人工智能技术在医疗耗材分类中的应用研究

谢海源，钱明理，李劲松

上海交通大学医学院附属新华医院，上海市，200092

人工智能技术在医疗耗材分类中的应用研究

【作 者】谢海源，钱明理，李劲松

上海交通大学医学院附属新华医院，上海市，200092

建立非收费医疗耗材的规范分类和耗材使用数据库，是实现对不同医院使用的非收费医疗材料进行统一归类和管理基础。采用人工智能的方法进行分类和数据库的建立是一种客观的、高效的方法，分类准确性也较好。

医疗耗材；人工智能；模糊数学；专家系统

医疗耗材因其品种多，分类复杂，更新快，一直是医院资产管理上的一个难点。对医疗耗材建立数据库，并对其进行分类管理是目前一种通常的做法，这样能够较快的提高工作效率。针对收费医疗耗材，上海市的医保局和物价局已先行一步，从各自的角度出发，建立了相关的分类和附带编码的耗材数据库。

然而对于非收费的医疗耗材，至今还没有一个较为规范的分类和耗材数据库。这些非收费的医疗耗材一般价格比较低廉，如纱布，棉球、普通敷料、医用高分子材料等，但这些非收费医疗耗材往往使用面很广，实际使用量相当大。作为各医院的直接成本支出，有效的管理这些非收费的医疗耗材，对“双控双降”工作的意义不言而喻。

管理好这些非收费医疗耗材，首要问题是对其建立较为规范的分类和耗材信息数据库。本文从管理的要求出发，结合工程技术，探讨建立分类和耗材信息数据库的方法。

1 非收费医疗耗材的分类

医疗耗材属于医疗器械的范畴，我国医疗器械管理的权威部门是国家食品药品监督管理局(CFDA)。CFDA对我国的医疗器械进行分类管理，其中包含了医疗耗材部分。根据最新版的医疗器械分类目录[1]，CFDA对医疗耗材的分类已经较为完善，可以拿来参考，但还需要改进两个问题。(1) CFDA不负责医疗耗材的收费，也就是说其分类不分收费与非收费医疗耗材。(2) 分类下的品名举例不具有完备性，在建立数据库时需要扩充和改进。例如，医用电子仪器设备下的无创医用传感器（6821-03.2）分类没有品名举例，在实际工作中，一次性氧饱和度传感器属于该类，且可以收费；重复使用氧饱和度传感器、心电导联线、血压袖带也属于该类，但都不可收费。

2 非收费医疗耗材和其类别的表示

非收费医疗耗材的分类和信息数据库的建立基于计算机管理。根据上海市多家三级医院调研的情况，医疗耗材的管理具有一些共性的特点。(1) 医疗耗材的基本信息都以结构化的形式保存于计算机系统中。(2) 一种医疗耗材一般包含：医疗耗材名称、规格型号、编号、进价、生产厂家信息、代理商信息、医疗器械注册信息等基本信息。正因为以上两个特点，采用人工智能技术对不同医院非收费医疗耗材的信息进行收集整理成为了可能。

采用人工智能技术，首先是对非收费的医疗耗材进行规范化的知识表示。知识的表示有多种方法，如语义网络表示法、状态空间表示法、与或图表示法等，这里较为适合的方法是框架表示法[2]。框架是一种描述所论对象（一个事物、时间或概念）属性的数据结构。一个框架表示为Frame={name, slaf, face, value}四部分。

非收费医疗耗材的类别是指由若干具有相同特性的耗材组成的集合。医疗耗材保存的信息为文本信息，而非公式或其他形式。可以采用向量空间模法[3]作为医疗耗材类的表示方法。同时可以为每个类设置一个特征样本集，一方面是计算机知识学习和更新的需要，另一方面可形成非收费医疗耗材使用的基本信息数据库。

不同医院对非收费医疗耗材信息维护的完整程度不同，也就是说一个frame中对知识描述并不具有完备性，应该允许某些slof或face不参与分类。另外，不同的slof或face在分类中的相关程度也是不同的，可以引入模糊理论[4]的概念，对每一个slof或face设置隶属度函数μ。隶属度用来表示集合中的某一个元素X隶属于集合A的程度。在论域U，U到[0, 1]闭区间的任一映射μA表示为：

μ值越大，隶属度越高。总体来说，一个医疗耗材类别A采用向量表示法可表示为：

隶属度函数μA(xi)的确定是运用模糊集合理论解决实际问题的基础。隶属度函数确定一般根据经验或统计来选取初步的隶属度函数，再通过学习和矫正将其逐步完善。在这里，μA(xi)可表示为：

其中，pi为每slof或face在类别A中所代表的重要程度，范围为[0, 1]，且pi的取值需要根据经验进行设置；Ti为特征值向量。设一列特征向量表示为Ti(Wi1, Wi2, ...Wij... Wim)，根据特征词出现的频率确定特征词向量值。计算：

其中，W(ij)为特征词Ti在类别Ai中的权重，tf (Ti, Ai)为Ti在类别Ai中出现的频率，分母为归一化因子。W(ij)可根据每一次分类行为进行调整，逐步优化。将式(4)和式(3)代入式(2)即得到每次调整后的类A的向量表示。

3 推理方法

模糊模式识别中的个体模式识别，采用择近原则[4]：定义贴近σ度是两个集合间的模糊关系，若有n个模式A(1), A(2), ..., A(n), 对待识别（分类）的对象X，若：

则X与A(i)最贴近，因此X属于A(i)类。以这种模式识别方法为基础，采用k邻近法（kNN）[6]形成决策过程，见图1。

(1) 根据医疗器械注册证编号进行预分类，目的是提高分类效率，避免遍历全部样本库。医疗器械注册证的第二和第三位代表了医疗耗材在医疗器械标准体系中的分类[5]。如××药监械(准)字2011第164××××号注册证，可预分类为医用卫生材料及敷料（6864），管理级别为1级。另外预分类有类似负样本库的作用，可以防止概念的外延。

整合资源，构建云平台。智慧云平台彻底解决各地融媒体建设中资金不足、技术缺乏、安全性差等一系列问题，变区域传播为全域传播，极大提升地方传播力、影响力、引导力。

(2) 采用串行查找法遍历所有的预分类下样本集合，找到与X最贴近的个样本，按贴近度σ从高到低依次记为σ1, σ2, ..., σk。根据这k个最近邻居的特性来完成决策过程。

判断的条件包括：

① σ (X, A(i))是否大于某个阈值θ;

② 如果有σ (X, A(1))＞σ (X, A(2))＞...＞σ (X, A(k))＞θ，是否这个样本都是属于同一个类别。

条件①是为了保证需要分类的医疗耗材与样本之间有足够的贴近度，条件②是为了保证分类没有歧义。当以上两个条件均满足时，将当前医疗耗材X归为类A，否则归类失败，计算机进入学习模式，对知识库进行更新。

图1 推理过程Fig.1 Inference process

4 知识的学习与更新

计算机和人脑一样，需要通过机器学习来积累知识，提高推理能力。学习有两种方式，初始化学习和增量学习。

有了初始化的学习是不够的，初始化学习的知识有限，完备性不足，容易出现分类失败的情况。所以计算机为了提高推理能力，必须进行增量学习。增量学习的信息来自其他医院的非收费医疗耗材数据库。如前所述，当推理失败时，计算机可进入学习模式。在学习模式中，进行手工分类，将分类失败的耗材归类，或者建立新的分类，当分类有歧义时，还可以对分类进行调整，纠正初始化学习时的错误。

5 专家系统的设计

专家系统[7]是一种模拟人类专家解决领域问题的计算机程序系统。他能利用特定领域的专门知识和经验，通过推理和判断来模拟人类专家才能解决的各种复杂的、具体的问题。专家系统有专门的开发软件，如OPS5、AGE、PROLOG等，这些语言开发功能强大，但是通用性较差。医院对医疗耗材的管理都是基于数据库开发的，专家系统可以说是医疗耗材管理系统中的一个较为特殊的功能模块，合理的方法是将其设计成一个类(Class)，通过调用类中的方法或函数实现专家系统的推理过程（见图2）。

不论采用何种语言实现，专家系统应具有：(1)知识库，其主要功能是存储管理系统中的知识，在医疗耗材的分类中，可以认为是具有规范形式的样本集合的数据库；(2) 推理机，这是专家系统的思维结构，通过程序实现推理过程和控制策略；(3) 综合数据库，也称为黑板，用于存放推理过程中产生的中间结果；(4) 人机接口；(5) 解释机构，向用户解释推理的过程，体现系统推理的透明度。

图2 专家系统结构Fig.2 Expert system structure

专家系统是一个复杂的程序系统，设计的知识表示模式及推理机不一定完全符合领域内问题的实际情况，需要一边建立、一边验证、一边修正，必须采用渐增式的开发策略，即先建立一个专家系统模型，然后对系统进行各种试验，在取得经验的基础上，在逐步形成比较完备的专家系统。

6 测试分析

由于各医院的管理模式不同，管理人员的知识能力也存在差别，所以当采用人工方法对非收费医疗耗材进行分类时，主观性强，不是所有的医疗耗材均能准确的归纳分类，容易产生歧义。另外，有些医疗耗材在数据库系统中信息维护的完整性不高，部分编码信息所包含的内容也不能立即被人为识别，造成分类难度高，效率低。

采用智能分类方法对无创医用传感器类、敷料及护创材料类和导管及引流管类进行测试。测试情况如表1所示。

表1 测试结果Tab.1 Test results

表1中，导管及引流管类的准确率稍低一些，原因是除导管及引流管类之外还存在气体插管、肠道插管类，影响了准确性，所以对该类还需要做进一步调整。智能分类方法，引入了计算机进行推理归类，虽不能保证百分之百正确，但客观性强、分类效率大大提高。特别是对医疗器械分类举例中未涉及的，医疗耗材名称和用途表述含糊不清的一些医疗耗材，分类能力较强 ，这也是智能分类的一个特点。

[1] CFDA. 医疗器械分类标准目录[EB/OL]. [2012-07-16]. http:// www.cfda.gov.cn/.

[2] 修春波.人工智能原理[M]. 北京：机械工业出版社，2011.

[3] 胡学钢, 董学春, 谢飞. 基于词向量空间模型的中文文本分类方法[J].合肥工业大学学报, 2007, 30(10): 1261-1264.

[4] 谢季坚, 刘承平. 模糊数学方法及其应用[M]. 武汉: 华中科技大学出版社, 2005.

[5] 张学龙. 医疗器械概论[M]. 北京: 人民卫生出版社, 2011.

[6] 朱斌, 熊应, 朱海云. 人工智能在电子邮件分类中的应用[J].华南理工大学学报, 2001, 29(12): 53-55.

[7] 尹朝庆. 人工智能与专家系统[M]. 北京: 中国水利水电出版社，2009.

The Application of Al in Medical Consumable Classifer

【Writers】Xie Haiyuan, Qian Minli, Li Jinsong
Xinhua hospital affliated to Shanghai Jiaotong University School of medicine, Shanghai, 200092

medical consumable, AI, fussy mathematics, ES

R319

A

10.3969/j.issn.1671-7104.2014.05.021

1671-7104(2014)05-0386-03

2014-02-10

谢海源，E-mail: shsmuxie@163.com

李劲松，E-mail: jinsongli@xinhuamed.com

【 Abstract 】Establish normal classifer of non-charge medical consumable and database of medical consumable inuse, is the basis of uniform classifcation and management of non-charge medical materials used in different hospital. It’s an objective and effective method to classify by AI and set up the database, and has better classifcation accuracy.