基于改進k-means的醫(yī)院患者流向異常聚類研究

楊婷婷

(如皋市人民醫(yī)院， 江蘇， 如皋 226500)

0 引言

患者流向監(jiān)測是實現(xiàn)分級診療制度的關(guān)鍵。目前，患者流向監(jiān)測主要依靠統(tǒng)計性指標，但由于醫(yī)療信息化水平的提高，采用該方法進行流向監(jiān)測存在效率低、可靠性差等問題。因此，為提高患者流向監(jiān)測效率和可靠性，研究以數(shù)據(jù)產(chǎn)生源頭為出發(fā)點，通過大數(shù)據(jù)聚類分析和異常檢測，挖掘異常的醫(yī)院患者流向及其異常流向原因。現(xiàn)今，常用的數(shù)據(jù)聚類分析方法包括DBScan、Hierarchical Clusterer、k-means算法等，如武煒杰等[1]、張巧等[2]、李玥等[3]分別采用上述算法，完成了各個領(lǐng)域海量數(shù)據(jù)的分類，更好地實現(xiàn)了目標跟蹤等目的；異常檢測方法主要為基于偏差法檢測，如孫宇豪等[4]、秦婉亭等[5]基于偏差法完成了對微信和颶風軌跡異常的檢測。基于上述研究，綜合考慮醫(yī)院患者流向異常數(shù)量巨大等特殊因素，本文決定首先采用k-means算法對患者數(shù)據(jù)分類，然后借助偏差法進行識別，實現(xiàn)患者流向異常檢測。

1 k-means 算法及改進

k-means算法是一種常見的劃分聚類分析算法，其聚類思想是對給定的樣本集，按照樣本間的距離大小劃分為k個類簇，并盡量使每個類簇間的距離最大。該算法初始k值為隨機設置，且通常以所有點平均值作為質(zhì)心，故其對含有噪聲的數(shù)據(jù)集聚類效果差[6]。本研究中，醫(yī)療患者數(shù)據(jù)復雜且噪聲明顯，因此為提高聚類效果，提出兩個階段的k-means改進算法。

第一階段，確定聚類個數(shù)k1和初始質(zhì)心進行聚類。研究采用最大最小距離法確定初始質(zhì)心，以保證每次選擇的質(zhì)心均遠離已經(jīng)選擇的質(zhì)心。最后，根據(jù)確定k1值和質(zhì)心，進行聚類，得到聚類結(jié)果。

第二階段，根據(jù)第一階段聚類結(jié)果劃分為常見患者、罕見患者、極罕見患者集合。由于極罕見患者數(shù)量較少，因此研究對其進行刪除處理，并采用k-means算法分別對常見患者和罕見患者集合進行聚類，并輸出結(jié)果。

改進的k-means算法流程如圖1所示。

圖1 改進k-means算法流程

2 基于改進k-means的醫(yī)院患者流向異常檢測

基于改進k-means的醫(yī)院患者流向異常檢測流程主要分為兩步，具體如下。

(1) 異常聚類。根據(jù)基層患者特征，采用改進k-means算法進行聚類。首先,對不同k取值進行反復實驗，確定最優(yōu)k值，并將其作為最終聚類簇個數(shù)；然后，采用最大最小距離法選擇初始質(zhì)心；最后，選取最優(yōu)的指標進行聚類并存儲聚類結(jié)果。

(2) 異常識別。假設患者跨級就診均為合理，則患者靠近特殊簇，遠離基層患者簇。采用歐氏距離d量化“靠近”和“遠離”的關(guān)系；采用向量表示跨級患者x的11維特征[x1,x2，…，x11]，標記每個類簇的質(zhì)心c為向量[c1,c2，…，c11]，則通過式(4)可計算x到每個類簇質(zhì)心c的距離，標記距離最近的類簇i到質(zhì)心c的歐式距離為dxi，

(1)

上述患者流向異常檢測流程如圖2所示。

圖2 異常識別流程

3 仿真實驗

3.1 數(shù)據(jù)來源及處理

研究以2020年住院病案首頁及人口信息庫650多萬條記錄為原始數(shù)據(jù)集，并從中任意抽取連續(xù)10天的病案數(shù)據(jù)約20萬條記錄作為實驗數(shù)據(jù)集。考慮到數(shù)據(jù)集中存在無關(guān)或冗余或缺失的字段，研究對實驗數(shù)據(jù)集進行了數(shù)據(jù)清洗、缺失值填補、標準化預處理。

對于格式錯誤的數(shù)據(jù)，采用正則表達式進行查找并進行人工修正；對于重復數(shù)據(jù)，研究采用刪除保留一條數(shù)據(jù)；采用模糊匹配[7]和推理填補[8]的方式對缺失字段進行填補；采用標準差標準化(z-score)[9]對所有數(shù)據(jù)進行標準化。標準化公式如下：

(2)

式中，μ為均值，σ為標準差。根據(jù)上述標準化處理，得到均值為0，標準差為1的標準正態(tài)分布數(shù)據(jù)集。

3.1.1 特征選擇

為更好地識別患者流向異常，根據(jù)患者健康狀況、經(jīng)濟狀況、社會因素等關(guān)鍵特征進行篩選，最終確定了跨級流向的患者特征，如表1所示。

表1 跨級流向患者特征

3.2 評價指標

選取誤差平方和(SSE)、鄧恩指數(shù)(DVI)、戴維森堡丁指數(shù)(DBI)作為評估基于改進k-means算法的醫(yī)院患者流向異常檢測方法效果，其計算方法如式(3)～式(5)[10]:

(3)

(4)

(5)

3.3 聚類結(jié)果分析

3.3.1 算法驗證

為驗證本研究改進k-means算法的有效性，研究對比傳統(tǒng)k-means算法，在相同參數(shù)設置下進行了實驗，結(jié)果如圖3、圖4所示。

圖3 不同k值下算法性能

圖4 改進k-means與傳統(tǒng)k-means聚類結(jié)果統(tǒng)計

由圖3可知，隨著算法第一階段k值增大，算法運行時間逐漸上升，迭代次數(shù)逐漸增加，誤差平方和逐漸減小。當k<200時，誤差平方和下降幅度較大；當k>200時，誤差平方和下降幅度逐漸趨于平緩，因此可確定本研究提出的改進k-means算法第一階段k=200。由圖4可知，相同聚類個數(shù)條件下，取任意k值，改進k-means算法的誤差平方和均低于傳統(tǒng)k-means算法的誤差平方和，且隨著類簇個數(shù)的減小，優(yōu)化效果更明顯。

3.3.2 算法比較

為進一步驗證本研究算法聚類效果的優(yōu)越性，研究對比cobweb、DBScan、Hierarchical Clusterer算法進行聚類實驗，結(jié)果如表2所示。由表2可知，不同算法的聚類時間和聚類結(jié)果不同。其中，Hierarchical Clusterer算法因復雜度較高，無法完成建模分類；cobweb、DBScan算法聚類時間較長，且聚類個數(shù)較多；傳統(tǒng)k-means算法聚類時間最短，但其聚類效果最差；改進k-means算法建模時間略長于傳統(tǒng)k-means算法，但其聚類效果優(yōu)良。因此，綜合考慮算法聚類時間與聚類效果，本研究提出的改進k-means算法性能優(yōu)于cobweb、DBScan、Hierarchical Clusterer和傳統(tǒng)k-means算法。

表2 不同算法結(jié)果對比

3.4 異常檢測結(jié)果分析

為驗證本醫(yī)院患者流向異常檢測方法的有效性，分別在不同臨界值(dxi)下進行實驗。不同臨界值下患者分布如圖5所示。由圖5可知，當臨界值dxi≤max(i)時，有59%的患者跨級異常但不屬于特殊簇，會被判斷為異常流向；當dxi≤max(i)/2時，有18%的患者跨級異常但不屬于特殊簇，會被判斷為異常流向。由此說明，目前就醫(yī)情況異常跨級的醫(yī)院患者較多。

(a) dxi≤max(i)條件下患者分布

(b) dxi≤max(i)/2條件下患者分布圖5 不同臨界值下患者分布

選取dxi≤max(i)時，被判斷為異常跨級的醫(yī)院患者與正常跨級的醫(yī)院患者進行疾病難度等多維度對比，結(jié)果如表3所示。由表3可知，在年齡、入院病情、疾病難度等多維度特征分布上，本研究檢測方法對異常流向的跨級醫(yī)院患者的判定結(jié)果與預期基本相符，說明該檢測方法合理。

表3 正常跨級與異常跨級患者對比

為進一步評估本研究提出的醫(yī)院患者流向異常檢測模型的準確性，研究抽取400條數(shù)據(jù)進行專家審核。根據(jù)專家評審結(jié)果可知，采用本研究提出方法標記的跨級就診中，被判斷為異常流向的患者均被專家評審為異常流向，判斷準確率為100%；有31.83%異常流向的醫(yī)院患者被判斷為正常流向，判斷準確率為68.17%；有14.73%被判斷為異常流向的患者屬于合理跨級就診，判斷準確率為85.27%。由此說明，本研究提出的醫(yī)院患者流向異常檢測模型可有效識別出政策難以界定的患者流向。

為分析造成醫(yī)院患者流向異常的原因，研究將未納入政策評判的收入水平、住址與醫(yī)院距離等指標加入模型進行深入分析。根據(jù)分析結(jié)果可知，85.92%的異常跨級就診患者收入水平高于該省平均收入水平；64%的異常跨級就診患者在距離大型醫(yī)療機構(gòu)10 km范圍內(nèi)。由此可知，中高等收入或居住地在大型醫(yī)療機構(gòu)附近的人群很可能選擇越過基層醫(yī)療機構(gòu)，直接到大型醫(yī)療機構(gòu)就診。

4 總結(jié)

通過上述分析可知，本研究提出的基于醫(yī)療大數(shù)據(jù)的醫(yī)院患者流向異常檢測模型，可根據(jù)正常流向患者聚類結(jié)果，有效識別出跨級異常流向的患者，并結(jié)合異常流向患者特征找到造成異常流向的原因，提出改善異常流向的對策。