基于集成支持向量機的醫(yī)療設(shè)備風(fēng)險評估研究與應(yīng)用*

陸陽，楊林，戴劍峰，王菁菁，王雪元

（蘇州大學(xué)附屬第一醫(yī)院醫(yī)學(xué)工程處，蘇州215006）

1 引 言

安全性和有效性是醫(yī)療設(shè)備應(yīng)用于臨床的前提和基礎(chǔ)。聲、光、電、機械等多學(xué)科技術(shù)在醫(yī)療中的廣泛應(yīng)用，提高診療水平的同時也帶來了潛在的風(fēng)險。對風(fēng)險進(jìn)行評估、預(yù)警和控制是現(xiàn)代醫(yī)院醫(yī)學(xué)工程部門的重要職責(zé)[1-2]。

醫(yī)療設(shè)備使用風(fēng)險的精確評估作為全生命周期設(shè)備管理的重要內(nèi)容，越來越受到重視[3]。錢正瑛等[4]運用層次分析法將質(zhì)控數(shù)據(jù)、專家意見和管理部門的評價指標(biāo)綜合起來，實現(xiàn)了定性和定量評估相結(jié)合。Stine等[5]關(guān)注設(shè)備使用過程中的網(wǎng)絡(luò)風(fēng)險問題，提出了一種醫(yī)療設(shè)備網(wǎng)絡(luò)風(fēng)險評分體系，運用基于STRIDE模型的安全問卷得到設(shè)備的風(fēng)險評分。Silva[6]、Custódio[7]等重點研究了人與設(shè)備之間的互動關(guān)系，從人因工程方面應(yīng)用認(rèn)知可靠性與錯誤分析方法（cognitive reliability and error analysis method，CREAM）評價操作人員的失誤率，以此作為可靠性評估的補充。Lin等[8]運用失效模式和效應(yīng)分析法（failure modes and effects analysis，F(xiàn)MEA），建立基于風(fēng)險的優(yōu)先排序框架，并采用模糊理論將專家經(jīng)驗轉(zhuǎn)化為量化信息，提高了評估準(zhǔn)確率。

傳統(tǒng)的研究多為定性評價，依賴于專家意見，且未考慮因素之間的交互作用。近年來在信息、金融等領(lǐng)域廣泛應(yīng)用的支持向量機能夠?qū)v史數(shù)據(jù)、專家經(jīng)驗及多種不確定的信息綜合起來，對小樣本、高維非線性數(shù)據(jù)精確擬合，具有很強的泛化能力[9-10]。醫(yī)療設(shè)備風(fēng)險因素復(fù)雜多樣，SVM采用近似算法來降低計算的時間及空間復(fù)雜度，為了進(jìn)一步提高評估精度，本研究引入AdaBoost用于基學(xué)習(xí)器的訓(xùn)練。AdaBoost可以優(yōu)化精度較低的弱學(xué)習(xí)算法，訓(xùn)練出高精度的強學(xué)習(xí)算法，在訓(xùn)練中增加錯分樣本的權(quán)值，使迭代更多地關(guān)注錯分項[11-12]。

2 算法原理

2.1 SVM[9-10]

SVM是利用結(jié)構(gòu)風(fēng)險最小化原理求解最優(yōu)分類超平面來得到高準(zhǔn)確率的分類器，見圖1。令數(shù)據(jù)集為樣本總數(shù)，xi∈Rp?R，xi是p維向量，yi∈{-1，1} 為類標(biāo)。在分類中找到最小誤差的分類器f（x）=sgn（wTx+b）作為超平面，為了找到最優(yōu)分類器，需要對yi（＜w，xi＞+b）≥ 1-ξi（ξi≥ 0，i=1，2，…，N）以及進(jìn) 行二次規(guī)劃。式中，用正規(guī)化參數(shù)C平衡分類器在數(shù)據(jù)集D中的時間復(fù)雜度與分類準(zhǔn)確率，通過對偶函數(shù)求解二次規(guī)劃問題。用相應(yīng)核函數(shù)替代上述公式中的內(nèi)積，將線性問題轉(zhuǎn)換成非線性。

圖1 線性可分的最優(yōu)分類超平面Fig 1 Optimal classification surface

2.2 AdaBoost[11-12]

AdaBoost的自適應(yīng)性表現(xiàn)在被前一個基分類器錯分的樣本在后續(xù)迭代中會被加強，加權(quán)后的樣本再次訓(xùn)練基分類器。同時，每次迭代會引入新的弱分類器，直至達(dá)到預(yù)先設(shè)定的最小錯分率或迭代次數(shù)。算法流程：數(shù)據(jù)集T=｛（x1，y1），（x2，y2），…（xn，yn）｝，xn表示訓(xùn)練樣本數(shù)；yi∈{-1，}1，i=1，2，…，n；作為弱分類器在樣本x上的結(jié)果輸出。最終通過從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)弱分類器或基分類器，得到強分類器：

2.3 構(gòu)建集成算法

用SVM生成一系列依賴于上一次訓(xùn)練結(jié)果的基學(xué)習(xí)器，將AdaBoost用于基學(xué)習(xí)器的訓(xùn)練中，通過前一次的錯分率優(yōu)化樣本的概率分布，通過單個基分類器加權(quán)建立評估模型：

（1）設(shè)N個初始學(xué)習(xí)樣本集xi為樣本向量，xj是分類結(jié)果，初始樣本權(quán)重wi=1/N，i=1，2，…，N。設(shè)AdaBoost最大迭代次數(shù)T。

（2）利用支持向理機對加權(quán)訓(xùn)練集進(jìn)行訓(xùn)練，得到第t（t=1，2，…，T）次的評估模型gt。

（4）設(shè)定基分類器權(quán)重αt =（ln（（1-εt）/εt））/2，調(diào) 整 訓(xùn) 練 樣 本 權(quán) 重wt+1（i）=，式中Ct是歸一化因子，返回步驟（2）進(jìn)行迭代。得到分類模型

3 風(fēng)險評估建模

3.1 指標(biāo)體系

采用德爾菲法結(jié)合相關(guān)性分析和鑒別力分析[14]確定評估指標(biāo)，根據(jù)專家對重要性的打分，利用比例分配法計算三級指標(biāo)權(quán)重，再經(jīng)過加權(quán)得到一、二級指標(biāo)權(quán)重。根據(jù)代表性和權(quán)威性原則，選取18位副高及以上職稱、從事設(shè)備管理或醫(yī)院管理8年以上的專家，其中來自三級醫(yī)院的占77.8%（14/18），從事醫(yī)學(xué)工程專業(yè)技術(shù)的占66.7%（12/18），其余主要從事醫(yī)院管理或臨床醫(yī)療。

收集相關(guān)文獻(xiàn)、論著等[14-15]，從設(shè)備、環(huán)境、人因、管理4個方面對指標(biāo)進(jìn)行歸類，根據(jù)客觀、完整和可操作原則整理初步指標(biāo)。通過相關(guān)性分析和鑒別力分析，得到5對指標(biāo)的相關(guān)系數(shù)大于0.6，2個指標(biāo)的變差系數(shù)小于0.1，對上述12個指標(biāo)進(jìn)行精簡。經(jīng)兩輪專家咨詢、調(diào)整，對專家的積極系數(shù)、和諧系數(shù)進(jìn)行分析，最終意見趨于一致，重要性和必要性的W均值均大于0.5。形成由4個一級指標(biāo)、12個二級指標(biāo)、43個三級指標(biāo)構(gòu)成的指標(biāo)體系，見表1。

表1 風(fēng)險評價指標(biāo)及權(quán)重Table 1 Risk evaluation index and weight

續(xù)表1

3.2 仿真試驗

設(shè)置5個風(fēng)險等級作為輸出：非常低 M1、低M2、中M3、高M(jìn)4和非常高M(jìn)5。對某醫(yī)療設(shè)備歷史數(shù)據(jù)進(jìn)行收集，組織專家對風(fēng)險因素進(jìn)行評估，獲得共20組數(shù)據(jù)作為樣本集。為了避免樣本量不足可能產(chǎn)生一定的誤差，影響模型的泛化能力，本研究采用N折交叉驗證對模型進(jìn)行訓(xùn)練和測試[16]。訓(xùn)練樣本見表2，測試樣本見表3。在Matlab7.0中進(jìn)行仿真試驗，并與其他算法作對比。

表2 訓(xùn)練樣本Table 2 Training sample

3.3 結(jié)果分析

經(jīng)過20次試驗，平均結(jié)果見圖2。訓(xùn)練樣本中AdaBoost集成SVM分類正確率比單純SVM、BP神經(jīng)網(wǎng)絡(luò)、模糊SVM分別高9.34%、14.67%、3.34%；測試樣本中分別高11.00%、15.00%、6.00%。本研究模型的評估正確率明顯高于傳統(tǒng)方法，顯示了該模型在風(fēng)險評估中的優(yōu)勢。

表3 測試樣本Table 3 Test sample

圖2 評估正確率比較Fig 2 Evaluation accuracy comparison

4 模型的應(yīng)用

4.1 選取評估對象

選取本院（三級甲等）ICU在用呼吸機作為評估對象。呼吸機屬于急救和生命支持設(shè)備，主要用于治療呼吸衰竭等危重患者，與患者長時間直接接觸，具有用時急、分布廣、風(fēng)險高的特點[17]。設(shè)備自身性能、操作人員水平、日常管理維護(hù)等都決定著呼吸機的使用能否安全有效。

4.2 評估方法及結(jié)果

邀請3名專家對ICU在用的20臺呼吸機進(jìn)行現(xiàn)場評分。運用評估模型對其使用風(fēng)險因素進(jìn)行綜合評估，N折交叉測試模型性能。評估正確率達(dá)到了95.00%，比單純SVM算法高10.00%，比BP神經(jīng)網(wǎng)絡(luò)高13.00%，比模糊集成SVM算法高7.00%。AdaBoost集成SVM在評估呼吸機使用風(fēng)險中體現(xiàn)出優(yōu)勢，可以綜合多種影響因素得出更精確的評估結(jié)果。

4.3 應(yīng)用效果

對風(fēng)險的精確評估可以指導(dǎo)預(yù)防性維護(hù)計劃的制定，能夠有效降低不良事件發(fā)生率、降低維修成本、提高設(shè)備使用率。近年來，本院加強了對醫(yī)療設(shè)備的信息化管理和有針對性的預(yù)防性維護(hù)，風(fēng)險評估模型的應(yīng)用進(jìn)一步提高了醫(yī)工部門的工作效率，臨床滿意度也在不斷提高：2017年同比提高9%，2018年一、二季度同比提高了12%，真正做到持續(xù)改進(jìn)有成效。

5 討論

影響醫(yī)療設(shè)備使用風(fēng)險的因素很多，本研究將德爾菲法與相關(guān)性分析、鑒別力分析與相結(jié)合，確保了指標(biāo)體系的客觀、完整和可操作。風(fēng)險因素的復(fù)雜性要求評估方法的綜合性。SVM的處理樣本量少、信息高維非線性、避免陷入局部最優(yōu)等優(yōu)勢在醫(yī)療設(shè)備風(fēng)險評估中得到了很好的應(yīng)用；AdaBoost應(yīng)用到基分類器的訓(xùn)練進(jìn)行一步提高了評估精度；N折交叉測試，驗證了模型的性能。醫(yī)療設(shè)備的信息化、智能化管理是降低使用風(fēng)險的有效手段，如何運用信息化、智能化實現(xiàn)可視化管理，同時實現(xiàn)風(fēng)險的自動預(yù)警是下一步的研究重點。