基于数据挖掘的患者流向异常检测方法研究

摘要

优质医疗资源分布不均、患者流向不合理导致“看病难、看病贵”问题日益突出，为此国家着力推进分级诊疗制度。患者流向监测是分级诊疗监管工作的重中之重，当前单纯依靠统计性指标的监管方法存在效率低、针对性差等弊端。本文提出了利用患者就诊数据借助数据挖掘技术来辅助监管，并重点对患者就诊数据清洗和特征选择、“跨级首诊”和“上下转诊”流向的异常检测方法进行研究。
　　（1）数据清洗和特征选择。对人口数据和患者病案进行分析，抽取出患者流向相关字段，通过数据预处理技术完成数据清洗、转换和特征选择，解决了原始数据集成程度低、可用性差等问题。
　　（2）跨级流向异常检测方法研究。针对当前异常数据的特点提出了基于偏差法的异常检测方法，首先基于概念聚类的思想完成基层流向患者画像，然后将跨级患者与基层患者对比，识别出“应该在基层就诊却流向大医院”的异常流向。在算法设计上，提出了适用于含噪音数据集的两阶段k-means算法，并将无监督与有监督算法结合，克服了聚类算法解释性差的缺点。
　　（3）转诊流向异常检测方法研究。首先针对异常转诊现状，选择常见慢性病为分析对象；然后使用BP神经网络，以住院天数为因变量、整个住院过程中可能对住院天数产生影响的诸多因素为自变量，构建住院天数预测模型，将预测值与实际值对比，识别由于“没有及时转诊”而导致实际住院天数远大于正常住院天数的异常患者流向。
　　基于数据挖掘的患者流向异常检测方法能更及时、全面、有效地评估患者流向是否合理，不仅解决了当前监测方法存在的问题，还能借助患者多维信息更轻易地找到产生异常的原因，为扭转不合理流向提供了决策支持。

目录

第一章 绪论

1.1 选题背景与意义

1.2 国内外研究现状

1.3 研究目的及内容

1.4 论文的组织结构

第二章 基础理论与关键技术

2.1 患者流向

2.2 相关基础算法

2.3 k-means聚类算法

2.4 PART规则提取算法

2.5 BP神经网络

2.6 本章小结

第三章 数据预处理

3.1 数据分析与抽取

3.2 数据清洗

3.3 缺失值填补

3.4 数据转换

3.5 特征选择

3.6 本章小结

第四章 基于偏差法的异常跨级流向检测

4.1 数据分析

4.2 基于聚类算法的患者粗粒度画像

4.3 基于规则算法的患者细粒度画像

4.4 基于偏差法的异常检测

4.5 本章小结

第五章 基于住院天数预测的异常转诊流向检测

5.1 数据选择

5.2 住院天数预测

5.3 基于预测的异常检测

5.4 本章小结

第六章 全文总结与展望

6.1 全文总结

6.2 后续工作展望

致谢

参考文献

攻读硕士学位期间取得的成果