基于隨機森林的醫(yī)聯(lián)體雙向轉(zhuǎn)診智能決策研究與應(yīng)用

周穎　胡外光　陳敏蓮　胡珊珊

摘? ?要：針對醫(yī)聯(lián)體平臺中實際雙向轉(zhuǎn)診過程存在轉(zhuǎn)診安排不及時，患者不滿意等問題，設(shè)計了一種基于隨機森林的雙向轉(zhuǎn)診智能決策方法。該方法選取影響轉(zhuǎn)診的5個主要因素，建立了包括床位數(shù)、床位使用率、疾病治愈率、治療費用、相距距離五大指標(biāo)的智能轉(zhuǎn)診評分模型;然后利用大數(shù)據(jù)和隨機森林的方法對主要因素進(jìn)行分析，以分?jǐn)?shù)的形式來衡量待轉(zhuǎn)診醫(yī)院適合度。實踐效果表明，基于這5個主要因素的預(yù)測可以羅列出多種轉(zhuǎn)診方案，為轉(zhuǎn)診安排精準(zhǔn)化決策提供一種依據(jù)，從而提高轉(zhuǎn)診效率。

關(guān)鍵詞：雙向轉(zhuǎn)診;智能決策;醫(yī)聯(lián)體;隨機森林

中圖分類號：TP399? ? ? ? ? ? ? ?文獻(xiàn)識別碼：A

Intelligent Decision-making for Two-way Referral of Medical

Alliance Based on Random Forest and its Application

ZHOU Ying ，HU Wai-guang，CHEN Min-lian，HU Shan-shan

（Data Information Management Center of Hunan Children's Hospital，Changsha，Hunan 410083，China）

Abstract：Aiming at the problems in the actual two-way referral process of medical alliance platform，such as untimely referral arrangement and unsatisfactory patients，a two-way referral intelligent decision method based on random forest was designed. In this method，five main factors affecting referral were selected and an intelligent referral scoring model was established，including the number of beds，bed utilization rate，disease cure rate，treatment cost and distance. Then，big data and random forest methods are used to analyze the main factors and measure the suitability of the hospital to be referred to in the form of scores. The practical results show that predictions based on these five main factors can list a variety of referral plans，provide a basis for accurate decision-making on referral arrangements，and improve the efficiency of referrals.

Key words：two-way referral;intelligent decision;medical alliance;random forest

在我國醫(yī)療體制改革進(jìn)程中，雙向轉(zhuǎn)診是在社區(qū)首診基礎(chǔ)上建立的扶持社區(qū)醫(yī)療衛(wèi)生，解決“看病難、看病貴”的一項重要舉措[1]，它可以有效地引導(dǎo)病人合理分流，促進(jìn)衛(wèi)生資源合理利用[2]。雙向轉(zhuǎn)診是根據(jù)病情需要而進(jìn)行的上下級醫(yī)院間、?？漆t(yī)院間或綜合醫(yī)院與?？漆t(yī)院間的轉(zhuǎn)院診治的過程[3]。它有縱向轉(zhuǎn)診、橫向轉(zhuǎn)診兩種形式?？v向轉(zhuǎn)診即是上下級醫(yī)院之間的轉(zhuǎn)診。橫向轉(zhuǎn)診就是同級別綜合醫(yī)院之間，綜合醫(yī)院與?？漆t(yī)院之間的轉(zhuǎn)診[4]。主要討論縱向轉(zhuǎn)診，即上下級醫(yī)院間雙向轉(zhuǎn)診。而在實際轉(zhuǎn)診過程中存在轉(zhuǎn)診安排不及時等問題，導(dǎo)致患者不滿意。

某省兒童醫(yī)院牽頭成立兒科醫(yī)聯(lián)體，經(jīng)過多年持續(xù)投入，目前該醫(yī)聯(lián)體輻射區(qū)域5省21市州，成員單位156家。已建立的這個比較完備的兒科醫(yī)聯(lián)體平臺，實現(xiàn)了對轉(zhuǎn)診病人診療全過程的信息化管理，逐步積累了以患者為核心的海量臨床診療數(shù)據(jù)?；谠搩嚎漆t(yī)聯(lián)體平臺海量數(shù)據(jù)，提取出5個轉(zhuǎn)診指標(biāo)，利用大數(shù)據(jù)和隨機森林的方法對主要因素進(jìn)行分析，當(dāng)患者轉(zhuǎn)診時，為其提供若干個醫(yī)院進(jìn)行轉(zhuǎn)診選擇，在充分尊重患者選擇權(quán)的前提下，引導(dǎo)和規(guī)范病人的就診。

1? ?智能決策模型

提出的雙向轉(zhuǎn)診智能決策模型是一種以分?jǐn)?shù)的形式來衡量待轉(zhuǎn)診醫(yī)院適合度的技術(shù)手段。智能評分模塊算出所有待轉(zhuǎn)診醫(yī)院的綜合評分后，供醫(yī)生和病友雙向參考，真正做到最智能、最恰當(dāng)?shù)霓D(zhuǎn)診，優(yōu)化醫(yī)療資源配置，讓病友更加智能地享受醫(yī)療服務(wù)[5]。整個評分體系從病房床位數(shù)、床位使用率、疾病治愈率、治療費用、相距距離等5個維度按不同權(quán)重進(jìn)行打分，具體如圖1所示。具體特征描述如下：

（1）床位數(shù)。按照2018年國家衛(wèi)健委發(fā)文的綜合醫(yī)院建設(shè)標(biāo)準(zhǔn)，醫(yī)院病床數(shù)量分為6級，即200張床以下、200～399床、400～599床、600～899床、900～1199床、1200～1500床及以上6個級別。單個科室床位數(shù)參照按照上述醫(yī)院總床位數(shù)按50分、60分、70分、80分、90分、100分6個檔次進(jìn)行打分，床位數(shù)評分占整個評分體系的10%。

（2）床位使用率。病床使用率是反映每天使用床位與實有床位的比率，即實際占用的總床日數(shù)與實際開放的總床日數(shù)之比，它能反映醫(yī)院病床的工作負(fù)荷情況。下節(jié)介紹通過隨機森林算法對待轉(zhuǎn)診醫(yī)院的床位使用率進(jìn)行預(yù)測，床位使用率作為待轉(zhuǎn)診醫(yī)院未來時間點接待能力的重要體現(xiàn)，占整個評分體系的35%。

（3）疾病治愈率。按照治愈率=治愈出院人數(shù)/收容總數(shù)×100這個公式，通過加工醫(yī)院HIS系統(tǒng)現(xiàn)有數(shù)據(jù)獲得，治愈率75%以下得80分，治愈率75%-85%得90分，治愈率85%以上得100分，疾病治愈率占整個評分體系的30%。

（4）治療費用。治療費用是指待轉(zhuǎn)診患者轉(zhuǎn)到目標(biāo)醫(yī)院后治愈疾病需要花費的費用。不同的疾病一般會有不同的費用區(qū)別，系統(tǒng)會按照疾病類別對治療成本進(jìn)行打分。考慮到治病第一的原則，本系統(tǒng)治療費用評分只占整個評分體系的10%。

（5）相距距離。相距距離是指待轉(zhuǎn)診醫(yī)院和目前就診醫(yī)院間點到點的距離，通過兩者的經(jīng)緯度數(shù)據(jù)計算而得，單位為公里。系統(tǒng)按照計算結(jié)果將相距距離分為遠(yuǎn)、中、近三個檔次，距離評分占整個評分體系的15%。

2? ?模型設(shè)計與實現(xiàn)

2.1? ?體系結(jié)構(gòu)

設(shè)計的醫(yī)聯(lián)體雙向轉(zhuǎn)診智能決策系統(tǒng)具體如圖2所示，按功能可以分為以下幾個模塊：

（1）標(biāo)準(zhǔn)體系模塊：醫(yī)聯(lián)體信息平臺的首要任務(wù)是建立標(biāo)準(zhǔn)體系，統(tǒng)一訪問接口、交換接口、指標(biāo)口徑等，從而打破各醫(yī)院的信息孤島，才能充分信息共享。

（2）醫(yī)聯(lián)體醫(yī)療數(shù)據(jù)資源庫模塊：標(biāo)準(zhǔn)體系建立后，需要建立醫(yī)聯(lián)體集中的醫(yī)療數(shù)據(jù)資源庫，用集中模式建立相關(guān)資源庫。建立大集中的數(shù)據(jù)中心，是實現(xiàn)智能決策的數(shù)據(jù)基礎(chǔ)。在具體和各醫(yī)院系統(tǒng)的對接過程中，可能需要對各醫(yī)療機構(gòu)醫(yī)院信息系統(tǒng)進(jìn)行改造，以適應(yīng)醫(yī)聯(lián)體信息化的要求。

（3）智能決策引擎模塊：基于醫(yī)聯(lián)體醫(yī)療數(shù)據(jù)資源庫存儲的各醫(yī)院數(shù)據(jù)，按照智能決策模型中的床位數(shù)、床位使用率、疾病治愈率、治療費用、相距距離等5個指標(biāo)進(jìn)行數(shù)據(jù)加工得分，并按相關(guān)權(quán)重算出綜合得分。

（4）搜索展示界面模塊：作為該系統(tǒng)與使用人員交互的唯一渠道，向醫(yī)護(hù)人員和患者提供按病種、距離等因素，羅列所有待轉(zhuǎn)診醫(yī)院的得分情況。

2.2? ?基于隨機森林的床位使用率預(yù)測

作為一種新興高度靈活的機器學(xué)習(xí)算法[5]，隨機森林通過集成學(xué)習(xí)的思想將多棵決策樹進(jìn)行集成，根據(jù)每顆cart樹是分類樹還是回歸樹，隨機森林可以分別應(yīng)用在分類和回歸問題上，對輸入變量進(jìn)行離散型和連續(xù)型的輸出預(yù)測[6]。隨機森林作為一種集成學(xué)習(xí)方法，通過產(chǎn)生多個分類樹來生成結(jié)果，即在特征的選取和數(shù)據(jù)的選取上進(jìn)行隨機化，生成許多分類樹，再匯總分類樹的結(jié)果。隨機森林在復(fù)雜度沒有顯著提高的情況下，提高了預(yù)測精度，且對多元線性不敏感，因此對缺失數(shù)據(jù)和非平衡數(shù)據(jù)比較穩(wěn)健[7]。

住院部病床使用率作為判定科室忙閑程度的重要指標(biāo)，也是決定是否轉(zhuǎn)診的重要因素之一。通過對某省兒童醫(yī)院2013-2019年醫(yī)療統(tǒng)計指標(biāo)進(jìn)行分析，我們發(fā)現(xiàn)醫(yī)院住院部的單日床位使用率跟就診日期、科室類別、是否重點科室等因素相關(guān)。因此，我們利用隨機森林算法，對某省兒童醫(yī)院待轉(zhuǎn)診科室在將來某天的床位使用率進(jìn)行預(yù)測，并將其作為轉(zhuǎn)診智能決策模型得分的重要組成部分。

整個預(yù)測過程大致包括數(shù)據(jù)收集預(yù)處理、特征提取、建模、預(yù)測等步驟。經(jīng)過數(shù)據(jù)收集預(yù)處理，加工得到某省兒童醫(yī)院30個科室7年（2013-2019年）共76650條數(shù)據(jù)作為樣本集，并以每個樣本中的就診日期、科室類別、是否重點科室、開放床位數(shù)、每日門急診數(shù)等5列作為特征來搭建模型。在具體實現(xiàn)中，有放回地從訓(xùn)樣本集中隨機抽取80%的樣本數(shù)據(jù)作為訓(xùn)練集，并且隨機選擇部分特征，來訓(xùn)練決策樹。按照上述步驟，當(dāng)訓(xùn)練出多棵決策樹后，便構(gòu)成了整個隨機森林模型。同時，從樣本集中隨機抽取20%的樣本數(shù)據(jù)作為測試集，來對訓(xùn)練模型進(jìn)行測試，評價模型效果。對于最終的預(yù)測結(jié)果，隨機森林是非常民主的算法，它會對各個樹預(yù)測得到的床位使用率相加求得一個平均值為最終回歸結(jié)果。具體流程如圖3所示。

方法的關(guān)鍵步驟是通過python里的sklearn庫來實現(xiàn)隨機森林的建立和預(yù)測。主要的實現(xiàn)步驟包括讀取樣本集、確認(rèn)預(yù)測特征變量和選擇要訓(xùn)練的特征、創(chuàng)建模型和訓(xùn)練、用測試集預(yù)測床位使用率和使用（RMSE）均方對數(shù)誤差做評價指標(biāo)等五個步驟。床位使用率預(yù)測輸出如圖4所示。

3? ?系統(tǒng)應(yīng)用效果

基于所提出的決策方法，開發(fā)了醫(yī)聯(lián)體雙向轉(zhuǎn)診智能決策系統(tǒng)。在兒科醫(yī)聯(lián)體平臺中填寫轉(zhuǎn)診單時，提供轉(zhuǎn)入醫(yī)院查詢的功能，根據(jù)轉(zhuǎn)出醫(yī)院、轉(zhuǎn)入科室、轉(zhuǎn)入時間、診斷字段進(jìn)行搜索，搜索后的結(jié)果也一并顯示出來，頁面上展示了5家評分較高的、滿足條件的待轉(zhuǎn)診醫(yī)院，并按綜合評分高低進(jìn)行排序，醫(yī)生和病友原則上應(yīng)選擇評分較高醫(yī)院進(jìn)行轉(zhuǎn)診。具體應(yīng)用效果如圖5所示。

用戶點擊選中醫(yī)院的詳情鏈接，可以看到該醫(yī)院在病房床位數(shù)、床位使用率、疾病治愈率、治療費用、相距距離等5個指標(biāo)的具體得分，對其中某項指標(biāo)特別在意者，可按其進(jìn)行抉擇，這樣極大地方便患者進(jìn)行轉(zhuǎn)診選擇。

4? ?結(jié)? ?論

基于某兒童醫(yī)聯(lián)體醫(yī)療數(shù)據(jù)資源庫數(shù)據(jù)，通過隨機森林算法對醫(yī)院將來時間點的床位使用率進(jìn)行預(yù)測，提出并建立包括床位數(shù)、床位使用率、疾病治愈率、治療費用、相距距離五大指標(biāo)的智能轉(zhuǎn)診評分模型，為醫(yī)護(hù)人員和病患朋友選擇轉(zhuǎn)診醫(yī)院提供數(shù)據(jù)支撐，取得了良好效果。為了達(dá)到最佳效果，從選擇子數(shù)據(jù)集個數(shù)和最大特征個數(shù)等方面對隨機森林模型進(jìn)行持續(xù)優(yōu)化將作為后續(xù)的工作重點和研究方向。

參考文獻(xiàn)

[1]? ? 梁宗強，趙延紅，黃若文，等.基于慢病管理和雙向轉(zhuǎn)診的區(qū)域分級診療信息化建設(shè)實踐與探討[J]. 中國數(shù)字醫(yī)學(xué)，2017，12（6）：15-17.

[2]? ? 梁勇，張檸.國外醫(yī)療服務(wù)體系對完善我國分機診療體系的啟示與借鑒[J]. 中國醫(yī)院，2015，18（8）：50-52.

[3]? ? 高闊，甘筱青.我國患者雙向轉(zhuǎn)診行為決策及影響因素研究[J]. 中國全科醫(yī)學(xué)，2015，28（003）：3393-3395.

[4]? ? 吳涵梅，李躍平.雙向轉(zhuǎn)診制度現(xiàn)狀及經(jīng)驗概述[J]. 中國衛(wèi)生事業(yè)管理，2010，27（7）：441-442.

[5]? ? 王瑾.面向醫(yī)聯(lián)體的醫(yī)療資源優(yōu)化配置與雙向轉(zhuǎn)診研究[D]. 合肥：合肥工業(yè)大學(xué)，2018.

[6]? ? 沈晶磊，虞慧群，范貴生等.基于隨機森林算法的推薦系統(tǒng)的設(shè)計與實現(xiàn)[J]. 計算機科學(xué)，2017，44（11）：165-167.

[7]? ? 吳帥，趙方.基于隨機森林的老年人居住偏好預(yù)測研究[J]. 計算機工程與科學(xué)，2018，40（5）：924-930.