顧 揚，曹 健+，朱能軍，陳小松，沈坤煒

(1.上海交通大學(xué) 計算機科學(xué)與工程系，上海 200240；2.上海大學(xué) 計算機工程與科學(xué)學(xué)院，上海 200444；3.上海交通大學(xué)醫(yī)學(xué)院附屬瑞金醫(yī)院，上海 200025)

0 引言

不同于針對某種疾病的單一治療方案，臨床路徑是以預(yù)期的治療效果和成本控制為目的，由醫(yī)生、護士和其他人員共同針對某一疾病建立的一套標(biāo)準(zhǔn)化的治療模式與治療程序[1]。目前，臨床路徑已在國外得到普遍應(yīng)用。大量臨床實踐表明，臨床治療路徑可以有效提升治療效果[2]，縮短治療時長，減少治療費用，同時增加醫(yī)療服務(wù)的系統(tǒng)性和滿意度。傳統(tǒng)的臨床路徑需要醫(yī)院相關(guān)人員收集資料討論后共同擬定，該過程會耗費醫(yī)務(wù)人員大量的精力和時間，且受專家的主觀影響較大，所形成的路徑往往固定不變，難以反映患者的個性化差異，在實際操作中存在一定偏差[3]。

隨著醫(yī)療信息化技術(shù)的飛速發(fā)展，病例數(shù)據(jù)大量積累，數(shù)據(jù)挖掘方法在構(gòu)建臨床治療路徑中的應(yīng)用得到越來越多的關(guān)注。現(xiàn)有算法總體上分為基于過程挖掘和基于其他方法的臨床路徑挖掘兩類，其效率、可解釋性和可評價性尚需提升。

在挖掘出臨床路徑后，需要對每個病人提供個性化的治療方案，快速推薦合理有效的臨床路徑方案將對醫(yī)生的臨床診斷具有很大參考價值。現(xiàn)階段主要有基于規(guī)則的推薦方法和基于歷史數(shù)據(jù)的推薦方法。

值得注意的是，在醫(yī)學(xué)領(lǐng)域：①診療過程本身存在層次性，醫(yī)生一般按照先宏觀后微觀的順序為病人制定治療方案，其所依據(jù)的醫(yī)療指南(如國家綜合癌癥治療網(wǎng)絡(luò)(National Comprehensive Cancer Network, NCCN))[4])也具有層次性；②由于個體差異性和疾病的復(fù)雜性，醫(yī)學(xué)本身具有不確定性，醫(yī)生的經(jīng)驗在診療過程中更為重要，只推薦具體的方案會產(chǎn)生過擬合的情況；③醫(yī)療數(shù)據(jù)反映的病人特征有限，很多因素如個人意愿、家庭經(jīng)濟情況等需要醫(yī)生在診療過程中了解，而這些恰為方案制定的關(guān)鍵。依賴歷史病例推薦具體方案會導(dǎo)致推薦的偏向性，相反推薦粗略的方案能為醫(yī)生提供更靈活的參考。因此，智能推薦的方案只作為醫(yī)生的輔助工具，相比為醫(yī)生推薦某個具體方案的準(zhǔn)確性，推薦方案所體現(xiàn)的知識凝練程度、為醫(yī)生提供更全面的決策支持的能力顯得更有意義。

針對上述問題，本文提出一個多層次個性化臨床路徑推薦方法。為了獲取多層次的臨床路徑，首先設(shè)計了過程層次臨床路徑的挖掘模型，利用過程挖掘中的啟發(fā)式網(wǎng)絡(luò)進行初步挖掘，然后運用社區(qū)發(fā)現(xiàn)的Louvain算法對挖掘出的網(wǎng)絡(luò)結(jié)構(gòu)進行社區(qū)劃分，從而挖掘出抽象臨床路徑。為了提升推薦方案的決策支持能力，提出抽象—具體臨床路徑的推薦模型，利用挖掘出的臨床路徑為患者推薦抽象臨床路徑，在此基礎(chǔ)上分階段推薦治療方案，最終形成具體的臨床路徑，為醫(yī)生提供決策支持。本文利用上海交通大學(xué)醫(yī)學(xué)院附屬瑞金醫(yī)院的乳腺癌病例數(shù)據(jù)對模型進行實驗驗證，并對相關(guān)結(jié)果進行進一步討論和分析。

1 相關(guān)工作

臨床路徑挖掘主要分為基于過程的挖掘和基于其他方法的挖掘兩類。因為臨床路徑反映了疾病診療活動的過程，與過程管理的處理對象類似，所以過程挖掘方法最先被用于挖掘臨床路徑。LANGAB等[5]采用過程挖掘的7種算法挖掘臨床路徑，發(fā)現(xiàn)傳統(tǒng)過程挖掘算法的挖掘效果不明顯[6]；DE WEERDT等[7]提出上卷和下鉆兩種方法對數(shù)據(jù)進行處理；LAKSHMANAN等[8]采用頻繁挖掘方法挖掘與醫(yī)療結(jié)果相關(guān)的臨床路徑[9]。實際上，由于醫(yī)療數(shù)據(jù)的復(fù)雜性和非結(jié)構(gòu)化性，過程挖掘方法容易產(chǎn)生復(fù)雜的不易理解的意大利面狀模型，不利于進行精準(zhǔn)高效的路徑推薦。為了提升可解釋性，BLEI等[10]嘗試使用隱狄利克雷分布(Latent Dirichlet Allocation, LDA)主題模型挖掘治療路徑，但忽略了數(shù)據(jù)中的時序特征；XU等[11]提出將過程挖掘與LDA主題模型相結(jié)合；WANG等[12]基于患者病歷，綜合運用機器學(xué)習(xí)算法制定個性化醫(yī)療方案。總之，臨床路徑挖掘主要利用基于日志的過程挖掘方法產(chǎn)生與實際相符的、易于人類理解的工作流模型[13-14]，并在此基礎(chǔ)上進行改進創(chuàng)新，然而現(xiàn)階段鮮有成果能夠被真正納入標(biāo)準(zhǔn)臨床路徑制定中。

臨床路徑推薦大致分為基于規(guī)則的推薦方法和基于歷史數(shù)據(jù)的推薦方法?；谝?guī)則的推薦主要利用知識表示中將規(guī)則符號化的方法[15]，該方法將規(guī)則抽象為邏輯公式，將病人的各種指標(biāo)作為輸入，從而推導(dǎo)出正確的結(jié)果。這里的規(guī)則一般來源于許多醫(yī)療機構(gòu)發(fā)布并使用的權(quán)威醫(yī)學(xué)指南[4]。然而，這些推薦方法有些是粗略的，例如可以根據(jù)病人的情況推導(dǎo)出其需要化療，卻無法推導(dǎo)出需要哪種類型的化療。另外，對于有些特殊的病例，并未匹配治療指南中的某個規(guī)則，如果將這樣的病例作為輸入，系統(tǒng)根本無法得到一個結(jié)果?；诎咐龜?shù)據(jù)的推薦方法的本質(zhì)是對比待推薦病例與病例數(shù)據(jù)庫中的已有知識并做出相應(yīng)的判斷，對這一方法最早的研究出現(xiàn)在20世紀(jì)70年代后期[16]，其基本原理是將海量的歷史案例及相應(yīng)的解決方案構(gòu)成一個知識庫，采用機器學(xué)習(xí)算法，如K最近鄰(K-Nearest Neighbors, KNN)、支持向量機等，在知識庫中搜尋出最相似的幾個歷史案例，根據(jù)這些案例進行進一步?jīng)Q策。不同于基于高度復(fù)雜規(guī)則的醫(yī)療推薦方法和基于簡單統(tǒng)計模型的方法，ZHANG等[17]于2017年提出LEAP(learn to prescribe)算法，該算法將醫(yī)療推薦分解為一系列決策過程來自動確定合適的藥物數(shù)量，同時創(chuàng)新性地將臨床知識納入強化獎勵設(shè)計，以防出現(xiàn)不利的藥物組合。然而，這些方法大多只能為醫(yī)生推薦具體的治療方案，普適性、可參考性不強，且會造成過擬合，對醫(yī)生的決策支持幫助有限。

2 多層次臨床路徑的推薦方法

2.1 方法概述

針對上述臨床路徑挖掘與推薦中存在的層次性不明顯、普適性不強、決策支持能力不夠等問題，本文提出一個多層次臨床路徑推薦方法。如圖1所示，在對每一個患者進行臨床路徑推薦之前，采用過程挖掘和社區(qū)發(fā)現(xiàn)算法挖掘出準(zhǔn)確合理的多層次的抽象臨床路徑(過程層次臨床路徑挖掘模型)，并推薦抽象路徑，在此基礎(chǔ)上利用KNN等算法分階段推薦最優(yōu)方案，形成具體臨床路徑(抽象—具體臨床路徑推薦模型)。相比直接推薦，從抽象到具體的多層次推薦過程既符合人類的認(rèn)知過程，又可以凝練出多層次的醫(yī)學(xué)知識，從而為醫(yī)生提供更全面的參考。

2.2 過程層次臨床路徑的挖掘模型

2.2.1 模型概述

臨床路徑反映了疾病診療活動的開展過程，其本質(zhì)與過程管理的研究對象相似，因此可以將過程挖掘方法運用到臨床路徑挖掘中。通過觀察標(biāo)準(zhǔn)臨床路徑表單可知，一般臨床路徑都具有階段鮮明、層次劃分明確等特點，而過程挖掘一般只能挖掘出較為復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)模型，階段性不明顯，因此在傳統(tǒng)模型基礎(chǔ)上進行改進，以挖掘出具有層次結(jié)構(gòu)的過程模型。

社區(qū)發(fā)現(xiàn)算法指從復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)集中檢測發(fā)現(xiàn)出社區(qū)的算法，其中社區(qū)內(nèi)部節(jié)點之間關(guān)聯(lián)緊密，社區(qū)之間關(guān)聯(lián)性低。如圖2所示，本文通過社區(qū)發(fā)現(xiàn)算法對過程挖掘初步得到的復(fù)雜網(wǎng)絡(luò)進行處理，得到劃分好的社區(qū)，進而挖掘出具有層次結(jié)構(gòu)的過程模型(抽象臨床路徑)。

2.2.2 啟發(fā)式網(wǎng)絡(luò)挖掘

過程挖掘是通過分析過程日志中的數(shù)據(jù)，提取得到過程相關(guān)的信息，從而自動發(fā)現(xiàn)過程模型的技術(shù)。常用的過程挖掘方法，例如基于隱Markov鏈的過程挖掘算法[18]，需要已知原過程模型，再利用過程日志進行改進；基于Petri網(wǎng)模型的α及其改進算法[19-20]通過挖掘活動間的時序關(guān)系得到最終的過程模型；啟發(fā)式網(wǎng)絡(luò)挖掘算法基于啟發(fā)式網(wǎng)絡(luò)的思想，對處理包括大量過程活動和噪聲的日志效果很好[21]。

本文采用的數(shù)據(jù)集來自醫(yī)院的診療日志，其中不可避免地存在噪音數(shù)據(jù)和日志不完整等情況?？紤]到過程挖掘算法的優(yōu)缺點、醫(yī)院診療日志的特征以及研究目的，本文決定采用啟發(fā)式網(wǎng)絡(luò)挖掘算法，并結(jié)合醫(yī)療數(shù)據(jù)特征進行改進。啟發(fā)式網(wǎng)絡(luò)挖掘通過計算活動和序列的頻率及依賴關(guān)系來建立模型，其基本思想是頻繁的路徑更有可能被挖掘，挖掘結(jié)果一般用因果網(wǎng)(Causal Net, C-Net)表示。

啟發(fā)式網(wǎng)絡(luò)挖掘一般分為3個步驟：①建立一個活動依賴頻率表，計算出任意一對活動之間的依賴度；②挖掘表中活動之間的關(guān)聯(lián)，設(shè)定一個閾值，過濾掉小于閾值的活動關(guān)系，構(gòu)造活動依賴圖；③利用啟發(fā)式算法選擇應(yīng)該包含的綁定關(guān)系，從而建立流程模型C-Net。

2.2.3 社區(qū)發(fā)現(xiàn)算法

社區(qū)發(fā)現(xiàn)算法從一張圖中劃分出很多子圖，使子圖內(nèi)各節(jié)點的關(guān)系盡可能大，子圖之間的關(guān)聯(lián)盡可能小，這些子圖稱為社區(qū)。Louvain算法是一種層次貪心發(fā)現(xiàn)算法，與其他算法相比，具有速度快、檢測全面、能夠發(fā)現(xiàn)層次性的社區(qū)結(jié)構(gòu)等優(yōu)點。相關(guān)實驗表明[22]，對于擁有1.18億個節(jié)點的復(fù)雜網(wǎng)絡(luò)，Louvain算法的探測時間僅需152 min。

定義1模塊度。模塊度Q是度量一個社區(qū)網(wǎng)絡(luò)劃分效果的指標(biāo)，定義為

(1)

定義2模塊度增益。模塊度增益ΔQ是判斷能否將一個節(jié)點合并到新社區(qū)中的指標(biāo)。將節(jié)點i加入節(jié)點j所在社區(qū)C的模塊度增益

(2)

(1)階段A(劃分社區(qū))

步驟1將圖中每個節(jié)點初始化為一個小的社區(qū)。

步驟2對于每個節(jié)點i，依次嘗試將其加入鄰居節(jié)點所在的社區(qū)，計算加入前后的模塊度增益ΔQ，記錄ΔQ最大的節(jié)點所在的社區(qū)編號，如果最大值大于0，則將節(jié)點i加入鄰居節(jié)點所在的社區(qū)，否則節(jié)點i仍保留在原社區(qū)。

步驟3重復(fù)步驟1和步驟2，直到所有節(jié)點不再發(fā)生移動。

(2)階段B(壓縮節(jié)點)

步驟4對圖進行壓縮，將同一社區(qū)內(nèi)的節(jié)點作為一個新節(jié)點，新節(jié)點之間的邊權(quán)重即為原社區(qū)之間的權(quán)重。

步驟5重復(fù)階段A和階段B，直到整個社區(qū)的模塊度Q不再變化。

2.3 抽象—具體臨床路徑的推薦模型

2.3.1 基于案例的臨床路徑推薦

(1)問題描述與特征提取

假設(shè)數(shù)據(jù)集D中共有N個案例(案例由患者屬性及其治療方案構(gòu)成)，則第k個案例可表示為

Dk=x(k),y(k)。

(3)

式中：特征向量x=(x1,x2,…,xd)T表示患者的各個屬性值;y(k)表示案例Dk的分類，對應(yīng)某個治療方案，取自于一個由c個分類構(gòu)成的集合C。需要解決的問題是，對于一個具有特征向量x的新患者，利用數(shù)據(jù)集D為樣本x預(yù)測新的分類。

首先將患者的各項屬性轉(zhuǎn)換為數(shù)值形式的特征向量x。本文數(shù)據(jù)集患者的屬性信息有些用文字記錄，而且并非所有數(shù)字型特征都應(yīng)納入特征向量，有些屬性(如身高、肺活量)在治療乳腺癌疾病時并沒有多大的參考價值。在考慮是否納入病人屬性時應(yīng)遵循如下兩個原則：①根據(jù)相關(guān)醫(yī)療手冊選擇；②根據(jù)領(lǐng)域?qū)＜乙庖娺x擇最重要的屬性。

離散數(shù)值的屬性可以直接納入特征向量，連續(xù)數(shù)值的屬性要進行離散化處理后再納入，這樣做的意義是放寬了該屬性的靈敏度，便于進行相似程度計算。對于多選型屬性，可將其對應(yīng)的one-hot編碼轉(zhuǎn)化為十進制數(shù)進行存儲。在對相關(guān)數(shù)據(jù)進行特征篩選等預(yù)處理后，最終有12種屬性被納入特征向量，表示為x=(x1,x2,…,x12)T。

(4)

式中ωk為第k個屬性的權(quán)重。

(5)

在使用式(4)前必須確定屬性的權(quán)重ωk，最簡單的方法是根據(jù)醫(yī)療經(jīng)驗手動分配權(quán)重，例如可以為醫(yī)療指南中出現(xiàn)的屬性權(quán)重設(shè)置更大的值，然而以這種方式精確分配權(quán)重值非常困難。因此，本文利用遺傳算法(Genetic Algorithm, GA)從數(shù)據(jù)集中學(xué)習(xí)到一組最優(yōu)化的權(quán)重。

采用二進制編碼，根據(jù)分類錯誤率定義適應(yīng)度函數(shù)(目標(biāo)函數(shù))

(6)

式中：#Misclassification為在top-N推薦列表中未命中的樣本數(shù)；#samples為訓(xùn)練樣本的數(shù)目。遺傳算法的目的是通過多次迭代搜索最佳權(quán)重，以最小化適應(yīng)度函數(shù)值，從而提高推薦的準(zhǔn)確率。

對于一個待預(yù)測的樣本x，根據(jù)上述相似度度量方法，結(jié)合式(4)和式(5)，可以從訓(xùn)練集中找出最相似的k個樣本，下面基于這k個樣本推薦類別。最簡單的方法是少數(shù)服從多數(shù)的投票原則，但對于臨床路徑的推薦問題，這種方法比較粗糙，病人之間的屬性相似度應(yīng)該扮演更重要的角色，即相似度越高，該訓(xùn)練樣本對推薦的決策影響越大，反之越小。

因此對于一個待預(yù)測的樣本，將前k個相似樣本與預(yù)測樣本的相似度作為相似樣本所屬類別的權(quán)重。如式(7)所示，對于分類集合中的每個類別yC，將k個相似樣本中類別也為yC的樣本類別權(quán)重相加，最終值最大的類別作為待預(yù)測樣本的預(yù)測類別。

2組原發(fā)性高血壓患者均以4周作為一個治療療程,連續(xù)實施2個療程的治療,在治療的過程中,每天對其血壓水平進行監(jiān)測,并記錄其癥狀改善情況。

(7)

(8)

2.3.2 抽象—具體臨床路徑的推薦模型

上述方法直接根據(jù)病人的屬性特征為醫(yī)生推薦具體的臨床路徑，然而由于醫(yī)學(xué)本身的不確定性和治療方案的動態(tài)更新，可能導(dǎo)致對歷史數(shù)據(jù)過擬合，同時考慮到醫(yī)生在現(xiàn)實診療過程中，會根據(jù)病人的各項身體指標(biāo)先給出一個概括性的治療方案，再結(jié)合具體治療情況細(xì)化每一個階段的治療方法，即診療過程具有層次性，本文結(jié)合2.2節(jié)挖掘出的抽象臨床路徑，提出一個抽象—具體(abstract-concrete)臨床路徑的推薦模型。

如圖3所示，首先為每一位患者推薦抽象臨床路徑，在宏觀層面上為醫(yī)生提供決策參考，然后在抽象路徑的基礎(chǔ)上分階段運用KNN、決策樹等算法推薦相應(yīng)的最優(yōu)方案，最終得到具體的臨床路徑。從宏觀到微觀的推薦過程，既可以為醫(yī)生提供多層次多角度的決策支持，又可以避免過擬合問題，從而提升臨床路徑的普適性。

3 實驗驗證及結(jié)果分析

3.1 數(shù)據(jù)集介紹

本文實驗數(shù)據(jù)集(簡稱RJ2021)來源于上海交通大學(xué)醫(yī)學(xué)院附屬瑞金醫(yī)院乳腺中心，中心牽頭聯(lián)合國內(nèi)多家醫(yī)院共同參與，致力于為乳腺疾病預(yù)防、診斷、治療和研究提供服務(wù)和數(shù)據(jù)。。

RJ2021目前已有10 000個左右病例，詳細(xì)記錄了所有病人檢查、問診、治療的相關(guān)信息，包括病人的基本信息、臨床及病理信息、治療類型、治療方案、療效信息等。實驗采用的患者病例信息主要分為患者屬性和治療方案兩類。

(1)患者屬性 主要由患者的基本信息和臨床及病理信息構(gòu)成，在臨床記錄或檢查沒有紕漏的前提下，這部分信息客觀且不受外界因素干擾，可以有效幫助醫(yī)生對病人情況做出判斷、對疾病做出診斷、對治療方案做出選擇。

(2)治療方案 是在治療類型的基礎(chǔ)上，醫(yī)生根據(jù)患者的不同情況制定的最佳治療方法。治療類型有化療CT、放療RT、靶向治療TT、內(nèi)分泌治療ET 4種。對于每一種治療類型，都包含了一個具體的治療方案集合，表1所示為化療和放療的每種治療方案及其編號。醫(yī)生僅需根據(jù)患者的屬性信息為其選擇最合適的治療方案，不會改變相應(yīng)類型治療方案的詳細(xì)計劃。利用這一特點，患者臨床路徑的推薦就可以被當(dāng)作一個多分類問題，這為本文需要解決的推薦問題提供了極大的便利。

表1 治療方案

3.2 臨床路徑的挖掘

由前文對RJ2021數(shù)據(jù)集的介紹可知，每位患者的病例信息中包含了所采用4種治療類型中的具體治療方案，表2所示為部分病人所采用的具體治療方案，基于這些數(shù)據(jù)，利用過程層次臨床路徑的挖掘模型進行實驗。首先采用啟發(fā)式挖掘算法挖掘出如圖4所示的C-Net，其中數(shù)字為每種治療類型中的方案編號；然后采用Louvain算法劃分階段，處理后的結(jié)果如圖5所示。

表2 部分病人采用的治療方案

圖5中，a，b，c，d分別表示治療路徑的4個階段CT，RT，ET，TT?？梢?，乳腺癌疾病存在多種治療路徑，例如[a,b,c,d]對應(yīng)CT+RT+ET+TT，[a,c,d]對應(yīng)CT +ET+TT，[a]表示只采用CT。這些路徑并未考慮具體的治療方案，而是按治療類型分階段表示。將挖掘出的路徑命名為抽象臨床路徑，其為臨床路徑推薦的基礎(chǔ)。上述實驗結(jié)果表明過程層次臨床路徑的挖掘模型可以從復(fù)雜日志數(shù)據(jù)中挖掘出具有層次結(jié)構(gòu)的過程模型。

3.3 臨床路徑的推薦

為了測試基于案例的推薦方法的預(yù)測效果，將數(shù)據(jù)集按一定比例隨機劃分為訓(xùn)練集和測試集，并用KNN算法比較不同K值下對不同治療階段進行推薦的效果，因為每個治療階段均可抽象為多分類問題，所以評價指標(biāo)選取準(zhǔn)確率Accuracy、宏平均Macro-F1和微平均Micro-F1，實驗結(jié)果如表3所示。

表3 基于案例的KNN推薦算法性能

表中KNN3，KNN4，KNN5分別表示K=3，4，5時的結(jié)果，F(xiàn)ourT是將CT，RT，ET，TT 4個階段的推薦結(jié)果組合之后得到的治療路徑，D-KNN為直接對病人的臨床路徑推薦得到的結(jié)果。

從實驗結(jié)果可見，在每個治療階段，KNN算法推薦的準(zhǔn)確率均在70%以上，甚至達到90%，且K值的變化對結(jié)果影響不大，分析原因可能是相似的患者比較集中，其采用的治療方案差別不大。但將每個階段的結(jié)果簡單組合后得到的FourT路徑效果顯然比對臨床路徑直接推薦差，說明臨床路徑的各階段之間可能存在某種關(guān)聯(lián)，從流程的角度推薦路徑應(yīng)該更加合理。因此繼續(xù)對抽象—具體臨床路徑的推薦模型進行實驗。

如3.2節(jié)所述，本文利用過程層次臨床路徑的挖掘算法挖掘出16條抽象路徑(如表4)，按照二進制編碼為其標(biāo)號0，1，2，…，15。

表4 抽象臨床路徑編碼表

基于表4中的16條抽象臨床路徑，采用KNN和決策樹多分類算法(Classification and Regression Tree, CART)首先推薦了抽象層面的臨床路徑，結(jié)果如表5所示，抽象臨床路徑的推薦準(zhǔn)確率達85%以上。在此基礎(chǔ)上分階段推薦相應(yīng)的最優(yōu)方案，最終得到具體的臨床路徑。將這一模型的結(jié)果與直接對病人臨床路徑推薦的結(jié)果進行對比，結(jié)果如圖6所示。

表5 抽象臨床路徑的推薦結(jié)果

圖6中，AC_KNN和AC_CART是利用抽象—具體模型，分別應(yīng)用KNN和CART算法形成的方法；D-KNN和D_CART則為直接推薦的方法。從結(jié)果可見，無論抽象—具體模型還是直接推薦，決策樹算法的推薦準(zhǔn)確率均可達80%左右，優(yōu)于KNN方法。醫(yī)學(xué)診斷過程中，存在根據(jù)某種指標(biāo)高低選擇治療方案的現(xiàn)象，這種規(guī)則化的判定方法與決策樹算法的思想較為相似，且與實驗結(jié)果相符，但并不能說明KNN算法是無用的，因為KNN算法最大的優(yōu)點是具有可解釋性，尤其在醫(yī)學(xué)領(lǐng)域，相似病例是醫(yī)生重要的參考。

由圖6可見，KNN算法和CART算法直接推薦的3個指標(biāo)均優(yōu)于抽象—具體模型，對這一問題繼續(xù)進行探討。

在制定患者治療方案過程中，雖然會有多學(xué)科團隊共同參與討論，并通過投票的方式給出自己的意見，但是最終的治療方案往往由主治醫(yī)生決定。這一決策過程可能在某種程度上存在偏差，即最終決策方案可能并不是單純從醫(yī)學(xué)角度考慮得到的最佳方案，因為主治醫(yī)生可能會綜合病人實時的身體情況、病人自身意愿、家庭經(jīng)濟情況等各方面因素，做出最終決策。由此表明，如果實驗的Groundtruth集僅由最終決策方案決定，則會產(chǎn)生一定誤差。因此將Groundtruth集修改為多學(xué)科團隊投票的前3名方案，重新進行實驗，這里選用KNN算法為代表，結(jié)果如表6所示。

表6 不同Groundtruth集的推薦效果對比

表中方案第1個前綴A表示Groundtruth集為最終決策方案，前綴B表示Groundtruth集為醫(yī)生投票方案的前3名?？梢?，雖然D_KNN方法的效果仍優(yōu)于AC_KNN，但是B_AC_KNN和B_D_KNN的準(zhǔn)確率差值明顯小于A_AC_KNN和A_D_KNN，說明在醫(yī)學(xué)領(lǐng)域沒有絕對正確的治療方案，或者說制定治療方案需要考慮很多因素。

因此，抽象—具體臨床路徑的推薦模型無論在有效性還是實際應(yīng)用上均具有一定意義，尤其在決策支持方面，相比直接推薦，其從整體到具體的推薦過程凝練出多層次的知識，為醫(yī)生提供了多角度的參考信息，有利于醫(yī)生制定出更符合病人實際情況的個性化臨床路徑。另外，給模型十分貼近人類的認(rèn)知決策過程——先宏觀后微觀，宏觀層面的抽象路徑可以讓醫(yī)生對病人需要接受的療程數(shù)以及療程先后順序心中有數(shù)，微觀層面可以進一步對方案進行微調(diào)。

4 結(jié)束語

本文對個性化臨床路徑的推薦方法進行研究。首先設(shè)計了一個基于啟發(fā)式網(wǎng)絡(luò)挖掘和社區(qū)發(fā)現(xiàn)算法的過程層次臨床路徑的挖掘模型，然后模擬醫(yī)生診療過程，提出并實現(xiàn)了抽象—具體臨床路徑的推薦模型，在推薦抽象臨床路徑的基礎(chǔ)上分階段推薦具體的治療路徑。最后通過真實場景下的數(shù)據(jù)實驗表明，該方法無論在有效性還是為醫(yī)生提供決策支持的能力上均具有一定意義。

對于臨床路徑的推薦過程，本文已經(jīng)分析出每個階段活動之間可能存在某種關(guān)聯(lián)，未來將從該角度入手引入聯(lián)合概率等參數(shù)，進一步優(yōu)化抽象—具體臨床路徑推薦模型，以提高推薦的各項性能。