基于BP神經(jīng)網(wǎng)絡的臨床路徑優(yōu)化

宋 波，辛文賢，馮云霞

(青島科技大學 信息科學技術(shù)學院，山東 青島 266061)

0 引 言

臨床路徑作為一套標準化的治療模式和治療程序，在降低醫(yī)療費用、減少治療天數(shù)、合理規(guī)范醫(yī)務人員行為、有效利用醫(yī)療資源等方面有很大的改善[1]。許多國內(nèi)外研究者也在不斷地優(yōu)化臨床路徑治療模式。其中，國外研究者Gomez Portilla等以腹膜癌為例，提出制定一個標準化臨床路徑管理計劃，以便嚴格評估護理計劃中的發(fā)病率、死亡率和實施結(jié)果，旨在能夠不斷優(yōu)化臨床路徑[2]。Thomas BURKLE基于工作流的方法開發(fā)和優(yōu)化了腰神經(jīng)壓迫綜合征臨床路徑系統(tǒng)，以優(yōu)化臨床路徑的執(zhí)行過程為主，但該系統(tǒng)并沒有實際運用在電子病歷中[3]。Gang Du等人為了提高模型的整體處理性能，提出了基于隨機協(xié)同分解粒子群優(yōu)化和雙變異機制的T-S模糊神經(jīng)網(wǎng)絡模型，對骨肉瘤術(shù)前化療肝腎中毒臨床路徑變異案例進行研究驗證，結(jié)果表明在穩(wěn)定性、效率性、精確度和普遍性等均優(yōu)于原來的模型[4]。

在國內(nèi)，李飛飛將調(diào)度算法和工作流技術(shù)應用到電子化臨床路徑管理當中，提高臨床路徑執(zhí)行效率、保證臨床路徑的實施質(zhì)量[5]。趙艷麗對復雜病種的診療過程采用分層賦時著色Petri網(wǎng)建模，此模型對臨床路徑中病人狀態(tài)變化、診療信息流轉(zhuǎn)實現(xiàn)可視化監(jiān)控[6]。譚劍提出基于狀態(tài)機工作流模型的臨床路徑優(yōu)化方法，通過響應臨床事件，降低臨床路徑的執(zhí)行難度和增加變異的適應性[7]。田宗梅利用聚類分析和概率相結(jié)合的方法，制定出符合當?shù)氐呐R床路徑，提高了準確性和實施質(zhì)量[8]。

以上研究解決了臨床路徑優(yōu)化的部分問題，但仍存在以下難點：(1)臨床路徑涉及檢查檢驗、藥品、護理等項目，數(shù)據(jù)量大且復雜，普通的數(shù)據(jù)挖掘技術(shù)難以發(fā)現(xiàn)隱藏數(shù)據(jù)關(guān)系；(2)大部分研究并沒有對臨床路徑治療天數(shù)或費用等進行實驗分析，缺乏一定的可靠性。

在以前研究的基礎(chǔ)之上，針對以上優(yōu)化難點，文中采用BP神經(jīng)網(wǎng)絡與臨床路徑相結(jié)合的方法解決以上難點。以臨床路徑診療單元的平均治療天數(shù)為網(wǎng)絡的輸入層，以臨床路徑的期望治療天數(shù)為輸出層，訓練網(wǎng)絡模型，通過修改相關(guān)參數(shù)對網(wǎng)絡進行仿真實驗，得到最優(yōu)臨床路徑。

1 基于BP神經(jīng)網(wǎng)絡的臨床路徑整體優(yōu)化結(jié)構(gòu)

如圖1所示，臨床路徑的優(yōu)化結(jié)構(gòu)分為三部分，第一部分是從醫(yī)院信息管理系統(tǒng)中抽取臨床路徑數(shù)據(jù)，根據(jù)醫(yī)囑類型和治療功效劃分為診療單元，并計算診療單元的平均治療天數(shù)；第二部分是建立BP神經(jīng)網(wǎng)絡臨床路徑優(yōu)化模型，通過修改相關(guān)參數(shù)對網(wǎng)絡進行訓練；第三部分是分析輸出值與期望值的相對誤差，根據(jù)誤差范圍判斷模型的有效性。

圖1 基于BP神經(jīng)網(wǎng)絡的臨床路徑整體優(yōu)化結(jié)構(gòu)

2 BP神經(jīng)網(wǎng)絡

臨床路徑的數(shù)據(jù)情況具有復雜性和模糊不確定性。BP神經(jīng)網(wǎng)絡具有非線性映射[9]、自學習自適應能力和并行分布式的存儲方式[10]以及很強的容錯性，能夠處理復雜的模糊數(shù)據(jù)，因此可以作為優(yōu)化臨床路徑的方法。

2.1 BP算法

1985年，David Rumelhart等科學家研究并發(fā)現(xiàn)了誤差反向傳播算法(error back propagation training，簡稱BP算法)，BP算法是由信號的正向傳播和誤差的反向傳播兩部分組成的[11]。

BP算法就是通過不斷修改權(quán)系數(shù)對網(wǎng)絡進行訓練。基本原理如下[12]：在正向傳播過程中，訓練樣本通過網(wǎng)絡的輸入層傳遞給隱層，經(jīng)隱層處理再傳遞給輸出層，輸出訓練后的值。計算輸出值與期望輸出值是否一致，若值不一致，則進入反向傳播階段。反向傳播過程中，首先計算輸出層輸出值與期望輸出值之間的誤差之和，接下來計算隱層每個神經(jīng)元的輸出值的誤差和權(quán)系數(shù)的誤差，通過得到的誤差對權(quán)系數(shù)進行更新，直至網(wǎng)絡中的神經(jīng)元的權(quán)系數(shù)都更新完畢。重新訓練樣本數(shù)據(jù)，若輸出值與期望輸出值還不一致，則繼續(xù)重復以上步驟，一直訓練到網(wǎng)絡輸出值與期望輸出值的差在一定接受范圍之內(nèi)，或者是達到設(shè)定的最大迭代次數(shù)。

BP算法的具體步驟如下[13]：

步驟1：初始化感知器的所有參數(shù)，包括權(quán)系數(shù)wi、偏置因子bi、最小值m和學習率參數(shù)θ(0<θ<1)。

步驟2：確定輸入信息x=(x1,x2,…,xn)T，期望值d=(d1,d2,…,dn)。

(1)正向傳播。計算隱層和輸出層的各個神經(jīng)元的輸出值uj：

(1)

uj=f(Wj)

(2)

(2)反向傳播。計算各隱層神經(jīng)元的誤差δj：

(3)

其中，δi是對第j+1層的所有神經(jīng)元誤差信息求和。

(3)修正權(quán)系數(shù)。

Δwji=θδjui

(4)

(4)更新神經(jīng)元的權(quán)系數(shù)。

wji=wji-Δwji

(5)

步驟3：輸入訓練樣本，重復進行第二步，直至所有的輸出值與期望值之間的誤差等于0或小于初始化的最小值m，或者學習次數(shù)達到設(shè)定最大值。

2.2 BP神經(jīng)網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡是一種多層前向神經(jīng)網(wǎng)絡模型，能夠有效解決網(wǎng)絡中隱層神經(jīng)元之間的連接權(quán)系數(shù)，具有很強的自學習和自適應性、非線性映射能力，是目前應用范圍最廣的神經(jīng)網(wǎng)絡[14]。BP神經(jīng)網(wǎng)絡結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡模型結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡包含輸入層、輸出層和一個或者多個隱層，圖2中是一個包含兩層隱層的BP神經(jīng)網(wǎng)絡。處理好的樣本數(shù)據(jù)從輸入層輸入，經(jīng)由隱層進行處理，最后通過輸出層輸出結(jié)果。

3 臨床路徑優(yōu)化建模

以某地區(qū)三甲醫(yī)院心內(nèi)科近兩年的糖尿病加高血壓臨床路徑數(shù)據(jù)為實驗數(shù)據(jù)，從醫(yī)院信息管理系統(tǒng)中抽取標準的糖尿病加高血壓臨床路徑60例。首先計算每個診療單元的平均治療天數(shù)，然后建立基于BP神經(jīng)網(wǎng)絡的臨床路徑優(yōu)化模型，對網(wǎng)絡模型進行仿真及結(jié)果分析，從而得到最優(yōu)臨床路徑。

3.1 提取診療單元

診療單元是指按照治療功效將藥品、檢查檢驗項目和各種護理方法組合成不同的集合[15]。糖尿病加高血壓臨床路徑的診療單元如圖3所示。

圖3 糖尿病加高血壓臨床路徑診療單元

根據(jù)診療單元的劃分規(guī)則，首先將糖尿病加高血壓的臨床路徑劃分為內(nèi)分泌科護理常規(guī)、長期口服藥物、抗血小管聚集、長期胰島素、降壓藥、改善循環(huán)和營養(yǎng)神經(jīng)藥物7個單元，然后計算每個診療單元的平均治療天數(shù)，取臨床路徑治療天數(shù)作為最終指標，設(shè)7個診療單元為X1，X2，X3，X4，X5，X6，X7，治療天數(shù)為DAY。對數(shù)據(jù)進行提取、分析，最終得到的診療單元部分數(shù)據(jù)如表1所示。

表1 診療單元

續(xù)表1

3.2 數(shù)據(jù)歸一化

BP神經(jīng)網(wǎng)絡輸入樣本的數(shù)據(jù)中，不同維度的樣本數(shù)據(jù)也有所不同，可能是不同維度之間的樣本數(shù)據(jù)差距較大，也可能是同維度的樣本數(shù)據(jù)之間相差范圍較大，數(shù)據(jù)波動范圍太大將會導致神經(jīng)網(wǎng)絡模型的訓練時間增長、收斂效果不理想，因此在確定輸入樣本后，還需要對數(shù)據(jù)進行歸一化處理，也就是將數(shù)據(jù)映射到區(qū)間[0，1]或者[-1，1]中。

本課題采用的歸一化公式[16]為：

(6)

3.3 基于BP神經(jīng)網(wǎng)絡的臨床路徑優(yōu)化模型仿真及結(jié)果分析

由于臨床路徑數(shù)據(jù)涉及治療項目較多，因此建模前將臨床路徑劃分為診療單元，并對診療單元數(shù)據(jù)進行歸一化處理。將得到的60例樣本數(shù)據(jù)中的42例(70%)作為訓練樣本，用于模型的訓練，剩下的18例(30%)作為測試樣本，檢驗模型的有效性。建立模型的步驟如下：

(1)BP神經(jīng)網(wǎng)絡的輸入。

糖尿病加高血壓臨床路徑的7個診療單元即構(gòu)成了BP神經(jīng)網(wǎng)絡的輸入層。

(2)建立BP神經(jīng)網(wǎng)絡優(yōu)化模型。

綜合以上BP神經(jīng)網(wǎng)絡的研究以及臨床路徑數(shù)據(jù)的分析，建立本實驗的BP神經(jīng)網(wǎng)絡模型結(jié)構(gòu)如下：

第一層：輸入層。輸入的樣本數(shù)據(jù)為內(nèi)分泌科護理常規(guī)、長期口服藥物、抗血小管聚集、長期胰島素、降壓藥、改善循環(huán)和營養(yǎng)神經(jīng)藥物7個診療單元的平均治療天數(shù)，因此輸入層的神經(jīng)元共有7個。

第二層：隱層。正向傳播時，利用式(1)和式(2)計算隱層的總輸出值，并將每個神經(jīng)元的值傳遞給輸出層；反向傳播時，通過輸出層傳遞的誤差信號計算隱層各神經(jīng)元的誤差信號，并傳遞給輸入層。因為隱層層數(shù)與神經(jīng)元數(shù)量對BP神經(jīng)網(wǎng)絡有一定影響，因此分別選取3、5、7、9作為隱層的神經(jīng)元數(shù)量進行實驗，選取錯誤率最低的一個。

第三層：輸出層。通過分析輸出值與期望值的相對誤差，就能判斷模型是否具有有效性。輸出值是臨床路徑的治療天數(shù)，因此輸出層神經(jīng)元為1個。

基于BP神經(jīng)網(wǎng)絡的臨床路徑優(yōu)化模型結(jié)構(gòu)如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡模型結(jié)構(gòu)

(3)確定隱層神經(jīng)元數(shù)量。

選取3、5、7、9作為隱層的神經(jīng)元數(shù)量進行分組對比實驗，結(jié)果如圖5和圖6所示，分別反映了當神經(jīng)元數(shù)量不同時，模型的錯誤率和迭代次數(shù)。

圖5 錯誤率

圖6 迭代次數(shù)

從圖5、圖6中可以看出，當隱層神經(jīng)元數(shù)量增加時，錯誤率隨之降低，迭代次數(shù)出現(xiàn)波動，當神經(jīng)元數(shù)量為5時迭代次數(shù)最高為1 051次。結(jié)合兩圖結(jié)果，選取9個神經(jīng)元作為模型的隱層神經(jīng)元數(shù)量。

(4)優(yōu)化模型仿真及結(jié)果分析。

對42例糖尿病加高血壓臨床路徑的訓練樣本進行訓練，計算輸出值與期望值的相對誤差，結(jié)果如圖7所示。

圖7 訓練輸出相對誤差

從圖7中可以看出網(wǎng)絡模型的輸出值與期望輸出值非常接近，相對誤差的絕對值在0%～0.2%之間，這說明該網(wǎng)絡模型具有較好的學習能力，能夠通過訓練來優(yōu)化臨床路徑，有效降低了臨床路徑的治療天數(shù)。

為了驗證網(wǎng)絡模型的有效性，將18條測試樣本數(shù)據(jù)輸入到網(wǎng)絡模型中進行測試，輸出結(jié)果的相對誤差見圖8。

圖8 測試輸出相對誤差

圖8中顯示，模型的輸出值與期望值之間的相對誤差的絕對值在0%～0.1%之間，測試樣本的輸出相對誤差小于訓練樣本的輸出相對誤差，說明模型在訓練過程中已經(jīng)學習到了診療單元的平均治療天數(shù)與臨床路徑總執(zhí)行天數(shù)之間的關(guān)系，證明網(wǎng)絡具有很好的自學習和自適應性，具有一定的有效性。

4 結(jié)束語

臨床路徑涉及檢查檢驗、手術(shù)、藥品、護理等項目，數(shù)據(jù)復雜，BP神經(jīng)網(wǎng)絡非常適合對臨床路徑進行優(yōu)化建模研究。文中選用糖尿病加高血壓臨床路徑作為實驗樣本，基于BP神經(jīng)網(wǎng)絡選擇錯誤率最低的隱層神經(jīng)元數(shù)量建立臨床路徑優(yōu)化模型進行仿真實驗。實驗結(jié)果證明，該模型具有良好的自學習自適應性，并且具有一定的有效性，能夠提高臨床路徑的治療效果，減少臨床路徑的治療天數(shù)。因此，BP神經(jīng)網(wǎng)絡對臨床路徑優(yōu)化方面具有一定的有效性。