王苗

摘要：針對(duì)當(dāng)前醫(yī)生工作現(xiàn)狀和醫(yī)囑聯(lián)用現(xiàn)狀，通過Python語言實(shí)現(xiàn)了一個(gè)醫(yī)囑決策輔助功能模塊，以優(yōu)化醫(yī)院信息系統(tǒng)業(yè)務(wù)功能，加快診療速度。該文重點(diǎn)研究優(yōu)化Apriori模型和構(gòu)建醫(yī)囑知識(shí)圖譜，挖掘醫(yī)囑之間的關(guān)聯(lián)關(guān)系，補(bǔ)充醫(yī)囑組套，輔助醫(yī)囑決策。結(jié)果表明該模型運(yùn)行結(jié)果良好，功能基本完備，具有一定的實(shí)踐價(jià)值，能夠加快推進(jìn)我國智慧醫(yī)療建設(shè)進(jìn)程。

關(guān)鍵詞：醫(yī)囑推薦;關(guān)聯(lián)規(guī)則;Apriori算法;Neo4j;知識(shí)圖譜

中圖分類號(hào)：TP399? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）25-0037-04

開放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID） ：

1 引言

醫(yī)療過程所產(chǎn)生的海量數(shù)據(jù)中存在著潛在未被挖掘的寶貴經(jīng)驗(yàn)和規(guī)律[1]，不少國內(nèi)外學(xué)者已經(jīng)嘗試并成功將數(shù)據(jù)挖掘技術(shù)應(yīng)用于醫(yī)療行業(yè)實(shí)際診療過程中，學(xué)術(shù)界對(duì)智慧醫(yī)療的探索也逐漸深入[2-12]。目前國內(nèi)醫(yī)院信息系統(tǒng)中廣泛采用的輔助醫(yī)生開醫(yī)囑的方法包括：醫(yī)囑組套，醫(yī)囑模板和臨床路徑醫(yī)囑集。在中國抗擊新冠肺炎疫情的過程中，數(shù)據(jù)挖掘技術(shù)在防控手段、疫苗研發(fā)、疫情信息傳播等環(huán)節(jié)發(fā)揮了出色的作用[13]，這在一定程度上提高了人們對(duì)醫(yī)療大數(shù)據(jù)的重視程度，也充分說明了數(shù)據(jù)挖掘技術(shù)在醫(yī)療行業(yè)的潛在價(jià)值。

本文通過對(duì)醫(yī)院門診部醫(yī)護(hù)人員對(duì)醫(yī)療系統(tǒng)的相關(guān)需求進(jìn)行實(shí)地調(diào)查和詢問后，發(fā)現(xiàn)了以下問題和需求：

（1）? 醫(yī)生工作現(xiàn)狀

對(duì)于醫(yī)療人員來說，工作中最常見的臨床操作之一就是“開具醫(yī)囑”，即醫(yī)生根據(jù)患者病史、診斷、檢驗(yàn)檢查結(jié)果等下達(dá)醫(yī)學(xué)指令，其很大程度上會(huì)影響治療效果和進(jìn)程。根據(jù)觀察，醫(yī)生每天花費(fèi)在開具醫(yī)囑、修改和確認(rèn)等環(huán)節(jié)上的時(shí)間過多，造成了工作效率的降低。例如高血壓患者一般都需要進(jìn)行靶器官功能評(píng)估和合并癥篩查，其中包含血糖、血脂、心腎功能和眼底檢查等，若醫(yī)生在遇到每一位高血壓患者時(shí)，都需要一一開具以上醫(yī)囑，則會(huì)造成不必要的時(shí)間浪費(fèi)。

（2）? 醫(yī)囑聯(lián)用現(xiàn)狀

臨床醫(yī)學(xué)上，不同患者在同一場景或相似診斷下開具的醫(yī)囑具有相似性，基于此，目前醫(yī)療系統(tǒng)輔助醫(yī)生開醫(yī)囑的常用方法之一就是醫(yī)囑組套。醫(yī)囑組套即事先定義的在多個(gè)相似場景或診斷下可以同時(shí)被開具的醫(yī)囑，一般是由臨床專業(yè)專家基于經(jīng)驗(yàn)和討論研究后制定，制定周期比較長，因此有限的醫(yī)囑組套有時(shí)候并不能及時(shí)跟上時(shí)代的步伐，滿足醫(yī)生快速開具醫(yī)囑的需求。

目前醫(yī)院的信息管理系統(tǒng)每天需要對(duì)上百萬名病人的診療過程進(jìn)行記錄，而其中，蘊(yùn)含著海量未被挖掘的醫(yī)學(xué)知識(shí)。通常情況下，相同場景或診斷下的歷史病案中會(huì)存在聯(lián)用頻率高的一些醫(yī)囑，相當(dāng)于基于醫(yī)生經(jīng)驗(yàn)的潛藏在歷史醫(yī)療數(shù)據(jù)中的醫(yī)囑組套，本文關(guān)鍵就是找出基于歷史數(shù)據(jù)的某種疾病下醫(yī)囑記錄中的高頻項(xiàng)集，將其作為醫(yī)囑組套補(bǔ)充，輔助醫(yī)生做出醫(yī)囑決策。

因此，在醫(yī)生已經(jīng)做出診斷的前提下，若醫(yī)院系統(tǒng)能夠基于歷史數(shù)據(jù)，挖掘歷史病案中相同疾病下關(guān)聯(lián)頻率較高的醫(yī)囑聯(lián)用組合，則可以在一定程度上對(duì)固定的醫(yī)囑組套進(jìn)行補(bǔ)充，減少醫(yī)生開具醫(yī)囑的時(shí)間。同時(shí)可以輔助醫(yī)生借鑒其他醫(yī)生的治療方案，或是將自己過去的治療方法與現(xiàn)在進(jìn)行對(duì)比結(jié)合，不斷優(yōu)化治療療效。

2 系統(tǒng)設(shè)計(jì)

基于上述需求，本文提出了相應(yīng)的解決方案：利用Neo4j數(shù)據(jù)庫存儲(chǔ)歷史診療數(shù)據(jù)，構(gòu)建病案、診斷和醫(yī)囑節(jié)點(diǎn)，構(gòu)建病案與診斷、病案與醫(yī)囑的關(guān)系邊，構(gòu)成診斷與醫(yī)囑的知識(shí)圖譜，結(jié)合關(guān)聯(lián)規(guī)則分析技術(shù)的Apriori算法，基于輸入診斷或醫(yī)囑，從大量數(shù)據(jù)中查找關(guān)聯(lián)組合，并反饋給用戶，以輔助醫(yī)生針對(duì)診斷做出相應(yīng)醫(yī)囑決策。

2.1 功能模塊設(shè)計(jì)

本文在處方醫(yī)囑錄入子系統(tǒng)的基礎(chǔ)上，為提高醫(yī)囑錄入的速度，增加基于診斷結(jié)果或輸入醫(yī)囑的關(guān)聯(lián)醫(yī)囑組套提醒功能模塊，其中功能具體描述為：①當(dāng)用戶做出診斷結(jié)果時(shí)，功能自動(dòng)推薦常用醫(yī)囑組合，即該診斷下的醫(yī)囑組套;②當(dāng)用戶做出診斷，開立了醫(yī)囑時(shí)，推薦在該診斷下，與已開立醫(yī)囑聯(lián)用頻率最高的醫(yī)囑聯(lián)用組合。

2.2 數(shù)據(jù)庫設(shè)計(jì)

Neoj4數(shù)據(jù)庫需要存儲(chǔ)知識(shí)圖譜節(jié)點(diǎn)和關(guān)系邊，本文中節(jié)點(diǎn)有疾病實(shí)體、醫(yī)囑實(shí)體以及病案實(shí)體，其中疾病實(shí)體節(jié)點(diǎn)包含疾病ICD10編碼，疾病名稱;醫(yī)囑實(shí)體節(jié)點(diǎn)包含醫(yī)囑唯一標(biāo)識(shí)碼，醫(yī)囑名稱，病案實(shí)體節(jié)點(diǎn)包括診療號(hào)，主治醫(yī)師職稱，格式如表1所示。通過構(gòu)建SPO數(shù)據(jù)格式，將病案與疾病關(guān)聯(lián)，將疾病與醫(yī)囑關(guān)聯(lián)，其中病案與疾病的關(guān)系為“診斷”，病案與醫(yī)囑的關(guān)系為“開立”，如表2所示。

2.3 數(shù)據(jù)分析設(shè)計(jì)

本文使用的數(shù)據(jù)庫為Neo4j，并使用Python輔助進(jìn)行數(shù)據(jù)處理和分析。首先以HIS系統(tǒng)現(xiàn)有的病患真實(shí)數(shù)據(jù)為數(shù)據(jù)源，對(duì)數(shù)據(jù)進(jìn)行抽取和預(yù)處理，并導(dǎo)入Neo4j。接著使用SPSSModeler軟件中的Apriori模型進(jìn)行模擬，從而對(duì)最小條件支持度和最低規(guī)則置信度進(jìn)行初步篩選。通過Python語言構(gòu)建Apriori算法，算法構(gòu)建涉及組合頻繁項(xiàng)集、剪枝策略、刪除策略以及計(jì)數(shù)策略[14-15]，其中計(jì)數(shù)策略指考慮醫(yī)生職稱對(duì)醫(yī)囑開立準(zhǔn)確性影響因素，為本文對(duì)Apriori算法的優(yōu)化策略。

2.4 用戶界面設(shè)計(jì)

本文將通過Python語言設(shè)計(jì)一個(gè)簡單的可視化用戶界面，用于用戶與關(guān)聯(lián)分析模型的交互，頁面提供兩項(xiàng)功能，分別為在已有診斷下和在已有醫(yī)囑下的關(guān)聯(lián)推薦，并返回依據(jù)支持度、置信度、前項(xiàng)支持度和提升度排序的推薦醫(yī)囑。

3 實(shí)現(xiàn)過程與結(jié)果

3.1 構(gòu)建知識(shí)圖譜

數(shù)據(jù)源于惠州市中大惠亞醫(yī)院2019年至2020年兩年間的真實(shí)診療數(shù)據(jù)，具有一定可鑒性，具體包括接診的患者信息、主要診斷、開立醫(yī)囑以及職工基本信息等，病案以患者流水號(hào)為唯一標(biāo)識(shí)。對(duì)數(shù)據(jù)進(jìn)行預(yù)處理后轉(zhuǎn)化為csv格式，導(dǎo)入Neo4j并構(gòu)建節(jié)點(diǎn)與節(jié)點(diǎn)關(guān)系。

以“門診五官科”科室為例，以隨機(jī)三個(gè)疾病節(jié)點(diǎn)為例，查詢?cè)\斷節(jié)點(diǎn)、病案節(jié)點(diǎn)、醫(yī)囑節(jié)點(diǎn)以及三者之間的關(guān)系，查詢所得知識(shí)圖譜效果如圖1，其中，藍(lán)色代表病案實(shí)體，紅色代表疾病實(shí)體，黃色代表醫(yī)囑實(shí)體，疾病節(jié)點(diǎn)與病案節(jié)點(diǎn)之間存在關(guān)系邊“diagnose”表示該病案診斷為該疾病，病案實(shí)體與醫(yī)囑實(shí)體之間存在關(guān)系表“use”表示該病案開立了該醫(yī)囑。

3.2 構(gòu)建推薦醫(yī)囑模型

進(jìn)行關(guān)聯(lián)分析時(shí)，需要設(shè)立最小條件支持度Support和最小規(guī)則置信度Confidence，當(dāng)指標(biāo)設(shè)置得越低，分析所得的規(guī)則事務(wù)越多，但同時(shí)事務(wù)之間關(guān)聯(lián)性越弱[16]?；赟PSS關(guān)聯(lián)分析模型，通過從關(guān)聯(lián)規(guī)則的數(shù)量、質(zhì)量兩個(gè)切入點(diǎn)對(duì)指標(biāo)組合分別進(jìn)行粗粒度和細(xì)粒度的分析比較，同時(shí)結(jié)合規(guī)則數(shù)量、平均條件Support、平均Confidence、平均規(guī)則Support、平均Lift和部署能力這幾個(gè)方面綜合進(jìn)行比較，選擇最佳指標(biāo)組合最低條件Support為3.5，最小規(guī)則Confidence為80的Apriori關(guān)聯(lián)模型，作為后續(xù)研究的模型指標(biāo)，如表3。

3.3 構(gòu)建Apriori模型

基于上文中關(guān)聯(lián)分析模型的閾值選擇，通過Python輔助編程，連接并獲取Neo4j庫中數(shù)據(jù)，并構(gòu)建Apriori模型對(duì)數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，其中構(gòu)建計(jì)算模型時(shí)，從Neo4j庫中獲取醫(yī)囑開立醫(yī)生的職稱，轉(zhuǎn)化為職稱系數(shù)，與醫(yī)囑開立的頻次相乘，即計(jì)算醫(yī)囑開立頻次時(shí)，考慮醫(yī)生職稱所帶來的醫(yī)囑開立準(zhǔn)確性的問題，職稱越高的醫(yī)生開立的醫(yī)囑頻次系數(shù)越高，從而優(yōu)化醫(yī)囑聯(lián)用效果。

關(guān)聯(lián)規(guī)則的挖掘一般分為兩步：第一找尋有效的頻繁項(xiàng)集;然后，在上步的基礎(chǔ)上找尋有效的關(guān)聯(lián)規(guī)則。其中挖掘頻繁項(xiàng)集時(shí)的計(jì)數(shù)策略為從Neo4j庫中獲取醫(yī)囑開立醫(yī)生的職稱，轉(zhuǎn)化為職稱系數(shù)，存儲(chǔ)在LevelDict{}中，其中key值為獲取病案的序號(hào)，value值為職稱系數(shù)。進(jìn)行項(xiàng)集頻次計(jì)數(shù)時(shí)，醫(yī)囑開立的頻次與該病案對(duì)應(yīng)的職稱系數(shù)相乘，職稱越高的醫(yī)生開立的醫(yī)囑頻次系數(shù)越高，再將相乘后的頻次積計(jì)入頻次字典support_data{}中，代碼如圖2所示。

3.4 模型應(yīng)用效果

基于診斷推薦醫(yī)囑效果如圖3。輸入患者診療號(hào)、主要診斷后，以默認(rèn)的最小條件支持度和最小規(guī)則置信度，點(diǎn)擊推薦醫(yī)囑按鈕，推薦醫(yī)囑列表即顯示匹配診斷的各項(xiàng)集數(shù)醫(yī)囑頻繁項(xiàng)集的前十條醫(yī)囑/醫(yī)囑組合，按條件支持度降序排序顯示，由圖可以看到，當(dāng)輸入主要診斷為變應(yīng)性鼻炎時(shí)，得到各頻繁項(xiàng)集數(shù)第一推薦醫(yī)囑分別為：

（1）? 頻繁項(xiàng)集數(shù)為1的最佳推薦醫(yī)囑為{前鼻鏡檢查};

（2）? 頻繁項(xiàng)集數(shù)為2的最佳推薦醫(yī)囑為{鼻郎生理性海水鼻腔噴霧器（浙江朗柯），前鼻鏡檢查};

（3）? 頻繁項(xiàng)集數(shù)為3的最佳推薦醫(yī)囑為{鼻郎生理性海水鼻腔噴霧器（浙江朗柯），吸入物變應(yīng)原篩選（五官科專用），前鼻鏡檢查};

（4）? 頻繁項(xiàng)集數(shù)為4的最佳推薦醫(yī)囑為{鼻郎生理性海水鼻腔噴霧器（浙江朗柯），吸入物變應(yīng)原篩選（五官科專用），前鼻鏡檢查，表面麻醉};

（5）? 頻繁項(xiàng)集數(shù)為5的最佳推薦醫(yī)囑為{鼻郎生理性海水鼻腔噴霧器（浙江朗柯），吸入物變應(yīng)原篩選（五官科專用），前鼻鏡檢查，表面麻醉，鼻內(nèi)鏡檢查}。

基于醫(yī)囑推薦聯(lián)用醫(yī)囑效果如圖4。當(dāng)輸入主要診斷為“變應(yīng)性鼻炎”，開立醫(yī)囑為{表面麻醉，玉屏風(fēng)顆粒}時(shí)，最佳推薦醫(yī)囑規(guī)則后項(xiàng)為{前鼻鏡檢查}{前鼻鏡檢查，鼻內(nèi)鏡檢查}{鼻內(nèi)鏡檢查、吸入物變應(yīng)原篩選（五官科專用），前鼻鏡檢查，鼻內(nèi)鏡檢查}{吸入物變應(yīng)原篩選（五官科專用），鼻內(nèi)鏡檢查、吸入物變應(yīng)原篩選（五官科專用），前鼻鏡檢查}{吸入物變應(yīng)原篩選（五官科專用）}。

通過Cyper語言對(duì)Neo4j數(shù)據(jù)庫中各項(xiàng)目的計(jì)數(shù)匯總，系統(tǒng)推薦醫(yī)囑與源數(shù)據(jù)查詢結(jié)果（無考慮職稱） 相比，排序相同，在一定程度上可以驗(yàn)證本模型的可行性和正確性。并經(jīng)過專業(yè)醫(yī)生評(píng)估，具備一定的實(shí)踐價(jià)值和科學(xué)性，可在后期投入醫(yī)院試用。

4 結(jié)束語

本文在智慧醫(yī)療的大背景下，基于工作經(jīng)歷與醫(yī)生需求，針對(duì)醫(yī)療系統(tǒng)輔助醫(yī)生開立醫(yī)囑功能進(jìn)行研究。通過獲取醫(yī)院病患診療的實(shí)際數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，基于Neo4j圖數(shù)據(jù)庫，構(gòu)建病案、診斷和醫(yī)囑之間關(guān)聯(lián)的知識(shí)圖譜，并通過優(yōu)化Apriori模型，在輸入診斷或醫(yī)囑的前提下，做出最佳醫(yī)囑組合推薦，以期能夠嵌入醫(yī)院信息系統(tǒng)，在診療過程中對(duì)固定的醫(yī)囑組套進(jìn)行補(bǔ)充，輔助醫(yī)生做出最佳診療方案，從而一方面借助圖數(shù)據(jù)庫，優(yōu)化數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)，提高數(shù)據(jù)檢索的速度，優(yōu)化醫(yī)院信息系統(tǒng)業(yè)務(wù)功能，加快診療速度和提高病人治愈效果，改善醫(yī)患關(guān)系。另一方面，對(duì)我國在醫(yī)療大數(shù)據(jù)應(yīng)用的研究上進(jìn)行補(bǔ)充，將計(jì)算機(jī)編程技術(shù)融入醫(yī)療行業(yè)，響應(yīng)國家鼓勵(lì)培養(yǎng)跨學(xué)科人才的號(hào)召，加快推進(jìn)我國智慧醫(yī)療建設(shè)進(jìn)程。

在醫(yī)院醫(yī)療數(shù)據(jù)中，蘊(yùn)含了豐富的病案數(shù)據(jù)，例如患者的個(gè)人信息、患病歷史、過敏藥物史、檢查檢驗(yàn)數(shù)據(jù)，開立醫(yī)囑的詳細(xì)信息，例如頻次、用量等。這些數(shù)據(jù)不僅能夠幫助我們進(jìn)一步理解醫(yī)生的醫(yī)囑開立行為，更能挖掘醫(yī)囑之間相互作用和潛在的聯(lián)用風(fēng)險(xiǎn)，具有巨大的潛在價(jià)值。同時(shí)，藥物成分?jǐn)?shù)據(jù)可以輔助模型對(duì)涉及藥品的醫(yī)囑進(jìn)行相似性對(duì)比，從而構(gòu)建細(xì)粒度的藥物相互聯(lián)用知識(shí)圖譜。關(guān)聯(lián)分析算法和Apriori模型是對(duì)事物關(guān)聯(lián)性最常用的一種研究方法，然而數(shù)據(jù)挖掘的算法知識(shí)涉及領(lǐng)域非常廣泛，未來將進(jìn)一步研究數(shù)據(jù)挖掘技術(shù)，與醫(yī)院信息管理系統(tǒng)的其他模塊進(jìn)行結(jié)合，探索醫(yī)療數(shù)據(jù)中更多的潛在價(jià)值。

參考文獻(xiàn)：

[1] 陳少敏，陳愛民，梁麗萍.醫(yī)療大數(shù)據(jù)共享的制約因素及治理研究[J].衛(wèi)生經(jīng)濟(jì)研究，2021，38（9）：18-20，24.

[2] 張?zhí)壹t，范素麗，郭徐徐，等.基于數(shù)據(jù)融合的智能醫(yī)療輔助診斷方法[J].工程科學(xué)學(xué)報(bào)，2021，43（9）：1197-1205.

[3] 石升，董金琳，王瑋，等.Apriori算法的改進(jìn)及其在睡眠輔助醫(yī)療中的應(yīng)用[J].小型微型計(jì)算機(jī)系統(tǒng)，2020，41（12）：2668-2671.

[4] 劉勘，張雅荃.基于醫(yī)療知識(shí)圖譜的并發(fā)癥輔助診斷[J].中文信息學(xué)報(bào)，2020，34（10）：85-93，104.

[5] 孫明俊，張丹，鄭明智，等.基于人工智能的類風(fēng)濕性關(guān)節(jié)炎中醫(yī)輔助診療系統(tǒng)[J].模式識(shí)別與人工智能，2021，34（4）：343-352.

[6] 陳杰，程勝，徐夢(mèng)，等.面向醫(yī)療輔助診斷的可視化多屬性決策方法[J].計(jì)算機(jī)工程與應(yīng)用，2020，56（8）：249-255.

[7] 梁書彤，郭茂祖，趙玲玲.基于機(jī)器學(xué)習(xí)的醫(yī)療決策支持系統(tǒng)綜述[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（19）：1-11.

[8] Liu Y，Kohlberger T，Norouzi M，et al.Artificial intelligence-based breast cancer nodal metastasis detection：insights into the black box for pathologists[J].Archives of Pathology & Laboratory Medicine，2019，143（7）：859-868.

[9] Pacheco A G C，Krohling R A.An attention-based mechanism to combine images and metadata in deep learning models applied to skin cancer classification[J].IEEE Journal of Biomedical and Health Informatics，2021，25（9）：3554-3563.

[10] 于楠.中文電子病歷信息抽取關(guān)鍵技術(shù)研究[D].北京：北京工業(yè)大學(xué)，2017.

[11] 夏冬，李國壘，陳先來.基于電子病歷的胃癌治療方案輔助選擇[J].中華醫(yī)學(xué)圖書情報(bào)雜志，2018，27（2）：63-68.

[12] 許杰.基于機(jī)器學(xué)習(xí)的醫(yī)療健康分類方法研究[D].鄭州：鄭州大學(xué)，2018.

[13] 孫燁祥，呂筠，沈鵬，等.健康醫(yī)療大數(shù)據(jù)驅(qū)動(dòng)下的疾病防控新模式[J].中華流行病學(xué)雜志，2021，42（8）：1325-1329.

[14] Han，J.W.andKamber，M.數(shù)據(jù)挖掘：概念與技術(shù)[M].第三版.2012.

[15] 哈林頓，P.機(jī)器學(xué)習(xí)實(shí)戰(zhàn)[M].北京：人民郵電出版社，2013.

[16] 趙洪英，蔡樂才，李先杰.關(guān)聯(lián)規(guī)則挖掘的Apriori算法綜述[J].四川理工學(xué)院學(xué)報(bào)（自然科學(xué)版），2011，24（1）：66-70.

【通聯(lián)編輯：李雅琪】