论文部分内容阅读
随着大众对医疗安全和医疗效率要求的不断的提高,传统的医疗不良事件管理方式已经不能满足医护人员和病人的需要。在未来的发展趋势中能否提前对可能发生的不良事件做出预警进而有效降低医疗不良事件的发生率、能否协助医护人员在不良事件发生后妥善的处理好事件,防止产生严重的后果,提升‘无明显不良后果’的不良事件占比,是评判一家医院医疗质量好坏的两个非常重要的指标。为此本文提出了通过构造算法和编写系统来降低医院不良事件发生率和提升不良事件的处置效果的方法,具体工作内容包含以下四部分:(1)提出了入院时不良事件早期预警的模式针对传统的只能在病人入院后,对其采取定时监控式的不良事件预防方法所存在的资源浪费、效率低下、预防效果差、不良事件发生率居高不下的问题,提出了一种入院时不良事件早期预警的模式(Early Warning Of Adverse Events On Admission),实现该模式的方法有两种:基于协同过滤和基于知识图谱,分别用这两种思想构造不良事件预警算法Event_Warring。该算法首先构造病人基本信息评分向量数据集或是病人基本信息知识图谱数据集,新入院的病人会被代入到数据集中,采用叠加评分向量维度或是依次增加约束条件的方式计算出与其相似的的责任人信息集合和患者信息集合;再根据这两个集合分别计算出该病人可能会遭遇的不良事件集合;接着将两个不良事件集合按照不同的比例进行融合测试以寻找出最佳的融合比;最后,根据算法编写程序在科室上线使用。使用的结果表明基于两种思想所构造的不良事件预警算法,都具备较好的预警效果且都有效的降低了使用科室的不良事件的发生率。(2)提出了不良事件处置方案推荐方法针对传统的在病人发生不良事件后只能依靠医护人员个人的经验来解决问题所存在的处置方案无法共享、不良事件处理效果差、‘无明显不良后果’事件占比低的问题,提出了一种不良事件处置方案推荐方法(Recommended Adverse Event Disposal Plan),实现该模式的方法有两种:基于协同过滤和基于知识图谱,分别用这两种思想构造不良事件处置方案推荐算法Event_recommend。该算法首先构造不良事件评分向量数据集或者不良事件知识图谱数据集,再将获取到的不良事件信息代入数据集计算以得到相似的不良事件集合,接着将该集合与患者数据集再进行联合计算,对不良事件集合进行筛选,把筛选后的集合作为最终推荐结果;最后,根据算法编写程序在科室上线使用。使用的结果表明基于两种思想所构造的不良事件处置方案推荐算法,都具备较好的推荐效果且都有效的提升了使用科室的‘无明显不良后果’事件的占比。(3)提出了增加预警算法和推荐算法计算维度的改进策略针对算法在医院试点科室使用的过程中所出现的不良事件发生率无法下降到6.6%以下的问题,提出了为预警算法增加特征计算维度的策略,该方法通过增加患者和责任人特征三元组,扩展计算维度,将患者和责任人的个性化信息加入到算法的迭代运算中去,进一步提升了算法的预警效果。针对在试点科室使用过程中出现的‘无明显不良后果’事件占比无法提升到84%以上这个问题,提出了以处置方案为核心的改进策略,该方法除了考虑病人与不良事件的相似度以外,又增加了[处置方案使用数]这一计算维度,并将其作为计算核心使用,使得推荐结果的准确性和安全性进一步提升。(4)提出了融合协同过滤与知识图谱两种思想的预警和推荐算法构造模式针对单一思想所构造的不良事件预警和处置方案推荐算法所存在的精确率、召回率、F1值偏低,对不同类别的不良事件处理效果差异较大,不能在全院所有科室通用的问题,提出了将协同过滤与知识图谱这两种思想融合起来构造新的不良事件预警算法和不良事件处置方案推荐算法模式,且两类算法都使用了两种方式进行构造。预警算法的构造逻辑为:使用基于协同过滤的算法对患者数据进行处理,使用基于知识图谱的算法对责任人数据进行处理,方式1将两者处理结果直接融合;方式2先将知识图谱的推荐集代回到患者评分数据集Patient中进行二次筛选,再将筛选后的结果与基于协同过滤算法的结果进行融合。处置方案推荐算法的构造方式为:方式1先用两种思想的算法分别处理传入的不良事件数据,在直接将两种算法的推荐结果融合;方式2先判断要处理的不良事件类别,再根据不同的类别选取不同的计算策略,最后再将结果分级融合。实验结果表明融合两种思想后所构造的算法在有效的提升了精确率、召回率、F1值的同时,也很好的实现了高质量的处理所有类别不良事件的能力,为后续系统在全院上线使用打下基础。