基于模糊聚类和关联分析的临床路径优化决策分析*

钱文丽， 王 黎

(阜外华中心血管病医院医务部病案室，郑州 450003)

近年来，随着我国生活水平的不断提高和国民老龄化进程的加剧，人民群众对医疗服务的需求量越来越大，对医疗质量的要求也越来越高。各国政府、医疗机构以及医疗保险机构也在致力于医疗服务提质增效的持续改进，实现医疗资源的最大化利用、尽可能在不影响医疗质量的前提下降低医疗费用[1-2]。临床路径是一种标准化的治疗模式，可以规范医疗行为，降低医疗成本，减少变异，提高医疗质量，被大多数医院管理部门广泛应用，同时也在探索建立临床决策支持体系，从而使患者得到最规范、最有效、最适合地治疗[3-4]。因为不同疾病进展复杂多变，个体因素也是因人而异，对临床决策和治疗方案选择造成了很大的影响。本课题利用模糊聚类和关联规则分析的方法通过综合分析医疗数据，为临床路径制定和选择提供决策支持。

1 研究背景及目的

1.1 研究背景 自2009—2019年，国家卫健委先后发布了1 212个病种的临床路径表单[5]供各级卫生健康行政部门和各级各类医疗机构参考使用，在具体区域内医疗机构使用时需要因地制宜地调整。各医院通常参考国家标准组织本院专家制定“符合本院情况”的临床路径表单。一个病种对应一个临床路径表单，而同一种疾病在不同人身上会有不同的表现和诊疗方案，医生一般会根据患者的症状体征、检查结果、化验结果为同一个病种制定不同的诊疗方案。这是一个复杂的决策机制，通常制定每个病种的临床路径表单时专家们很难考虑到所有问题，导致各医疗机构临床路径实施的质量参差不齐。这也是临床路径至今未在临床上广泛应用的主要原因之一。

根据数字化医院、智慧医院的建设要求，纸质临床路径已不能满足医疗信息化的要求，为了最大限度地发挥临床路径对临床实践的作用，临床路径的电子化势在必行[6]。医院信息系统中嵌入智能化的临床路径决策支持系统也是未来的发展趋势。有研究[7]表明，数据挖掘技术应用于临床路径决策机制中，形成智能化和知识化的临床路径决策支持系统，优化了决策结果，提高临床路径诊疗方案的客观性和科学性。挖掘数据可应用聚类分析的方法，此方法在近几年已经被应用于各个领域，在医疗行业中该方法也得到了应用。对于聚类分析可以用于临床路径管理的论点，有不少学者对此进行了研究，学者基于均衡分配的方法提出模糊聚类算法，并将该方法应用于临床路径的管理中，取得了不错的成绩。确定临床路径核心诊疗方案要结合患者的临床检查和前期的诊断来进行分配，模糊聚类分析可以对临床路径病症标准、医疗数据等进行分析，可以加快聚类速度、提升聚类质量[8]。关联规则分析具有强大的挖掘能力，可以将大量数据项之间的相关性找出来，并且找出潜在关联以及未知的不同模式，用关联规则的方式表达出来。使用关联分析的方法对采集到的医疗数据，如症状、体征、检验结果进行分析，对关键节点的数据进行深度挖掘[7]。

1.2 研究目的 本研究基于医院电子病历平台，纳入标准是适合临床路径管理的病种，诊断依据是临床诊疗指南或专家诊断，研究目的是在患者不同治疗方案中选择最优的。

2 对象与方法

2.1 对象 临床路径管理对象主要是住院患者，大部分患者在办理住院时疾病已经确诊，系统将根据确诊疾病和患者个体特征判断是否进入临床路径。本实验算法于2021年4月—2021年6月在医院某冠心病病区医生工作站试运行。选取某冠心病病区收治的急性心肌梗死病种在实验实施前(2021年1月-3月149例患者)和实验后(2021年4月-6月164例患者)的相关指标进行比较分析。实验前和实验后数据的对比分析从医疗质量管理的角度出发，主要选取了临床路径管理和单病种管理2个维度。临床路径管理的评价指标有：临床路径的入径率、变异率和完成率。单病种管理的评价指标有：病种的平均住院日和平均住院费用。

2.2 方法 有研究[9]证明，K-means聚类算法加快了医疗数据的聚类速度、提升了聚类质量。本实验采用的是K-means聚类分析。由于K-means聚类对噪声和离群点比较敏感，删除存在缺失值的数据样本；对离群值进行二次核对，查找原因，只保留为真实数据的离群值。K-means聚类对数据类型要求较高，适合数值型的数据，预入选病种分型指标有些属于分类变量，本研究对分类变量进行数值化。变量的共线性对K-means聚类结果影响也较大，选取指标难免存在共线性问题，本研究采用主成分分析来消除共线性。临床路径表单中的核心内容是医嘱项，而医嘱项在电子病历中属于半结构化的内容，较容易被数据挖掘算法识别和处理。本实验用关联分析算法处理相同病种相同分型治疗方案中的核心内容——医嘱项，找出理想的医嘱项集，即形成临床路径表单中的重点医嘱项，本研究称其为临床路径优化核心诊疗方案。

本研究采用的为比较经典的关联规则Apriori算法：①将整合后的每个类别的医嘱项理解为分类变量，并将这些分类变量数值化，将医嘱项转化为数据处理平台可识别的形式。②从医嘱项集合中找出所有的高频项目组，在这个阶段需要设定最小支持度。③由这些高频项目组中产生关联规则。在这个阶段需要设定最小置信度。④为了找出理想的医嘱项集合，需根据情况调整最小支持度和最小置信度，输出关联分析结果，即具有强关联规则的医嘱项集。⑤对具有强关联规则的医嘱项集进行分析，根据分析结果再次调整参数设置，直至找到最具普适性的医嘱项集为止。

2.3 病种分型 根据患者的症状体征、临床表现、检查、化验结果、有无基础疾病、合并症、并发症等将急性心肌梗死患者利用算法聚类分型。为了保证入选分型指标更加科学合理，根据《心血管内科疾病诊疗指南》[10]和国家卫生健康委2020年1月发布的《急性ST段抬高心肌梗死临床路径(2019版)》临床路径管理表单来确定分型指标[11]。我们按照以上方法选择了以下分型指标：心电图结果、肌钙蛋白、超敏肌钙蛋白T、肌酸激酶、肌酸激酶同工酶、乳酸脱氢酶、α-羟丁酸脱氢酶、天门冬氨酸氨基转移酶、发作到就诊时间、呼吸、心率、血压、意识。相同病种相同分型患者的治疗方案相同，相同病种不同分型患者的治疗方案不同，即治疗方案的类型是聚类分析的因变量。

2.4 形成诊疗方案 从相同病种相同分型的病例数据中寻找共同的治疗手段，形成该病种该分型的临床路径诊疗方案。治疗方案相同与不同，是相对而言，没有两个相同的治疗方案，从不同的治疗方案中也能找到相同的地方，此为为什么要制定临床路径标准又要允许合理变异存在的原因。

3 结果

表1 实验前后急性心肌梗死病种临床路径和单病种管理相关指标比较

4 存在问题

医疗行业的数据挖掘需要计算机专业和医学专业的相关人员共同完成，模糊聚类的分析方法在我国正处于发展初期，还存在诸多问题。例如数据指标缺乏一定的专业性、严谨性；在数据收集的过程中没有大量专业医学人员参加；结果没有在临床实践中得到有效的评价。故未来还需要不断地探索和发展。我国现阶段进行的医保付费制度改革——按病种分值付费法(DIP)结算医保费用，在一定程度上抑制按项目付费过程中，医疗费用增长过快的问题，但DIP对医疗质量管理提出了更高的要求。医保付费制度改革倒逼医疗机构尽快利用智能化的临床路径管理系统按病种有效地改进诊疗过程，在保证医疗质量的同时降低医疗费用，缩短住院时间，在这个过程中也出现了一系列的问题，主要问题如下：①对于某一种疾病而言，不同的患者因为一定的个体差异、疾病的严重程度、身体素质等因素会出现不同的诊治流程，这种单一的临床路径并不能满足此类患者的治疗需求[12]。②临床上当患者被执行某一病种后，如果患者的病情出现了不适合临床路径标准的治疗程序时，就需要退出这种临床路径治疗或者要求医生调整临床路径，重新制定新的临床路径治疗方案。如此反复不仅增加医生的工作量和负担，同时增加患者的经济负担，给患者的心理带来一定的影响，导致医生和患者均不愿意更改临床路径治疗。③医学专业和计算机专业都属于专业性较强的领域，数据挖掘技术在医学领域的应用需要医学相关专业和计算机相关专业人士的深度参与。国内现有文献报道可以看出，聚类分析和关联分析在临床路径方案制定中的应用研究刚刚起步，还有许多问题有待进一步探讨，例如：初期数据指标提取缺乏有效严谨的专业论证；数据分析过程缺乏医学相关专业人士的深度参与；研究的结果未在实际应用中进行有效评价等[13]。

5 讨论

基于数据挖掘技术优化临床路径管理达到应用成熟后，规范化科学的治疗方式可规范医疗行为，提高诊疗水平与质量，提升医疗同质化水平，同时防范医护人员片面追求降低诊疗费用而忽视医疗安全情况，保障医疗质量与安全，提高医疗服务效率，有效提升临床工作效益和医院经济效益。形成的临床路径智能化运行模式及管理经验，对其他未开展此项工作的医院具有一定的借鉴价值。本实验是对临床路径管理系统智能化的一次尝试，在实验过程中，发现一些不足以及未来的研究方向：首先，对于治疗过程中出现变异的患者，系统可在关键节点智能化推送合适的治疗方案供医生选择，使尽可能多的患者能够在整个诊疗过程都接受临床路径的规范化管理，提高临床路径完成率。其次，逐渐建立智能化临床路径管理系统的评价体系，本实验仅从系统应用即医疗质量管理的角度对改进后的系统进行了评价，是否应该从算法优化的角度进行进一步的评价，期待更多同行参与讨论。最后，临床路径管理系统的持续改进非常重要，没有永远完美的系统和方法，在使用过程中需要不断调整更新，使其更加满足临床诊疗和医疗管理的需要。