基于電子病歷的胃癌治療方案輔助選擇

，，

臨床決策支持系統(tǒng)的構(gòu)建離不開知識庫，而病歷的電子化為臨床知識庫的構(gòu)建帶來了便利，研究人員可以通過計算機程序處理大量病歷中的文本，以實現(xiàn)重要知識的挖掘。病歷是醫(yī)療業(yè)務(wù)活動的詳細記錄，其中隱含著價值巨大的知識。將從病歷中提取的信息用于臨床決策支持，是近年醫(yī)療大數(shù)據(jù)的研究熱點之一。

在臨床決策支持方面，國外已有較為成熟的研究。關(guān)于決策支持系統(tǒng)對臨床治療作用的研究，Porat, Talya等人[1]研究了全科醫(yī)生和患者對診斷決策支持系統(tǒng)和咨詢影響的看法；Arts,Derk L.等人[2]研究了決策支持系統(tǒng)在實踐中預(yù)防改善卒中的有效性；針對從病歷中提取知識的研究，Nilashi M等人[3]提出了一種基于知識的乳腺癌分類系統(tǒng)；Kung,Robert等人[4]提出了一種從電子病歷中識別肝硬化患者身份的自然語言處理算法。在國內(nèi)，醫(yī)護人員在撰寫病歷時存在用語不規(guī)范的現(xiàn)象，這就為從病歷中提取有用信息帶來了一定困難；加之國內(nèi)醫(yī)療信息化起步較晚，即使電子病歷系統(tǒng)已實現(xiàn)部分內(nèi)容結(jié)構(gòu)化，但獲取病歷中有用知識的難點仍然存在。基于此，國內(nèi)學者也開展了一些探索性的研究，在病歷文本的自然語言處理領(lǐng)域提出了不同的解決方案，推動著國內(nèi)醫(yī)療信息化的不斷前進。如栗偉[5]研究了電子病歷文本挖掘關(guān)鍵算法，徐益輝[6]研究了中文醫(yī)療文本匿名化方法，李國壘等人[7]針對病歷信息通過潛在語義分析構(gòu)建了決策模型，林楓[8]研究了云計算技術(shù)在醫(yī)療大數(shù)據(jù)挖掘平臺設(shè)計中的應(yīng)用。

本文擬在借鑒中文病歷文本處理研究成果的基礎(chǔ)上，針對胃癌通過病歷文本中的詞進行聚類，探索詞或詞組與治療方案之間潛在的關(guān)系，建立1種決策支持模型。即首先對病歷文本進行分詞，再根據(jù)切分詞與病歷中抽取的治療方案的共現(xiàn)頻次，對切分詞進行聚類，并統(tǒng)計每份病歷文本在各聚類中匹配到的詞數(shù)；基于各類的匹配詞數(shù)與治療方案共現(xiàn)情況，探索性地采用Bayes判別思路建立起判別函數(shù)用以輔助決策。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來源

本文選取了2500份中南大學附屬三甲醫(yī)院2010-2014年已被確診為胃癌的電子病歷(入院病情摘要、診治過程)，將其隨機分為兩組：1 500份為訓練組，用于構(gòu)建決策支持模型；1 000份為測試組，用于評價決策支持模型。

1.2 病歷文本分詞

已有研究結(jié)果顯示，詞典結(jié)合統(tǒng)計的分詞方法是進行領(lǐng)域分詞的有效方法[9]。據(jù)此，本文采用如下分詞策略(圖1)。

年齡是影響治療方案選擇的重要因素，但作為連續(xù)指標切分后無意義。依據(jù)世界衛(wèi)生組織對年齡分段的劃分標準[10]，本文將入院病情摘要中的患者年齡進行對應(yīng)轉(zhuǎn)換，得到原始文本(圖2)。

筆者于2015年4月在中國生物醫(yī)學文獻數(shù)據(jù)庫中以分類號=R735.2(即胃腫瘤)進行檢索，時間限定為2001-2003年，導出關(guān)鍵詞和主題詞，歸并作為詞典1，共包含5 429個詞語。

圖1 分詞策略

圖2 病歷原始文本示例

利用詞典1進行分詞并基于分詞結(jié)果(圖3)，使用互信息值(MI)計算方法，計算分詞碎片中相鄰字詞的MI值。根據(jù)MI≥0，即兩個字詞具有正相關(guān)關(guān)系，篩選出11 845個詞語。將11 845個詞對與詞典1中的5 429個詞合并去重，構(gòu)成17 113個詞的新詞典—詞典2，并利用詞典2對原始文本再次進行分詞。

圖3 分詞結(jié)果

從分詞結(jié)果發(fā)現(xiàn)，經(jīng)詞典2分詞后的結(jié)果能切分出更多術(shù)語，如“蠕動波”“靜脈曲張”“無反跳痛”等都被有效切分，但由于不同病歷中的檢測指標單位描述不同，因此在檢測指標上切分效果不好，如血壓值基本被切分成“高壓值”“/”“低壓值mmHg”3個詞。該實驗也說明，在帶數(shù)字的檢測指標上，本方法不能實現(xiàn)有效切分。此外，受詞典中詞語的限制，也有錯誤切分。如“退指指套無血染”應(yīng)被切分為“退指”“指套”“無血染”3個詞，而實驗切分則是“退指指”“套”“無血染”3個詞。

1.3 輔助決策模型構(gòu)建

本文建模方法選擇Bayes判別分析。Bayes判別的準則是使本應(yīng)屬于某一類的樣品，經(jīng)過規(guī)則的判別后在應(yīng)屬類中取得最大的值或后驗概率，從而使得該樣品被判別為所屬類的原則。

1.3.1 切分詞處理

分詞結(jié)果中包含許多不具有實際意義的碎片。在建模前對分詞碎片進行處理，具體步驟如下：刪除超高頻詞部分的數(shù)字、標點及特殊符號；刪除不具備實際含義的單字詞，如“鳴”“查”等；低頻詞使用少且占據(jù)了分詞結(jié)果一半以上，結(jié)合分詞結(jié)果，刪除了詞頻小于11的詞。

切分詞經(jīng)處理后，共保留1 207個詞。其中大多為兩字詞，也有3字及3字以上的詞。

1.3.2 抽取治療方案

病歷中的診治過程詳細記錄了患者住院期間的診療經(jīng)過，包含患者的臨床癥狀的描述、檢查檢驗結(jié)果及治療過程。參考《2013胃癌規(guī)范化治療指南》[11]，本文將治療方案確定為手術(shù)治療、手術(shù)治療+放化療、放化療及對癥治療4種。根據(jù)出院記錄，確定如下治療方案抽取判定原則[12]。

若文本中出現(xiàn)“手術(shù)”相關(guān)字樣(全麻、根治術(shù)、切除、切除術(shù)等)且不出現(xiàn)“放療”“化療”字樣，判定該治療方案為手術(shù)治療；若既出現(xiàn)“手術(shù)”相關(guān)字樣，也出現(xiàn)“放療”“化療”相關(guān)字樣，判定該治療方案為手術(shù)治療+放化療；若僅出現(xiàn)“放療”“化療”相關(guān)字樣，不出現(xiàn)“手術(shù)”相關(guān)字樣，判定治療方案為放化療；若既不出現(xiàn)“手術(shù)”相關(guān)字樣，也不出現(xiàn)“放療”“化療”相關(guān)字樣，判定治療方案為對癥治療。

根據(jù)如上判定原則，從訓練組病歷中抽取治療方案，其中手術(shù)治療有794例，手術(shù)治療+放化療的有227例，放化療的有225例，對癥治療的有254例。隨機抽取100份進行人工比對，治療方案抽取準確率為97%。

1.3.3 構(gòu)建共現(xiàn)矩陣

統(tǒng)計訓練組所有病歷中1207個切分詞在與每種治療方案共現(xiàn)的頻次，生成切分詞與治療方案共現(xiàn)頻次表(表1)。

1.3.4 切分詞聚類

采用SPSS 19.0軟件，選擇類平均法，并采用平方歐式距離進行聚類。本文結(jié)合后續(xù)模型構(gòu)建的需要，分別選取3、4、5類建立模型。表2展示了聚類為4類時，各詞的所屬類別。

表1 切分詞與治療方案共現(xiàn)頻次統(tǒng)計(部分)

表2 聚類結(jié)果

1.3.5 建立Bayes判別模型

確定自變量。將判別指標按聚類結(jié)果別進行設(shè)定，即類1聚類結(jié)果為X1，類2、類3、類4分別設(shè)為X2、X3、X4。

確定因變量。以Y表示抽取的治療方案，將手術(shù)治療、手術(shù)治療+放化療、放化療、對癥治療4種治療方案對應(yīng)賦值1，2，3，4。

統(tǒng)計病歷中的匹配詞數(shù)。將1500份訓練組病歷文本與4個類中的切分詞進行匹配并統(tǒng)計。若某條病歷文本能與X1類中的10個詞匹配，則計數(shù)10次；文本中多次出現(xiàn)同一個詞，則只統(tǒng)記1次。表3展示了以聚類為4類為例，1500份訓練組病歷文本在4個類中切分詞匹配數(shù)及所屬治療方案分類。

表3 訓練組病歷文本中匹配詞數(shù)與治療方案共現(xiàn)

依據(jù)表3中的數(shù)據(jù)，采用SPSS 19.0計算得出判別方程中的各項系數(shù)，所得Bayes判別模型如下：

Y1=-7.868-0.062*X1-0.257*X2+0.394*X3+0.001*X4

Y2=-6.338-0.059*X1-0.312*X2+0.347*X3+0.001*X4

Y3=5.026+0.198*X1-0.347*X2+0.193*X3+0.013*X4

Y4=-6.050+0.251*X1-0.324*X2+0.213*X3+0.013*X4

同時，本文也分別得出了以聚類為3類和5類分別建立的判別模型。

Y1=-7.027-0.12*X1+0.383*X2+0.001*X3

Y2=-6.763-0.135*X1-0.333*X2+0.003*X3

Y3=-5.180+0.035*X1+0.162*X2+0.16*X3

Y4=-6.042+0.079*X1+0.18*X2+0.017*X3

Y1=-7.893-0.030*X1-0.556*X2+0.334*X3+0.132*X4-0.035*X5

Y2=-7.842-0.025*X1-0.634*X2+0.283*X3+0.143*X4-0.036*X5

Y3=-6.063+0.223*X1-0.581*X2+0.146*X3+0.115*X4-0.014*X5

Y4=-6.728+0.269*X1-0.497*X2+0.178*X3+0.089*X4-0.007*X5

2 結(jié)果與分析

2.1 分詞結(jié)果

本文采用了詞典分詞與統(tǒng)計分詞相結(jié)合的方法對病歷文本進行分詞，分詞結(jié)果主要通過分詞準確性及速度2個指標進行評價。本文主要關(guān)注分詞方法的準確性，未考慮分詞速度這一測評指標。因此，在評價過程中，采用召回率、準確率以及綜合指標F-1值對分詞效果測評[12]。

隨機抽取50條記錄，刪除標點等特殊字符。對抽取的記錄進行人工分詞，統(tǒng)計每份出院記錄切分好的詞語總數(shù)。利用本文中采用的分詞方法進行分詞，統(tǒng)計分詞結(jié)果，并計算切分出的總詞數(shù)和切分出的正確詞數(shù)(即人工分詞后的詞匯在機器分詞結(jié)果中出現(xiàn)的詞匯總數(shù))，計算每份記錄切分后的準確率、召回率和綜合指標F-1值，并以50條記錄計算的平均值作為測評結(jié)果。

經(jīng)驗證，將詞典結(jié)合統(tǒng)計分詞方法用于病歷文本分詞的召回率為74.24%，準確率為82.30%，F(xiàn)-1值為78.06%。

2.2 決策模型驗證結(jié)果

采用測試組的1000份病歷數(shù)據(jù)對建立的3個模型進行驗證，其中聚為3類時建立的決策模型判別準確率為48.4%，聚為4類時建立的決策模型判別準確率為51.3%，聚為5類時建立的決策模型判別準確率為60.2%。

結(jié)合病歷文本對所構(gòu)建的模型進行分析，發(fā)現(xiàn)只要病歷中出現(xiàn)“高齡患者”的病歷，構(gòu)建的判別模型手術(shù)治療一類的函數(shù)值均不是最高，這也與病歷中手術(shù)風險過高的描述吻合。若病歷中出現(xiàn)了“癌轉(zhuǎn)移”“廣泛轉(zhuǎn)移”“淋巴結(jié)轉(zhuǎn)移”等詞，判別模型對應(yīng)的放化療函數(shù)值大多為最高值，但這種情況僅限多數(shù)病歷。該判別模型所判別的治療方案為“放化療”與“對癥治療”兩種方案的判別值相近，這與原病歷中治療方案為“放化療”的患者同時也進行“補液”等對癥治療方案有關(guān)，即“放化療”通常都與“對癥治療”同時出現(xiàn)，故本文所建模型也與病歷中的情況相符。

此外，通過研究發(fā)現(xiàn)“高齡患者”“癌轉(zhuǎn)移”“廣泛轉(zhuǎn)移”等詞均屬于聚類結(jié)果中個性化用詞的一類，而這類詞對個性化治療方案的選擇是有影響的，且對于病歷中同時出現(xiàn)“放化療”和“對癥治療”兩種治療方案，判別模型也能反映出該特征，表明本文構(gòu)建的判別模型針對年齡及是否存在癌轉(zhuǎn)移兩種因素是有一定區(qū)分度的，且經(jīng)模型選擇的治療方案與病歷中治療方案的情況基本相符。

3 討論與結(jié)論

本文基于電子病歷中切分詞與治療方案的共現(xiàn)頻率，通過文本分詞、聚類分析及Bayes判別分析建立起了針對胃癌的輔助決策模型。在研究過程中，發(fā)現(xiàn)詞典結(jié)合統(tǒng)計的分詞方法用于電子病歷文本有較好效果，這也驗證了張梅山[9]提出的領(lǐng)域文本分詞方法。通過對切分詞的聚類，也發(fā)現(xiàn)部分詞或詞組與治療方案之間也存在一定關(guān)聯(lián)，如高頻詞“患者”“正常”“未見”都被聚類為一類，說明無論治療方案如何，這3個詞通常會同時出現(xiàn)；而“觸及、明顯”2個詞被聚為一類，發(fā)現(xiàn)多數(shù)病歷中均表述了“觸及明顯腫塊(腫物、包塊)”的表述，表明聚類分析用于挖掘病歷中的潛在知識是有價值的。

對于輔助決策模型的準確率不高(60.2%)，后續(xù)研究可以在兩方面進行改進。首先是檢查數(shù)據(jù)的利用，切分詞后的檢查數(shù)據(jù)為純數(shù)字，已經(jīng)失去了意義，但它對于治療方案的選擇是有參考價值的；其次是切分詞的處理，對于切分詞碎片的取舍也值得進一步研究。綜上所述，電子病歷的決策支持價值得以體現(xiàn)，所建模型對于胃癌治療方案的選擇有一定的參考價值，但模型是否適用于其他疾病還需進一步實驗，以期提高模型的判別精度，從而更好地實現(xiàn)輔助決策的效果。