基于集成支持向量機的醫療設備風險評估研究與應用*

陸陽，楊林，戴劍峰，王菁菁，王雪元

（蘇州大學附屬第一醫院醫學工程處，蘇州215006）

1 引 言

安全性和有效性是醫療設備應用于臨床的前提和基礎。聲、光、電、機械等多學科技術在醫療中的廣泛應用，提高診療水平的同時也帶來了潛在的風險。對風險進行評估、預警和控制是現代醫院醫學工程部門的重要職責[1-2]。

醫療設備使用風險的精確評估作為全生命周期設備管理的重要內容，越來越受到重視[3]。錢正瑛等[4]運用層次分析法將質控數據、專家意見和管理部門的評價指標綜合起來，實現了定性和定量評估相結合。Stine等[5]關注設備使用過程中的網絡風險問題，提出了一種醫療設備網絡風險評分體系，運用基于STRIDE模型的安全問卷得到設備的風險評分。Silva[6]、Custódio[7]等重點研究了人與設備之間的互動關系，從人因工程方面應用認知可靠性與錯誤分析方法（cognitive reliability and error analysis method，CREAM）評價操作人員的失誤率，以此作為可靠性評估的補充。Lin等[8]運用失效模式和效應分析法（failure modes and effects analysis，FMEA），建立基于風險的優先排序框架，并采用模糊理論將專家經驗轉化為量化信息，提高了評估準確率。

傳統的研究多為定性評價，依賴于專家意見，且未考慮因素之間的交互作用。近年來在信息、金融等領域廣泛應用的支持向量機能夠將歷史數據、專家經驗及多種不確定的信息綜合起來，對小樣本、高維非線性數據精確擬合，具有很強的泛化能力[9-10]。醫療設備風險因素復雜多樣，SVM采用近似算法來降低計算的時間及空間復雜度，為了進一步提高評估精度，本研究引入AdaBoost用于基學習器的訓練。AdaBoost可以優化精度較低的弱學習算法，訓練出高精度的強學習算法，在訓練中增加錯分樣本的權值，使迭代更多地關注錯分項[11-12]。

2 算法原理

2.1 SVM[9-10]

SVM是利用結構風險最小化原理求解最優分類超平面來得到高準確率的分類器，見圖1。令數據集為樣本總數，xi∈Rp?R，xi是p維向量，yi∈{-1，1} 為類標。在分類中找到最小誤差的分類器f（x）=sgn（wTx+b）作為超平面，為了找到最優分類器，需要對yi（＜w，xi＞+b）≥ 1-ξi（ξi≥ 0，i=1，2，…，N）以及進 行二次規劃。式中，用正規化參數C平衡分類器在數據集D中的時間復雜度與分類準確率，通過對偶函數求解二次規劃問題。用相應核函數替代上述公式中的內積，將線性問題轉換成非線性。

圖1 線性可分的最優分類超平面Fig 1 Optimal classification surface

2.2 AdaBoost[11-12]

AdaBoost的自適應性表現在被前一個基分類器錯分的樣本在后續迭代中會被加強，加權后的樣本再次訓練基分類器。同時，每次迭代會引入新的弱分類器，直至達到預先設定的最小錯分率或迭代次數。算法流程：數據集T=｛（x1，y1），（x2，y2），…（xn，yn）｝，xn表示訓練樣本數；yi∈{-1，}1，i=1，2，…，n；作為弱分類器在樣本x上的結果輸出。最終通過從訓練數據中學習弱分類器或基分類器，得到強分類器：

2.3 構建集成算法

用SVM生成一系列依賴于上一次訓練結果的基學習器，將AdaBoost用于基學習器的訓練中，通過前一次的錯分率優化樣本的概率分布，通過單個基分類器加權建立評估模型：

（1）設N個初始學習樣本集xi為樣本向量，xj是分類結果，初始樣本權重wi=1/N，i=1，2，…，N。設AdaBoost最大迭代次數T。

（2）利用支持向理機對加權訓練集進行訓練，得到第t（t=1，2，…，T）次的評估模型gt。

（4）設定基分類器權重αt =（ln（（1-εt）/εt））/2，調 整 訓 練 樣 本 權 重wt+1（i）=，式中Ct是歸一化因子，返回步驟（2）進行迭代。得到分類模型

3 風險評估建模

3.1 指標體系

采用德爾菲法結合相關性分析和鑒別力分析[14]確定評估指標，根據專家對重要性的打分，利用比例分配法計算三級指標權重，再經過加權得到一、二級指標權重。根據代表性和權威性原則，選取18位副高及以上職稱、從事設備管理或醫院管理8年以上的專家，其中來自三級醫院的占77.8%（14/18），從事醫學工程專業技術的占66.7%（12/18），其余主要從事醫院管理或臨床醫療。

收集相關文獻、論著等[14-15]，從設備、環境、人因、管理4個方面對指標進行歸類，根據客觀、完整和可操作原則整理初步指標。通過相關性分析和鑒別力分析，得到5對指標的相關系數大于0.6，2個指標的變差系數小于0.1，對上述12個指標進行精簡。經兩輪專家咨詢、調整，對專家的積極系數、和諧系數進行分析，最終意見趨于一致，重要性和必要性的W均值均大于0.5。形成由4個一級指標、12個二級指標、43個三級指標構成的指標體系，見表1。

表1 風險評價指標及權重Table 1 Risk evaluation index and weight

續表1

3.2 仿真試驗

設置5個風險等級作為輸出：非常低 M1、低M2、中M3、高M4和非常高M5。對某醫療設備歷史數據進行收集，組織專家對風險因素進行評估，獲得共20組數據作為樣本集。為了避免樣本量不足可能產生一定的誤差，影響模型的泛化能力，本研究采用N折交叉驗證對模型進行訓練和測試[16]。訓練樣本見表2，測試樣本見表3。在Matlab7.0中進行仿真試驗，并與其他算法作對比。

表2 訓練樣本Table 2 Training sample

3.3 結果分析

經過20次試驗，平均結果見圖2。訓練樣本中AdaBoost集成SVM分類正確率比單純SVM、BP神經網絡、模糊SVM分別高9.34%、14.67%、3.34%；測試樣本中分別高11.00%、15.00%、6.00%。本研究模型的評估正確率明顯高于傳統方法，顯示了該模型在風險評估中的優勢。

表3 測試樣本Table 3 Test sample

圖2 評估正確率比較Fig 2 Evaluation accuracy comparison

4 模型的應用

4.1 選取評估對象

選取本院（三級甲等）ICU在用呼吸機作為評估對象。呼吸機屬于急救和生命支持設備，主要用于治療呼吸衰竭等危重患者，與患者長時間直接接觸，具有用時急、分布廣、風險高的特點[17]。設備自身性能、操作人員水平、日常管理維護等都決定著呼吸機的使用能否安全有效。

4.2 評估方法及結果

邀請3名專家對ICU在用的20臺呼吸機進行現場評分。運用評估模型對其使用風險因素進行綜合評估，N折交叉測試模型性能。評估正確率達到了95.00%，比單純SVM算法高10.00%，比BP神經網絡高13.00%，比模糊集成SVM算法高7.00%。AdaBoost集成SVM在評估呼吸機使用風險中體現出優勢，可以綜合多種影響因素得出更精確的評估結果。

4.3 應用效果

對風險的精確評估可以指導預防性維護計劃的制定，能夠有效降低不良事件發生率、降低維修成本、提高設備使用率。近年來，本院加強了對醫療設備的信息化管理和有針對性的預防性維護，風險評估模型的應用進一步提高了醫工部門的工作效率，臨床滿意度也在不斷提高：2017年同比提高9%，2018年一、二季度同比提高了12%，真正做到持續改進有成效。

5 討論

影響醫療設備使用風險的因素很多，本研究將德爾菲法與相關性分析、鑒別力分析與相結合，確保了指標體系的客觀、完整和可操作。風險因素的復雜性要求評估方法的綜合性。SVM的處理樣本量少、信息高維非線性、避免陷入局部最優等優勢在醫療設備風險評估中得到了很好的應用；AdaBoost應用到基分類器的訓練進行一步提高了評估精度；N折交叉測試，驗證了模型的性能。醫療設備的信息化、智能化管理是降低使用風險的有效手段，如何運用信息化、智能化實現可視化管理，同時實現風險的自動預警是下一步的研究重點。