）：859-868.

[9] Pacheco A G C，Krohling R A.An attention-based mechanism to combine images and metadata in deep learning models applied to skin cancer classification[J].IEEE Journal of Biomedical and Health Informatics，2021，25（9）：3554-3563.

[10] 于楠.中文電子病歷信息抽取關鍵技術研究[D].北京：北京工業(yè)大學，2017.

[11] 夏冬，李國壘，陳先來.基于電子病歷的胃癌治療方案輔助選擇[J].中華醫(yī)學圖書情報雜志，2018，27（2）：63-68.

[12] 許杰.基于機器學習的醫(yī)療健康分類方法研究[D].鄭州：鄭州大學，2018.

[13] 孫燁祥，呂筠，沈鵬，等.健康醫(yī)療大數據驅動下的疾病防控新模式[J].中華流行病學雜志，2021，42（8）：1325-1329.

[14] Han，J.W.andKamber，M.數據挖掘：概念與技術[M].第三版.2012.

[15] 哈林頓，P.機器學習實戰(zhàn)[M].北京：人民郵電出版社，2013.

[16] 趙洪英，蔡樂才，李先杰.關聯(lián)規(guī)則挖掘的Apriori算法綜述[J].四川理工學院學報（自然科學版），2011，24（1）：66-70.

【通聯(lián)編輯：李雅琪】