基于電子健康記錄特征組合與就醫(yī)畫像的再住院預(yù)測(cè)研究.pdf

1、再住院預(yù)測(cè)作為醫(yī)療健康領(lǐng)域的一個(gè)重要研究方向，逐漸受到學(xué)者和業(yè)界的重視。精準(zhǔn)和個(gè)性化的再住院預(yù)測(cè)對(duì)未來提升全民健康醫(yī)療、醫(yī)療公共服務(wù)水平和國家醫(yī)療保險(xiǎn)統(tǒng)籌規(guī)劃具有重大的應(yīng)用價(jià)值。隨著醫(yī)療信息化的不斷完善，醫(yī)療領(lǐng)域逐漸積累了大量的數(shù)據(jù)，為再住院預(yù)測(cè)研究提供更好的數(shù)據(jù)基礎(chǔ)。電子健康記錄（EHRs）基于電子形式按時(shí)間縱向地收集個(gè)人在不同時(shí)間的醫(yī)療健康數(shù)據(jù)，作為數(shù)據(jù)驅(qū)動(dòng)醫(yī)療研究的重要載體。電子健康記錄具有來源廣、類型多和維度高的性質(zhì)，包含很多和

2、再住院預(yù)測(cè)相關(guān)的信息。傳統(tǒng)的再住院預(yù)測(cè)方法是專家提取和再住院預(yù)測(cè)相關(guān)的特征用以表示病人的再住院環(huán)境。由于電子健康記錄的維度很高，提取特征時(shí)會(huì)造成特征爆炸問題，無法判斷大量的特征與再住院之間的相關(guān)性。若提取特征數(shù)量過少，則又無法保證預(yù)測(cè)方法的準(zhǔn)確性。為了解決海量特征降維問題，應(yīng)該在龐大而復(fù)雜的電子健康記錄中準(zhǔn)確找到和再住院行為最相關(guān)的特征組合進(jìn)行再住院預(yù)測(cè)，這樣既保證預(yù)測(cè)的準(zhǔn)確性又能提高方法的性能。此外，電子健康記錄具有時(shí)序性和關(guān)聯(lián)性，醫(yī)

3、療事件能被表示為醫(yī)療事件序列。人們的健康狀況不僅僅和當(dāng)前的身體狀況相關(guān)，更與以前的疾病、診療和服藥等密切相關(guān)。疾病的發(fā)展路徑和治療路徑共同決定健康走向，如未來可能會(huì)患某種疾病、再次住院和服用某種藥物等。因此，可以將醫(yī)療健康記錄以就醫(yī)畫像圖的形式表示，這樣可以更加形象地表達(dá)病人的就醫(yī)歷史。就醫(yī)畫像圖不僅體現(xiàn)了電子健康記錄的時(shí)序性和關(guān)聯(lián)性，也解決了數(shù)據(jù)稀疏性等問題。
　　針對(duì)上述問題，本文從最優(yōu)特征組合和就醫(yī)畫像圖兩方面對(duì)病人再住院預(yù)

4、測(cè)進(jìn)行研究，分別建模得到兩種病人再住院預(yù)測(cè)模型。本文的主要工作包括:
　　1.基于最優(yōu)特征組合的再住院預(yù)測(cè)模型(A Hospital Readmission Prediction Method Based on Optimal Feature Combination，MulFeature)。該方法利用了遺傳算法的適者生存，不適者被淘汰的自然進(jìn)化過程搜索最優(yōu)特征組合進(jìn)行再住院預(yù)測(cè)。具體來說，本文首先為每位患者提取和選擇多個(gè)特征，用來

5、表示病人的再住院環(huán)境;然后患者的特征作為輸入，通過具有多目標(biāo)適應(yīng)度函數(shù)的遺傳算法選擇再住院最優(yōu)特征組合;最后，集成學(xué)習(xí)算法用于對(duì)患者進(jìn)行分類，以確定患者是否在未來一段時(shí)間間隔內(nèi)重新入院。
　　2.基于病人就醫(yī)畫像圖的再住院預(yù)測(cè)模型(Predicting Hospital Readmission From Longitudinal Healthcare Data Using Graph Pattern Mining Based Te

6、mporal phenotypes，Tephe)。該方法基于圖理論知識(shí)得到每位患者的時(shí)序表征，利用時(shí)序表征對(duì)每位患者是否再住院進(jìn)行預(yù)測(cè)。具體而言，每個(gè)患者的醫(yī)療事件序列首先由就醫(yī)畫像圖表示;基于圖模式挖掘，我們定義更顯著的頻繁子圖作為時(shí)序表型，這能夠使我們更好地了解疾病的演變模式和治療路徑;此外，設(shè)計(jì)了一種貪心算法，為每位患者計(jì)算頻繁子圖的最優(yōu)表達(dá)系數(shù);最后，根據(jù)頻繁子圖的最優(yōu)表達(dá)系數(shù)，利用隨機(jī)森林進(jìn)行再住院預(yù)測(cè)。
　　本文使用多

7、家綜合醫(yī)院在2011年到2016年內(nèi)收集的病人真實(shí)電子健康記錄來評(píng)估兩個(gè)再住院預(yù)測(cè)方法。電子健康記錄包括三部分?jǐn)?shù)據(jù):臨床診療數(shù)據(jù)、健康體檢數(shù)據(jù)和醫(yī)療保險(xiǎn)數(shù)據(jù)。為了驗(yàn)證基于最優(yōu)特征組合的再住院預(yù)測(cè)模型，本文分別將精神分裂癥病人和冠心病病人的電子健康記錄作為實(shí)驗(yàn)數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明，與基線方法相比該方法是有效的。本文在真實(shí)臨床場(chǎng)景下驗(yàn)證基于病人就醫(yī)畫像圖的再住院模型，將冠心病患者的電子健康記錄作為實(shí)驗(yàn)數(shù)據(jù)。與基線方法相比，在該臨床場(chǎng)景下本文的