病歷數(shù)據(jù)挖掘技術(shù)的應(yīng)用研究*

陳小文 唐翠娥

貴州醫(yī)科大學(xué) 計(jì)算機(jī)教育與信息技術(shù)中心 貴州 貴陽 550025

引言

電子病歷（Electronic Medical Record，EMR）是醫(yī)務(wù)人員在醫(yī)療活動過程中形成的電子化病人記錄，是現(xiàn)代醫(yī)院診療、科研及管理工作所必需的重要臨床信息資源[1]，其蘊(yùn)含了大量的、準(zhǔn)確的詳細(xì)的患者的醫(yī)療信息。通過對住院電子病歷完成知識分析和實(shí)體識別，準(zhǔn)確提取患者各項(xiàng)醫(yī)療信息，可幫助醫(yī)學(xué)研究者構(gòu)建臨床決策支持系統(tǒng)，減少個(gè)人的醫(yī)療失誤問題。文獻(xiàn)[2]提出了一種基于雙向長短時(shí)記憶網(wǎng)絡(luò)與 CRF(conditional random field)結(jié)合的實(shí)體識別和實(shí)體關(guān)系抽取方法，對識別結(jié)果知識圖譜化。文獻(xiàn)[3]提出了基于bootstrapping的識別算法和基于條件隨機(jī)場的識別算法，有效地提高了條件隨機(jī)場識別結(jié)果的準(zhǔn)確率、召回率和F1值。利用快速樹算法降低了抽取算法的時(shí)間復(fù)雜度，獲得了標(biāo)準(zhǔn)樹片段庫和局部樹片段庫；提出了啟發(fā)式和機(jī)器輔助的方法來解決數(shù)據(jù)不一致問題；提出了一種基于多特征和CRF相結(jié)合的命名實(shí)體識別方法，利用分層融合聚類的方法對存儲庫中從未出現(xiàn)的實(shí)體進(jìn)行聚類；提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的多類別分類方法，用于從EMR中挖掘命名實(shí)體；設(shè)計(jì)了病歷數(shù)據(jù)到RDF三元組格式的轉(zhuǎn)化方案和存儲方案，提高了數(shù)據(jù)檢索速度，同時(shí)避免空值所導(dǎo)致的問題。采用否定術(shù)語對中文電子病歷進(jìn)行檢測，降低了標(biāo)點(diǎn)錄入錯(cuò)誤而出現(xiàn)假陽性術(shù)語的概率。提出了改進(jìn)后的逆向最大匹配算法，提高了分詞準(zhǔn)確度和分詞效率。分別采用C4.5、BP對腫瘤病歷數(shù)據(jù)進(jìn)行了分類實(shí)驗(yàn)，結(jié)果表明：C4.5算法更有利于輔助醫(yī)生進(jìn)行腫瘤疾病診斷。針對國際疾病分類標(biāo)簽提出端到端的深度學(xué)習(xí)方法，在分類性能上有顯示的提升。

1 數(shù)據(jù)提取與模型描述

病歷文本數(shù)據(jù)中包含了非常重要的醫(yī)療信息，通過對住院電子病歷完成知識分析和實(shí)體識別，準(zhǔn)確提取患者各項(xiàng)醫(yī)療信息，可協(xié)助醫(yī)學(xué)研究者構(gòu)建臨床決策支持系統(tǒng)，幫助醫(yī)生解決知識上的局限性問題，從而減少個(gè)人的醫(yī)療診斷失誤。借鑒OEM(Object Exchange Model)模型描述方式，采取四元組（oid，label，type，value）來表示，type可為原子型也可為集合，value表示具體的值。其結(jié)果如圖1所示。

圖1 病歷基本信息模型圖

病歷文本數(shù)據(jù)以半結(jié)構(gòu)化數(shù)據(jù)居多，構(gòu)建病歷文本數(shù)據(jù)提取和分類規(guī)則，將非結(jié)構(gòu)化、半結(jié)構(gòu)化的數(shù)據(jù)轉(zhuǎn)換成可挖掘的結(jié)構(gòu)化數(shù)據(jù)，并創(chuàng)建數(shù)據(jù)模型結(jié)構(gòu)化模型M={N，F(xiàn)，I，P，D}，其中N為當(dāng)前病史集合、F為既往史集合、I為人個(gè)史集合、P則為體格檢查集合，D為診斷結(jié)果集合。其中N={惡心、嘔吐，頭昏，畏光、畏聲，頭痛，乏力及麻木，大小便異常，體重明顯增減}，F(xiàn)={傷寒、結(jié)核，肝炎，糖尿病，高血壓，冠心病，中毒史，過敏史}，I={吸煙，戒煙，飲酒}，P={體溫，呼吸，脈搏，血壓}，D={腦供血不足，腦出血，腦梗，緊張性頭痛，神經(jīng)癥焦慮，椎基底動脈供血不足，帕金森病，前庭神經(jīng)元炎，后循環(huán)缺血，良性位置性眩暈}。

2 數(shù)據(jù)預(yù)處理

電子病歷中包含的醫(yī)療信息十分豐富，借助數(shù)據(jù)分割提取從Word文件中提取相應(yīng)的關(guān)鍵信息，按患者基本信息模型進(jìn)行數(shù)據(jù)關(guān)聯(lián)與存儲，并將最終生成的二維表以EXCEL格式導(dǎo)出，項(xiàng)目組累計(jì)完成384份神經(jīng)內(nèi)科住院電子病歷數(shù)據(jù)提取工作，依據(jù)診斷結(jié)果進(jìn)行分類匯總，其中腦供血不足113份、腦梗89份、緊張性頭痛67份、腦出血28份、后循環(huán)缺血23份、神經(jīng)癥焦慮狀態(tài)19份、良性位置性眩暈18份、帕金森氏病11份、椎基底動脈供血不足8份、前庭神經(jīng)元炎7份。在數(shù)據(jù)預(yù)處理階段進(jìn)缺失數(shù)據(jù)記錄進(jìn)行補(bǔ)充或丟棄，針對缺少5項(xiàng)以下的數(shù)據(jù)記錄采取填充眾數(shù)的方式進(jìn)行補(bǔ)充，對缺失5個(gè)及以上數(shù)據(jù)項(xiàng)的記錄進(jìn)行丟棄處理。為避免數(shù)據(jù)提取的數(shù)據(jù)類型異常而導(dǎo)致的錯(cuò)誤，將所有的對象數(shù)據(jù)編碼成數(shù)值型。考慮到病歷數(shù)據(jù)的特征以文本形式呈現(xiàn)且跨度大，特將所有數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，并統(tǒng)一到0～1范圍內(nèi)。

3 算法分析

挖掘算法直接影響實(shí)驗(yàn)數(shù)據(jù)的結(jié)果，依據(jù)病歷文本數(shù)據(jù)的自身特征、數(shù)據(jù)項(xiàng)，選擇合適的算法進(jìn)行數(shù)據(jù)挖掘、分析尤為重要。在前期算法調(diào)整階段設(shè)定驗(yàn)證集的比例為10%，等待超參數(shù)調(diào)整結(jié)束并穩(wěn)定后，訓(xùn)練與驗(yàn)證數(shù)據(jù)的比例分別為80%和20%。實(shí)驗(yàn)所采用的處理器為Intel(R) i5-8250U 1.8GHz 4核 8個(gè)邏輯處理器，內(nèi)存24G。

3.1 決策樹

決策樹是一個(gè)預(yù)測模型，它是對象屬性與對象值之間的一種映射關(guān)系。決策樹是一種樹型結(jié)構(gòu)，每個(gè)葉子代表一種類型。決策樹能直接體現(xiàn)數(shù)據(jù)，而且能夠同時(shí)處理數(shù)據(jù)型和常規(guī)則屬性，相對較為易于理解和實(shí)現(xiàn)。設(shè)置起始深度為1、終止深度為15、深度探索步長為4進(jìn)行模型訓(xùn)練與測試，模型訓(xùn)練與測試花費(fèi)130ms，其測試結(jié)果為51.04。在對超參數(shù)進(jìn)行調(diào)整后，測試結(jié)果波動較小。由模型結(jié)果而知，當(dāng)深度為4時(shí)能獲取最大的準(zhǔn)確率。

圖4 深度學(xué)習(xí)結(jié)果趨勢圖

3.2 深度學(xué)習(xí)

深度學(xué)習(xí)是學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，最終目標(biāo)是讓機(jī)器能夠像人一樣具有分析學(xué)習(xí)能力，能夠識別文字、圖像和聲音等數(shù)據(jù)。借助深度學(xué)習(xí)模型對病歷數(shù)據(jù)進(jìn)行訓(xùn)練與測試。以batch_size=8進(jìn)行200輪訓(xùn)練，其訓(xùn)練與測試結(jié)果如下圖所示，模型訓(xùn)練與測試花費(fèi)63000ms（每輪315ms），其測試結(jié)果為57.29。深度學(xué)習(xí)運(yùn)行結(jié)果如圖4所示。

3.3 隨機(jī)森林

隨機(jī)森林利用多棵樹對樣本進(jìn)行訓(xùn)練并預(yù)測的一種分類器，其利用平均決策樹可降低過擬合的風(fēng)險(xiǎn)性。其分類性能非常穩(wěn)定，當(dāng)半數(shù)以上的基分類器出現(xiàn)差錯(cuò)時(shí)才會導(dǎo)致錯(cuò)誤的預(yù)測。隨機(jī)森林的算法較為復(fù)雜，對其模型訓(xùn)練和測試的成本相對較高。模型訓(xùn)練與測試花費(fèi)0.92秒，其測試結(jié)果為65.62。

3.4 實(shí)驗(yàn)小結(jié)

深度學(xué)習(xí)、決策樹、隨機(jī)森林三種算法的執(zhí)行時(shí)間、測試結(jié)果如下表1所示。在算法執(zhí)行性能上，決策樹的執(zhí)行時(shí)間最短，測試結(jié)果得分近為51.04。深度學(xué)習(xí)的執(zhí)行時(shí)間是決策樹的2.42倍，在測試結(jié)果方面提高了6.25。隨機(jī)森林的執(zhí)行時(shí)間是920ms，模型的執(zhí)行時(shí)間為決策樹的7.07倍，在測試結(jié)果方面相比決策樹和嘗試學(xué)習(xí)分別提高了14.58和8.33。

表1 分類實(shí)驗(yàn)性能與結(jié)果對比

4 實(shí)驗(yàn)小結(jié)

在電子病歷挖掘過程中有兩個(gè)重要的步驟：①從半結(jié)構(gòu)化、非結(jié)構(gòu)化的電子病歷中提取相應(yīng)的現(xiàn)病史、既往史、個(gè)人史、體格檢查等重要信息，病歷數(shù)據(jù)特征的提取質(zhì)量直接影響到后續(xù)的數(shù)據(jù)挖掘的質(zhì)量和執(zhí)行速度。②挖掘算法的選取，通過對三種不同挖掘算法測試結(jié)果可知：隨機(jī)森林準(zhǔn)確率較高65.62，但耗時(shí)相對較高。后續(xù)研究將改進(jìn)數(shù)據(jù)提取的算法和挖掘算法數(shù)據(jù)結(jié)構(gòu)。