基于HSM_LDA模型的在線醫(yī)院特色挖掘研究*

黃錦泉 張 楚 劉靈濤 潘 瑋 翟菊葉 劉玉文

(1蚌埠醫(yī)學(xué)院衛(wèi)生管理學(xué)院 蚌埠 233030 2蚌埠醫(yī)學(xué)院護理學(xué)院 蚌埠 233030)

1 引言

隨著我國“互聯(lián)網(wǎng)+醫(yī)療健康”事業(yè)的迅速發(fā)展，以“好大夫在線”“春雨醫(yī)生”等為代表的在線健康社區(qū)(online health communities，OHCs)逐步涌現(xiàn)[1]，為在線醫(yī)院的興起提供了平臺基礎(chǔ)。截至目前，眾多國內(nèi)醫(yī)院已在健康社區(qū)內(nèi)注冊賬號[2]成為在線醫(yī)院。與傳統(tǒng)線下就醫(yī)模式相比，在線醫(yī)院打破時空局限，實現(xiàn)了患者與醫(yī)生的跨時空交互，對提高醫(yī)療資源利用率[3]、促進醫(yī)療均衡發(fā)展具有推動作用。但OHCs尚缺乏全局性的在線醫(yī)院特色導(dǎo)航服務(wù)，用戶在線問診時無法根據(jù)自身病情選擇合適的醫(yī)院[4]，這在一定程度上限制了在線醫(yī)院服務(wù)質(zhì)量的提升。所以，從全局角度挖掘在線醫(yī)院的醫(yī)療特色，實現(xiàn)醫(yī)療特色精準導(dǎo)航，對提升在線醫(yī)院服務(wù)質(zhì)量、改善用戶問診體驗具有重要意義。

當前，在線醫(yī)療特色識別相關(guān)研究主要圍繞醫(yī)生和醫(yī)院兩方面展開。其中，醫(yī)生特色識別相關(guān)研究較多，主要是利用機器學(xué)習(xí)、自然語言處理等方式探索OHCs中醫(yī)生的專業(yè)領(lǐng)域，為患者提供高效便利的醫(yī)生推薦服務(wù)。例如，孟秋晴等[5]利用文本相似度和隱含狄利克雷分布(latent Dirichlet allocation，LDA)主題模型對患者問診文本和醫(yī)生回答文本進行挖掘，試圖分析在線醫(yī)生的診療特色。梁建樹等[6]利用Word2Vec和LDA等技術(shù)對OHCs中的醫(yī)生特征進行挖掘，并結(jié)合三支決策思想提出多維度的三支醫(yī)生推薦方法。該方法深入挖掘醫(yī)生特色，大幅度提高醫(yī)生推薦精準度。Li Y Y等[7]提出一種組合條件的目標醫(yī)生挖掘模型，該模型分為相似患者、相似領(lǐng)域和醫(yī)生績效3部分，最后采用線性加權(quán)整合3部分結(jié)果，挖掘符合患者需求的目標醫(yī)生。武家偉等[8]以O(shè)HCs中用戶評論文本作為數(shù)據(jù)源，融合知識圖譜和深度學(xué)習(xí)技術(shù)挖掘醫(yī)生服務(wù)特色。葉佳鑫等[9]利用Word2Vec模型對OHCs中醫(yī)生相關(guān)文本進行挖掘，從而找尋與目標醫(yī)生相似的醫(yī)生人群，進而對目標醫(yī)生進行標注，豐富醫(yī)生特征。在醫(yī)院特色識別方面，諸多學(xué)者開始挖掘目標醫(yī)院的特色科室，幫助患者解決掛錯號等問題。例如，寧建飛等[10]使用詞向量和句子相似度方法分析患者在線問診文本的語言特征，并進一步以詞向量代替詞頻比對問診文本和問答知識庫的相似度，從而挖掘目標醫(yī)院特色科室。鄭姝雅[11]提出一種基于線性支持向量機的醫(yī)院科室匹配方法，利用科室內(nèi)的接診記錄推算符合目標患者需求的特色科室。何慧茹[12]利用統(tǒng)計學(xué)原理對醫(yī)療資源進行收集與分析，通過徑向基函數(shù)(radical basis function，RBF)神經(jīng)網(wǎng)絡(luò)模型和模糊算法模型推導(dǎo)醫(yī)院中不同科室具備的特色。以上研究使用不同方式對在線醫(yī)院特色進行挖掘，雖然有助于改善OHCs的患者體驗，挖掘用戶需求，但無法從全局角度挖掘不同醫(yī)院之間的特色差異，且患者與醫(yī)院匹配不精準問題仍未得到較好解決。

因此，本研究將醫(yī)院ID融入傳統(tǒng)LDA模型中，構(gòu)建醫(yī)院特色識別模型(hospital special medical based LDA，HSM_LDA)。該模型將原始的“文本-詞匯”矩陣轉(zhuǎn)化為“醫(yī)院-詞匯”矩陣，聯(lián)合醫(yī)院、主題、詞匯3個變量進行建模，生成“醫(yī)院-主題”(E)和“主題-詞匯”(F)兩個分布矩陣，從而識別出醫(yī)院特色。

2 相關(guān)技術(shù)介紹

2.1 詞頻-逆文本頻率指數(shù)算法

詞頻-逆文本頻率指數(shù)[13](term frequency-inverse document frequency，TF-IDF)是文本數(shù)據(jù)挖掘的重要方法，主要用于度量文本中詞語的重要程度。一般情況下，詞語的重要程度不僅與該詞在文本中出現(xiàn)的次數(shù)有關(guān)，還與包含該詞語的文本數(shù)量有關(guān)。如果某個詞語在文本中出現(xiàn)的次數(shù)越高，且包含它的其他文檔數(shù)量越少，則該詞的重要程度就越高。

TF-IDF(wi)=TF(wi)×IDF(wi)

(1)

其中，TF(wi)表示詞語wi在文檔di中出現(xiàn)的頻率，IDF(wi)表示詞語wi的逆向文檔頻率。

2.2 LDA模型

LDA模型[14]是一種無監(jiān)督學(xué)習(xí)的文檔生成模型，于2003年被提出，可以計算文檔集中每篇文檔的主題概率分布和每個詞語的概率分布，主要用于文檔主題的聚類和分類。LDA建模過程可以分為4步：一是選擇一篇文檔，以α為超參數(shù)進行Dirichlet分布采樣生成“文檔-主題”概率θ；二是由θ分布生成所有文檔中詞語的主題Z；三是以β為超參數(shù)進行Dirichlet分布采樣生成“主題-詞匯”概率φ；四是由φ分布生成詞語W。

3 基于HSM_LDA模型的醫(yī)院特色識別方法

基于HSM_LDA模型的醫(yī)院特色挖掘過程主要包括3個步驟：下載在線醫(yī)院問診數(shù)據(jù)，并對問診文本進行分詞、去停用詞等，生成問診文本語料庫；將預(yù)處理后的文本進行TF-IDF運算，計算文本中詞匯的重要程度；建立HSM_LDA模型并對問診語料庫進行建模，生成“醫(yī)院-主題”(E)和“主題-詞匯”(F)兩個分布矩陣；根據(jù)分布F人工標注特色主題含義，再根據(jù)分布E獲取特色主題在醫(yī)院的分布，見圖1。

圖1 研究總體框架

3.1 HSM_LDA模型建立

設(shè)在線醫(yī)院的問診文本語料庫為D=[d1，d2，…，dm]T，其中，di=是個二元組，H_ID表示醫(yī)院編號，Text表示問診文本。K表示D中的主題數(shù)，W表示D中所有詞匯組成的集合。根據(jù)HSN_LDA模型的生成關(guān)系作如下定義。

3.1.1 定義1：“醫(yī)院-主題”分布E對任意醫(yī)院Hi的問診文本，生成主題的概率分布為EHi=，pz=nz/n，其中，nz表示醫(yī)院Hi問診文本中分配給主題z的詞匯數(shù)量，n表示醫(yī)院Hi問診文本的詞匯總數(shù)，則主題z在醫(yī)院Hi中生成概率如下：

(2)

3.1.2 定義2：“主題-詞匯”分布F對任意主題zi，生成詞匯的概率分布可表示為Fzi=，pi=ni/n，其中，ni表示詞語wi在主題zi中的頻數(shù)，n表示屬于主題zi的詞匯總數(shù)，k表示主題的數(shù)量。詞匯w在主題zi中的生成概率如下：

(3)

與LDA模型相比，HSM_LDA通過醫(yī)院ID參數(shù)在迭代采樣時，將屬于同一醫(yī)院ID的文本進行連接視為一條文本，從而將傳統(tǒng)LDA模型生成的“文本-主題”分布轉(zhuǎn)化為“醫(yī)院-主題”分布，見圖2。

圖2 HSM_LDA模型結(jié)構(gòu)

HSM_LDA與LDA的不同之處表現(xiàn)在以下兩方面：框架的外層表示醫(yī)院層，C表示醫(yī)院數(shù)量；E表示“醫(yī)院-主題”分布，F(xiàn)表示“主題-詞匯”分布。

3.2 模型公式推導(dǎo)

HSM_LDA模型運用超參數(shù)α生成一個“醫(yī)院-主題”概率分布，再運用β生成N個“主題-詞匯”概率分布，最后再生成問診文本的N個詞的聯(lián)合概率公式：

(4)

由于只有W是唯一可觀測值，如果要計算W的生成概率就需要對E和Z進行邊緣概率求解，從而消除E和Z。最終的詞匯生成概率計算方式如下：

(5)

得到詞匯生成概率后，可以通過采樣算法對模型中的E和F參數(shù)進行估計。常用估計方法是吉布斯采樣，通過期望最大化(expectation-maximum，EM)算法對E和F進行反復(fù)迭代，使其逐步收斂。基于HSM_LDA模型的醫(yī)院特色識別算法描述如下：

Input：α，β

Output：E，F(xiàn)

(1)Get{D，V} //讀入文本語料庫

(2)Fork=1 toK

(3) //計算問診文本主題

(4)Computeα，β

(5) //計算模型超參數(shù)

(6)Run Gibbs (α，β)

(7)//進行Gibbs采樣

(8) For eachwd

(9) Choose awfromEw～Multi(α)

(10) Choose awfromFw～Multi(β)

(11)End For

(12)GetE，F(xiàn)

(13) End For

3.3 最優(yōu)主題數(shù)計算

在運用HSM_LDA模型進行主題挖掘時，主題數(shù)K是影響主題挖掘效果的關(guān)鍵因素，本研究采用主題困惑度曲線估計K值。困惑度是主題不確定性的一種表達方式，困惑度越低表明主題聚類效果越好，其計算方式如下：

(6)

其中，N表示語料庫中的詞語總數(shù)，p(w)表示詞語w出現(xiàn)的概率。利用困惑度P和主題數(shù)K建立主題困惑度曲線，當P值最小時K最優(yōu)。但困惑度只是判定最優(yōu)主題數(shù)的一個粗略指標。所以，本研究在實驗過程中以困惑度最低點作為參考值，在最低點兩邊取值進行多次實驗，選擇效果最好的K值作為HSM_LDA模型的主題數(shù)。

4 實驗分析

4.1 數(shù)據(jù)來源及預(yù)處理

“好大夫在線”是我國常用的網(wǎng)絡(luò)醫(yī)療資源平臺，集合了1萬多家在線醫(yī)院，注冊醫(yī)生近60萬人[15]。眾多訪問用戶在平臺內(nèi)積累了大量問診數(shù)據(jù)。以“好大夫在線”為數(shù)據(jù)源，運用“八爪魚”網(wǎng)絡(luò)數(shù)據(jù)采集器獲取2022年4—5月患者問診數(shù)據(jù)148 376條，每條數(shù)據(jù)包括醫(yī)院ID、醫(yī)院名稱、患者性別、患者年齡、問診時間、問診文本和科室等信息。然后，按照問診數(shù)量由高到低對醫(yī)院排序，并選擇前100家醫(yī)院的問診記錄作為實驗數(shù)據(jù)集。運用jieba分詞工具[16]對問診文本進行分詞，并去除停用詞、介詞以及無用詞，建立醫(yī)院問診文本矩陣D。

4.2 實驗結(jié)果及分析

4.2.1 醫(yī)院醫(yī)療特色識別 HSM_LDA模型需要設(shè)置4個參數(shù)：超參數(shù)α、β，主題數(shù)K以及迭代采樣次數(shù)。通常情況下：α設(shè)置為0.5/K，β設(shè)置為0.1，迭代次數(shù)設(shè)置為1 000。當K設(shè)置為13時，主題困惑度最低。因此以13為主題數(shù)參考點，在13±5范圍內(nèi)進行多次實驗，最終結(jié)果顯示當主題數(shù)設(shè)置為15時主題識別效果最佳。運行HSM_LDA模型得到“主題-詞匯”(F)和“醫(yī)院-主題”(E)兩個分布矩陣。在F分布中，主題生成詞匯概率越大，詞匯的主題屬性越強。按照生成概率的大小選擇生成概率前15位的詞語作為主題關(guān)鍵詞，然后，根據(jù)詞匯表達出的語義，對特色主題含義進行人工標注，見表1。

表1 醫(yī)院特色主題識別結(jié)果(主題前10位)

從F分布中只能識別出特色主題的含義，不能確定醫(yī)院特色主題。因此，還需要進一步結(jié)合E分布來確定醫(yī)院的特色主題。問診量排名前10位的醫(yī)院主題識別結(jié)果，見表2。

表2 “醫(yī)院-主題”識別結(jié)果(H_ID前10位)

根據(jù)醫(yī)院生成主題的概率結(jié)果，在保證醫(yī)院特色主題有較高鮮明度的情況下，特色主題不至于太多。設(shè)置醫(yī)院特色主題概率閾值為0.1，高于閾值的主題定義為醫(yī)院特色主題。例如，編號為H_ID1的醫(yī)院特色主題包括主題1、主題3、主題6和主題11。

結(jié)合表1和表2可以得出醫(yī)院診療特色。例如，編號為H_ID1的醫(yī)院診療特色有：心血管系統(tǒng)疾病、耳鼻喉科疾病、男性生殖系統(tǒng)疾病與肛腸科疾病。依此類推，獲得每家醫(yī)院的醫(yī)療特色。

4.2.2 醫(yī)院醫(yī)療特色對比 由于多家醫(yī)院中會存在相同醫(yī)療特色，不利于患者選擇就診醫(yī)院，所以對相同醫(yī)療特色下的醫(yī)院進行排名。以醫(yī)院主題概率值表示醫(yī)院特色強度，對比同一特色下的多家醫(yī)院，見圖3。該排名有助于患者在多家醫(yī)院特色相同的情況下優(yōu)先選擇特色強度最高的醫(yī)院進行就診。

以安徽醫(yī)科大學(xué)第一附屬醫(yī)院為例，統(tǒng)計并分析其各科室問診量條數(shù)，見圖4。

圖4 不同科室問診量大小

再利用本文提出的HSM_LDA模型識別該醫(yī)院特色包含男性生殖系統(tǒng)疾病、心血管系統(tǒng)疾病和兒科疾病。與前文圖4中問診量前3位的科室相符，說明該模型識別出的醫(yī)院特色具有一定準確性。

4.2.3 模型評價 為驗證HSM_LDA模型的有效性，以醫(yī)院特色官方介紹作為評價標準，用準確率作為評價指標。準確率表示模型識別結(jié)果中符合官方特色數(shù)量(DS)除以模型識別出的特色總量(HS)：

(7)

結(jié)果發(fā)現(xiàn)，本文提出的HSM_LDA模型識別準確率達87%(100家醫(yī)院識別準確率均值)，見表3。

表3 官方特色與模型識別結(jié)果對比(H_ID前5位)

5 結(jié)語

本文在梳理OHCs相關(guān)研究時發(fā)現(xiàn)其無法從全局角度衡量不同醫(yī)院之間的特色差異。為彌補這一缺陷，提出一種基于在線醫(yī)院問診文本的醫(yī)院特色挖掘模型(HSM_LDA)。該模型在傳統(tǒng)LDA模型3層結(jié)構(gòu)的基礎(chǔ)上，用醫(yī)院層代替文本層，建立醫(yī)院、主題、詞匯之間的依賴關(guān)系，通過吉布斯多次采樣生成“醫(yī)院-主題”和“主題-詞匯”兩個分布矩陣，利用人工標注對主題詞匯進行識別，從而挖掘醫(yī)院特色。實驗證明，HSM_LDA模型在醫(yī)院特色識別中能達到較好效果。

本文提出的HSM_LDA模型易于挖掘OHCs中的醫(yī)院特色，有助于滿足患者選擇最佳就診醫(yī)院的需求，對推動OHCs發(fā)展具有一定積極意義。在后續(xù)研究中，可加入醫(yī)院官網(wǎng)公布的問診記錄，以增強醫(yī)院特色的鮮明程度；進一步細化特色主題含義，提高特色判定的準確性。目前模型的評價指標較少，后續(xù)研究會加入多種定量指標，以更好地展示模型性能以及更全面、細致的醫(yī)院醫(yī)療特色。