基于關聯分析的醫囑輔助決策圖譜應用研究

王苗

摘要：針對當前醫生工作現狀和醫囑聯用現狀，通過Python語言實現了一個醫囑決策輔助功能模塊，以優化醫院信息系統業務功能，加快診療速度。該文重點研究優化Apriori模型和構建醫囑知識圖譜，挖掘醫囑之間的關聯關系，補充醫囑組套，輔助醫囑決策。結果表明該模型運行結果良好，功能基本完備，具有一定的實踐價值，能夠加快推進我國智慧醫療建設進程。

關鍵詞：醫囑推薦;關聯規則;Apriori算法;Neo4j;知識圖譜

中圖分類號：TP399? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）25-0037-04

開放科學（資源服務） 標識碼（OSID） ：

1 引言

醫療過程所產生的海量數據中存在著潛在未被挖掘的寶貴經驗和規律[1]，不少國內外學者已經嘗試并成功將數據挖掘技術應用于醫療行業實際診療過程中，學術界對智慧醫療的探索也逐漸深入[2-12]。目前國內醫院信息系統中廣泛采用的輔助醫生開醫囑的方法包括：醫囑組套，醫囑模板和臨床路徑醫囑集。在中國抗擊新冠肺炎疫情的過程中，數據挖掘技術在防控手段、疫苗研發、疫情信息傳播等環節發揮了出色的作用[13]，這在一定程度上提高了人們對醫療大數據的重視程度，也充分說明了數據挖掘技術在醫療行業的潛在價值。

本文通過對醫院門診部醫護人員對醫療系統的相關需求進行實地調查和詢問后，發現了以下問題和需求：

（1）? 醫生工作現狀

對于醫療人員來說，工作中最常見的臨床操作之一就是“開具醫囑”，即醫生根據患者病史、診斷、檢驗檢查結果等下達醫學指令，其很大程度上會影響治療效果和進程。根據觀察，醫生每天花費在開具醫囑、修改和確認等環節上的時間過多，造成了工作效率的降低。例如高血壓患者一般都需要進行靶器官功能評估和合并癥篩查，其中包含血糖、血脂、心腎功能和眼底檢查等，若醫生在遇到每一位高血壓患者時，都需要一一開具以上醫囑，則會造成不必要的時間浪費。

（2）? 醫囑聯用現狀

臨床醫學上，不同患者在同一場景或相似診斷下開具的醫囑具有相似性，基于此，目前醫療系統輔助醫生開醫囑的常用方法之一就是醫囑組套。醫囑組套即事先定義的在多個相似場景或診斷下可以同時被開具的醫囑，一般是由臨床專業專家基于經驗和討論研究后制定，制定周期比較長，因此有限的醫囑組套有時候并不能及時跟上時代的步伐，滿足醫生快速開具醫囑的需求。

目前醫院的信息管理系統每天需要對上百萬名病人的診療過程進行記錄，而其中，蘊含著海量未被挖掘的醫學知識。通常情況下，相同場景或診斷下的歷史病案中會存在聯用頻率高的一些醫囑，相當于基于醫生經驗的潛藏在歷史醫療數據中的醫囑組套，本文關鍵就是找出基于歷史數據的某種疾病下醫囑記錄中的高頻項集，將其作為醫囑組套補充，輔助醫生做出醫囑決策。

因此，在醫生已經做出診斷的前提下，若醫院系統能夠基于歷史數據，挖掘歷史病案中相同疾病下關聯頻率較高的醫囑聯用組合，則可以在一定程度上對固定的醫囑組套進行補充，減少醫生開具醫囑的時間。同時可以輔助醫生借鑒其他醫生的治療方案，或是將自己過去的治療方法與現在進行對比結合，不斷優化治療療效。

2 系統設計

基于上述需求，本文提出了相應的解決方案：利用Neo4j數據庫存儲歷史診療數據，構建病案、診斷和醫囑節點，構建病案與診斷、病案與醫囑的關系邊，構成診斷與醫囑的知識圖譜，結合關聯規則分析技術的Apriori算法，基于輸入診斷或醫囑，從大量數據中查找關聯組合，并反饋給用戶，以輔助醫生針對診斷做出相應醫囑決策。

2.1 功能模塊設計

本文在處方醫囑錄入子系統的基礎上，為提高醫囑錄入的速度，增加基于診斷結果或輸入醫囑的關聯醫囑組套提醒功能模塊，其中功能具體描述為：①當用戶做出診斷結果時，功能自動推薦常用醫囑組合，即該診斷下的醫囑組套;②當用戶做出診斷，開立了醫囑時，推薦在該診斷下，與已開立醫囑聯用頻率最高的醫囑聯用組合。

2.2 數據庫設計

Neoj4數據庫需要存儲知識圖譜節點和關系邊，本文中節點有疾病實體、醫囑實體以及病案實體，其中疾病實體節點包含疾病ICD10編碼，疾病名稱;醫囑實體節點包含醫囑唯一標識碼，醫囑名稱，病案實體節點包括診療號，主治醫師職稱，格式如表1所示。通過構建SPO數據格式，將病案與疾病關聯，將疾病與醫囑關聯，其中病案與疾病的關系為“診斷”，病案與醫囑的關系為“開立”，如表2所示。

2.3 數據分析設計

本文使用的數據庫為Neo4j，并使用Python輔助進行數據處理和分析。首先以HIS系統現有的病患真實數據為數據源，對數據進行抽取和預處理，并導入Neo4j。接著使用SPSSModeler軟件中的Apriori模型進行模擬，從而對最小條件支持度和最低規則置信度進行初步篩選。通過Python語言構建Apriori算法，算法構建涉及組合頻繁項集、剪枝策略、刪除策略以及計數策略[14-15]，其中計數策略指考慮醫生職稱對醫囑開立準確性影響因素，為本文對Apriori算法的優化策略。

2.4 用戶界面設計

本文將通過Python語言設計一個簡單的可視化用戶界面，用于用戶與關聯分析模型的交互，頁面提供兩項功能，分別為在已有診斷下和在已有醫囑下的關聯推薦，并返回依據支持度、置信度、前項支持度和提升度排序的推薦醫囑。

3 實現過程與結果

3.1 構建知識圖譜

數據源于惠州市中大惠亞醫院2019年至2020年兩年間的真實診療數據，具有一定可鑒性，具體包括接診的患者信息、主要診斷、開立醫囑以及職工基本信息等，病案以患者流水號為唯一標識。對數據進行預處理后轉化為csv格式，導入Neo4j并構建節點與節點關系。

以“門診五官科”科室為例，以隨機三個疾病節點為例，查詢診斷節點、病案節點、醫囑節點以及三者之間的關系，查詢所得知識圖譜效果如圖1，其中，藍色代表病案實體，紅色代表疾病實體，黃色代表醫囑實體，疾病節點與病案節點之間存在關系邊“diagnose”表示該病案診斷為該疾病，病案實體與醫囑實體之間存在關系表“use”表示該病案開立了該醫囑。

3.2 構建推薦醫囑模型

進行關聯分析時，需要設立最小條件支持度Support和最小規則置信度Confidence，當指標設置得越低，分析所得的規則事務越多，但同時事務之間關聯性越弱[16]?；赟PSS關聯分析模型，通過從關聯規則的數量、質量兩個切入點對指標組合分別進行粗粒度和細粒度的分析比較，同時結合規則數量、平均條件Support、平均Confidence、平均規則Support、平均Lift和部署能力這幾個方面綜合進行比較，選擇最佳指標組合最低條件Support為3.5，最小規則Confidence為80的Apriori關聯模型，作為后續研究的模型指標，如表3。

3.3 構建Apriori模型

基于上文中關聯分析模型的閾值選擇，通過Python輔助編程，連接并獲取Neo4j庫中數據，并構建Apriori模型對數據進行關聯分析，其中構建計算模型時，從Neo4j庫中獲取醫囑開立醫生的職稱，轉化為職稱系數，與醫囑開立的頻次相乘，即計算醫囑開立頻次時，考慮醫生職稱所帶來的醫囑開立準確性的問題，職稱越高的醫生開立的醫囑頻次系數越高，從而優化醫囑聯用效果。

關聯規則的挖掘一般分為兩步：第一找尋有效的頻繁項集;然后，在上步的基礎上找尋有效的關聯規則。其中挖掘頻繁項集時的計數策略為從Neo4j庫中獲取醫囑開立醫生的職稱，轉化為職稱系數，存儲在LevelDict{}中，其中key值為獲取病案的序號，value值為職稱系數。進行項集頻次計數時，醫囑開立的頻次與該病案對應的職稱系數相乘，職稱越高的醫生開立的醫囑頻次系數越高，再將相乘后的頻次積計入頻次字典support_data{}中，代碼如圖2所示。

3.4 模型應用效果

基于診斷推薦醫囑效果如圖3。輸入患者診療號、主要診斷后，以默認的最小條件支持度和最小規則置信度，點擊推薦醫囑按鈕，推薦醫囑列表即顯示匹配診斷的各項集數醫囑頻繁項集的前十條醫囑/醫囑組合，按條件支持度降序排序顯示，由圖可以看到，當輸入主要診斷為變應性鼻炎時，得到各頻繁項集數第一推薦醫囑分別為：

（1）? 頻繁項集數為1的最佳推薦醫囑為{前鼻鏡檢查};

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

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

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

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

基于醫囑推薦聯用醫囑效果如圖4。當輸入主要診斷為“變應性鼻炎”，開立醫囑為{表面麻醉，玉屏風顆粒}時，最佳推薦醫囑規則后項為{前鼻鏡檢查}{前鼻鏡檢查，鼻內鏡檢查}{鼻內鏡檢查、吸入物變應原篩選（五官科專用），前鼻鏡檢查，鼻內鏡檢查}{吸入物變應原篩選（五官科專用），鼻內鏡檢查、吸入物變應原篩選（五官科專用），前鼻鏡檢查}{吸入物變應原篩選（五官科專用）}。

通過Cyper語言對Neo4j數據庫中各項目的計數匯總，系統推薦醫囑與源數據查詢結果（無考慮職稱） 相比，排序相同，在一定程度上可以驗證本模型的可行性和正確性。并經過專業醫生評估，具備一定的實踐價值和科學性，可在后期投入醫院試用。

4 結束語

本文在智慧醫療的大背景下，基于工作經歷與醫生需求，針對醫療系統輔助醫生開立醫囑功能進行研究。通過獲取醫院病患診療的實際數據，對數據進行預處理，基于Neo4j圖數據庫，構建病案、診斷和醫囑之間關聯的知識圖譜，并通過優化Apriori模型，在輸入診斷或醫囑的前提下，做出最佳醫囑組合推薦，以期能夠嵌入醫院信息系統，在診療過程中對固定的醫囑組套進行補充，輔助醫生做出最佳診療方案，從而一方面借助圖數據庫，優化數據存儲結構，提高數據檢索的速度，優化醫院信息系統業務功能，加快診療速度和提高病人治愈效果，改善醫患關系。另一方面，對我國在醫療大數據應用的研究上進行補充，將計算機編程技術融入醫療行業，響應國家鼓勵培養跨學科人才的號召，加快推進我國智慧醫療建設進程。

在醫院醫療數據中，蘊含了豐富的病案數據，例如患者的個人信息、患病歷史、過敏藥物史、檢查檢驗數據，開立醫囑的詳細信息，例如頻次、用量等。這些數據不僅能夠幫助我們進一步理解醫生的醫囑開立行為，更能挖掘醫囑之間相互作用和潛在的聯用風險，具有巨大的潛在價值。同時，藥物成分數據可以輔助模型對涉及藥品的醫囑進行相似性對比，從而構建細粒度的藥物相互聯用知識圖譜。關聯分析算法和Apriori模型是對事物關聯性最常用的一種研究方法，然而數據挖掘的算法知識涉及領域非常廣泛，未來將進一步研究數據挖掘技術，與醫院信息管理系統的其他模塊進行結合，探索醫療數據中更多的潛在價值。

參考文獻：

[1] 陳少敏，陳愛民，梁麗萍.醫療大數據共享的制約因素及治理研究[J].衛生經濟研究，2021，38（9）：18-20，24.

[2] 張桃紅，范素麗，郭徐徐，等.基于數據融合的智能醫療輔助診斷方法[J].工程科學學報，2021，43（9）：1197-1205.

[3] 石升，董金琳，王瑋，等.Apriori算法的改進及其在睡眠輔助醫療中的應用[J].小型微型計算機系統，2020，41（12）：2668-2671.

[4] 劉勘，張雅荃.基于醫療知識圖譜的并發癥輔助診斷[J].中文信息學報，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濕性關節炎中醫輔助診療系統[J].模式識別與人工智能，2021，34（4）：343-352.

[6] 陳杰，程勝，徐夢，等.面向醫療輔助診斷的可視化多屬性決策方法[J].計算機工程與應用，2020，56（8）：249-255.

[7] 梁書彤，郭茂祖，趙玲玲.基于機器學習的醫療決策支持系統綜述[J].計算機工程與應用，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鍵技術研究[D].北京：北京工業大學，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].中華醫學圖書情報雜志，2018，27（2）：63-68.

[12] 許杰.基于機器學習的醫療健康分類方法研究[D].鄭州：鄭州大學，2018.

[13] 孫燁祥，呂筠，沈鵬，等.健康醫療大數據驅動下的疾病防控新模式[J].中華流行病學雜志，2021，42（8）：1325-1329.

[14] Han，J.W.andKamber，M.數據挖掘：概念與技術[M].第三版.2012.

[15] 哈林頓，P.機器學習實戰[M].北京：人民郵電出版社，2013.

[16] 趙洪英，蔡樂才，李先杰.關聯規則挖掘的Apriori算法綜述[J].四川理工學院學報（自然科學版），2011，24（1）：66-70.

【通聯編輯：李雅琪】