CN105893766B - 基于数据挖掘的分级诊疗评估方法 - Google Patents

Abstract

本发明公开了一种基于数据挖掘的分级诊疗评估方法。该方法从病案中提取患者基本信息和诊疗信息，并与病种信息、医疗机构信息关联，先对数据清洗和填补缺失值，划分不同流向的患者；再利用此数据，计算分级诊疗监测指标；通过GainRatioAttributeEva特征选择算法和RIPPER分类算法，刻画不同患者就诊行为及特征。本发明通过质化指标和量化指标对分级诊疗进行评估，克服了当前分级诊疗评估方法中只有量化指标、指标需要层层上报、上报过程中存在错报乱报、缺乏追踪指标背后原因的缺陷，并利用数据挖掘技术，使得分级诊疗评估更加及时、准确。

Description

基于数据挖掘的分级诊疗评估方法

技术领域

本发明涉及一种基于数据挖掘的分级诊疗评估方法。

背景技术

近年来，大型医疗机构“人满为患”、基层医疗机构“门可罗雀”的现象愈演愈烈，推进分级诊疗制度成为医改的重中之重。分级诊疗是按照疾病的轻重缓急及治疗的难易程度进行分级，不同级别的医疗机构承担不同疾病的治疗，实现医疗资源的合理分配。

目前，四川省分级诊疗的评价方法是采用基本信息评价与现场检查评价相结合的方式，这种基于“统计汇总、人工上报”的监测评价方法，仅能掌握医疗机构量化指标，缺乏全方位把控医疗服务供需双方特点及其相关影响因素，难以对政策制定和宏观把控提供足够支撑，同时人工上报还可能存在虚报、错报，不能真实反应医院的情况。

随着医疗信息化的不断推进，越来越多的医疗或医保机构与研究者合作，挖掘医疗数据中潜在的有用信息，提供决策支持，而利用数据挖掘技术，如何合理有效评估分级诊疗执行情况，仍有待于研究。

发明内容

本发明的目的在于克服当前分级诊疗评估方法中只有量化指标、指标需要层层上报、上报过程中存在错报乱报、缺乏追踪指标背后原因的缺陷，提供一种通过质化指标和量化指标对分级诊疗进行评估的方法，使得分级诊疗评估更加及时、准确。

本发明的目的是通过以下技术方案来实现的：基于数据挖掘的分级诊疗评估方法，它包括如下子步骤：

S1：将患者、疾病、医院病案多维数据相关联；

S2:对关联后的患者、疾病、医院多维数据进行预处理；

S3：从病案数据中识别不同流向的患者；

S4：通过特征通过选择算法和分类算法从病案数据中计算患者性质，进行质化评估；

S5：基于病案数据得到量化数值信息，进行量化评估。

所述的预处理包括如下子步骤：

S201：修正填写不规范的字段，将汉字统一成规范的数字编码；

S202：在多维关联后的数据中，进行字段间相关性分析；

S203：根据住院期间病情和入院病情的相关性，填补患者病情的缺失值，通过以下策略：

（1）如果住院期间病危或者病重，则将入院病情填补为“急”，

（2）如果住院期间未出现病危或者病重，则将入院病情填补为“一般”，

（3）如果入院病情一般，则将住院期间病情填补为“未出现病危或病重”，

（4）如果入院病情危或急，则将住院期间病情填补为“出现病危或病重”；

S204：根据患者现住址、区号、邮编间的相关性，填补患者现住址的行政区划代码，通过以下策略：

A.如果填写详细地址，则通过关联行政区划表，填补对应区号，可信度，否则转下一步，

B.如果填写行政区划代码和邮编，根据邮编查找行政区划代码，并与行政区划代码比较，如果两者一致，填补对应区号，可信度，如果两者不一致，以行政区划代码为主，填补现住址区号，可信度，否则转下一步，

C.如果填写邮编，填补对应区号，可信度，否则转下一步，

D.如果详细地址中缺少市、区或县，只填写了镇、乡、村、组，根据医院所在市、区补充，再通过关联行政区划表，填补对应区号，可信度，否则转下一步。

所述的识别不同流向的患者是从患者就诊数据中发现患者去哪个区县、哪个级别的医院就诊，包括以下子步骤：

S301：根据患者入院途径、出院途径、就诊的医院级别，将患者分为“直接就诊”和“从上级医院向下转诊”、“从下级医院向上转诊”三类；

S302：再根据患者病种与就诊医院级别，将患者分为“跨级就诊”和“基层就诊”两类；

S303：再根据患者现住址区号与医院地址区号，将患者分为“跨市就诊”、“跨县就诊”和“县域内就诊”三类。

所述的质化评估以下子步骤：

S401：选取就诊医院等级、医院地址、医院分级诊疗中的层级、患者年龄段、性别、疾病大类、病种类别、住院天数、手术级别、民族、职业、婚姻、患者现住址、入院病情、住院期间是否病危或病重、出院情况、离院方式作为描述患者基本信息和就诊信息的特征；

S402：应用GainRatioAttributeEva特征选择算法，对不同流向患者的多个特征之间作对比，得到不同流向患者的信息的差异点，并按差异性大小排序；

S403：将患者按照不同的就诊流向划分为“县域内基层就诊”、“县域内跨级就诊”、“跨县基层就诊”、“跨县跨级就诊”、“跨市基层就诊”、“跨市跨级就诊”六类，每类患者特征属性为特征选择算法中选择的差异性较大的特征；

S404：将每类患者特征属性数据集划分为训练集和测试集，应用RIPPER分类算法，通过实验确定优化次数，得到不同流向患者的特征，即规则；

S405: 按照正确数和准确率对所得规则做筛选，删除那些正确数低于阈值，准确率低于阈值的规则，得到最后的不同流向上患者特征。

S406：从患者特征上评估患者就诊流向是否合理，得到质化评价结果。

所述的量化数值信息是基于病案数据根据《四川省分级诊疗重点监测指标》得到的数值型信息。

本发明的有益效果是：1、对病案数据进行清洗和填补，将有效数据量从57.69%提高到92.30%，解决了当前因为数据质量差，不能直接使用业务数据的问题；

2、直接从数据源头计算分级诊疗评估的量化指标，减少中间环节，提高了分级诊疗评估的及时性和准确性；

3、在量化评估的基础上增加质化评估，整合与挖掘不同维度、不同层次的数据，综合分析医疗服务供需双方特点，及其影响服务提供与利用的因素，发现机制推进过程中隐藏的问题和困难，使得评估更加全面、客观。

附图说明

图1为本发明的基本思想流程图；

图2为本发明的数据预处理流程图；

图3为本发明的填补患者现住址流程图；

图4为本发明的根据入院途径划分患者流向流程图；

图5为本发明的根据出院途径划分患者流向流程图；

图6为本发明的质化评估流程图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，基于数据挖掘的分级诊疗评估方法，它包括如下子步骤：

S1：将患者、疾病、医院病案多维数据相关联；

S2:对关联后的患者、疾病、医院多维数据进行预处理；

S3：从病案数据中识别不同流向的患者；

S4：通过特征通过选择算法和分类算法从病案数据中计算患者性质，进行质化评估；

S5：基于病案数据得到量化数值信息，进行量化评估。

如图2所示，先对患者、疾病、医院多维数据关联和预处理，以病人信息为中心，先通过医院ID关联医院信息，通过患者诊断中ICD10编码关联疾病信息，再进行数据清洗、字段间相关性分析、填补缺失值。

所述的预处理包括如下子步骤：

S201：修正填写不规范的字段，将汉字统一成规范的数字编码；

S202：在多维关联后的数据中，进行字段间相关性分析；

S203：根据病案首页数据，根据住院期间病情和入院病情的相关性，填补患者病情的缺失值，通过以下策略：

（1）如果住院期间病危或者病重，则将入院病情填补为“急”，

（2）如果住院期间未出现病危或者病重，则将入院病情填补为“一般”，

（3）如果入院病情一般，则将住院期间病情填补为“未出现病危或病重”，

（4）如果入院病情危或急，则将住院期间病情填补为“出现病危或病重”；

S204：如图3所示，根据病案首页数据，根据患者现住址、区号、邮编间的相关性，填补患者现住址的行政区划代码，通过以下策略：

A.如果填写详细地址，则通过关联行政区划表，填补对应区号，可信度，否则转下一步，

B.如果填写行政区划代码和邮编，根据邮编查找行政区划代码，并与行政区划代码比较，如果两者一致，填补对应区号，可信度，如果两者不一致，以行政区划代码为主，填补现住址区号，可信度，否则转下一步，

C.如果填写邮编，填补对应区号，可信度，否则转下一步，

D.如果详细地址中缺少市、区或县，只填写了镇、乡、村、组，根据医院所在市、区补充，再通过关联行政区划表，填补对应区号，可信度，否则转下一步。

如图4，5所示，识别不同流向的患者是从患者就诊数据中发现患者去哪个区县、哪个级别的医院就诊，包括以下子步骤：

S301：根据患者入院途径、出院途径、就诊的医院级别，将患者分为“直接就诊”和“从上级医院向下转诊”、“从下级医院向上转诊”三类；

S302：再根据患者病种与就诊医院级别，将患者分为“跨级就诊”和“基层就诊”两类，患者病种分为基本医疗病种和疑难重症病种；

S303：再根据患者现住址区号与医院地址区号，将患者分为“跨市就诊”、“跨县就诊”和“县域内就诊”三类。

如图6所示，所述的质化评估以下子步骤：

S401：选取就诊医院等级、医院地址、医院分级诊疗中的层级、患者年龄段、性别、疾病大类、病种类别、住院天数、手术级别、民族、职业、婚姻、患者现住址、入院病情、住院期间是否病危或病重、出院情况、离院方式作为描述患者基本信息和就诊信息的特征；

S402：应用GainRatioAttributeEva特征选择算法，对不同流向患者的多个特征之间作对比，得到不同流向患者的信息的差异点，并按差异性大小排序；

S403：将患者按照不同的就诊流向划分为“县域内基层就诊”、“县域内跨级就诊”、“跨县基层就诊”、“跨县跨级就诊”、“跨市基层就诊”、“跨市跨级就诊”六类，每类患者特征属性为特征选择算法中选择的差异性较大的特征；

S404：将每类患者特征属性数据集划分为训练集和测试集，应用RIPPER分类算法，通过实验确定优化次数，得到不同流向患者的特征，即规则；

S405: 按照正确数和准确率对所得规则做筛选，删除那些正确数低于阈值，准确率低于阈值的规则，得到最后的不同流向上患者特征。

S406：从患者特征上评估患者就诊流向是否合理，得到质化评价结果。

所述的量化数值信息是基于病案数据根据《四川省分级诊疗重点监测指标》得到的数值型信息。

Claims (2)

1.基于数据挖掘的分级诊疗评估方法，其特征在于：它包括如下子步骤：

S1：将患者、疾病、医院病案多维数据相关联；

S2：对关联后的患者、疾病、医院多维数据进行如下预处理：

S201：修正填写不规范的字段，将汉字统一成规范的数字编码；

S202：在多维关联后的数据中，进行字段间相关性分析；

S203：根据住院期间病情和入院病情的相关性，填补患者病情的缺失值，通过以下策略：

（1）如果住院期间病危或者病重，则将入院病情填补为“急”，

（2）如果住院期间未出现病危或者病重，则将入院病情填补为“一般”，

（3）如果入院病情一般，则将住院期间病情填补为“未出现病危或病重”，

（4）如果入院病情危或急，则将住院期间病情填补为“出现病危或病重”；

S204：根据患者现住址、区号、邮编间的相关性，填补患者现住址的行政区划代码，通过以下策略：

A.如果填写详细地址，则通过关联行政区划表，填补对应区号，可信度，否则转下一步，

B.如果填写行政区划代码和邮编，根据邮编查找行政区划代码，并与行政区划代码比较，如果两者一致，填补对应区号，可信度，如果两者不一致，以行政区划代码为主，填补现住址区号，可信度，否则转下一步，

C.如果填写邮编，填补对应区号，可信度，否则转下一步，

D.如果详细地址中缺少市、区或县，只填写了镇、乡、村、组，根据医院所在市、区补充，再通过关联行政区划表，填补对应区号，可信度，否则转下一步；

S3：从病案数据中识别不同流向的患者；

S4：通过特征选择算法和分类算法从病案数据中计算患者性质，进行质化评估；

S401：选取就诊医院等级、医院地址、医院分级诊疗中的层级、患者年龄段、性别、疾病大类、病种类别、住院天数、手术级别、民族、职业、婚姻、患者现住址、入院病情、住院期间是否病危或病重、出院情况、离院方式作为描述患者基本信息和就诊信息的特征；

S402：应用GainRatioAttributeEva特征选择算法，对不同流向患者的多个特征之间作对比，得到不同流向患者的信息的差异点，并按差异性大小排序；

S403：将患者按照不同的就诊流向划分为“县域内基层就诊”、“县域内跨级就诊”、“跨县基层就诊”、“跨县跨级就诊”、“跨市基层就诊”、“跨市跨级就诊”六类，每类患者特征属性为特征选择算法中选择的差异性较大的特征；

S404：将每类患者特征属性数据集划分为训练集和测试集，应用RIPPER分类算法，通过实验确定优化次数，得到不同流向患者的特征，即规则；

S405: 按照正确数和准确率对所得规则做筛选，删除那些正确数低于阈值，准确率低于阈值的规则，得到最后的不同流向上患者特征；

S406：从患者特征上评估患者就诊流向是否合理，得到质化评价结果；

S5：基于病案数据得到量化数值信息，进行量化评估。

2.根据权利要求1所述的基于数据挖掘的分级诊疗评估方法，其特征在于：所述的识别不同流向的患者是从患者就诊数据中发现患者去哪个区县、哪个级别的医院就诊，包括以下子步骤：

S301：根据患者入院途径、出院途径、就诊的医院级别，将患者分为“直接就诊”和“从上级医院向下转诊”、“从下级医院向上转诊”三类；

S302：再根据患者病种与就诊医院级别，将患者分为“跨级就诊”和“基层就诊”两类；

S303：再根据患者现住址区号与医院地址区号，将患者分为“跨市就诊”、“跨县就诊”和“县域内就诊”三类。

Images