基于機器學習法的急診留觀患者分流研究*

——陳旻潔 范 穎 董恩宏 孫曉凡 趙旭霽 丁粉華 張斌淵*

急診滯留指需要住院的急診患者不能在合理時間內(nèi)(通常不超過6 h)入住?？撇》?，它會帶來一系列醫(yī)療質(zhì)量及患者安全管理問題[1-2]。我國有的醫(yī)院存在急診滯留持續(xù)時間較久的問題，急診科醫(yī)生通常會對滯留患者進行治療，有些患者甚至會因未等到住院床位而完成治療離院[3]。上海三級醫(yī)院承擔了全市40%的急診人次，急診業(yè)務量平均每年以10%以上的速度增加，急診普遍存在人滿為患、入口無序、急診不急、出口不暢、滯留壓床等情況[4-5]。

上海某大型三甲綜合醫(yī)院門急診量常年位居全市前三，年急診量超過40萬人次，單日高峰接收120救護車可達70班次。該院急診科下轄預檢分診、臺面急診、急診搶救區(qū)、急診留觀區(qū)、急診重癥監(jiān)護病房、急診病房等6個部分，其中急診留觀區(qū)是關(guān)鍵功能區(qū)。本研究利用機器學習法(BP神經(jīng)網(wǎng)絡和CART分類決策樹)，建立急診留觀區(qū)滯留患者流向預測模型，了解患者分流情況，通過對知情人訪談提出建議，為探索更有效的急診醫(yī)療服務體系提供參考。

1 資料與方法

1.1 資料來源

從該院急診一體化信息系統(tǒng)提取2018年7月1日-2020年6月30日急診留觀區(qū)患者滯留資料，對數(shù)據(jù)進行核查、清洗和預處理，刪除不符合邏輯及主要變量有缺失的樣本，得到有效數(shù)據(jù)共12 018例。數(shù)據(jù)包括入?yún)^(qū)日期、入?yún)^(qū)時間、性別、年齡、交費類型、接診科室、所有診斷、去向等。

1.2 機器學習模型

1.2.1 BP神經(jīng)網(wǎng)絡 人工神經(jīng)網(wǎng)絡(Artificial Neural Network，ANN)是模擬生物神經(jīng)系統(tǒng)對信息運算的一種數(shù)據(jù)處理方法。其優(yōu)勢在于同時具備處理、記憶、自學、預測等能力，可以捕獲因變量與自變量之間復雜的非線性關(guān)系。本研究選擇了其中的誤差反向傳播(Back Propagation,BP)模型，它是多層神經(jīng)網(wǎng)絡模型，激活函數(shù)為Sigmoid函數(shù)：f(x)=1/[1+exp(-x)]。其學習過程分信號正向傳播和誤差反向傳播。當信號從輸入層正向傳入時，經(jīng)過隱藏層處理到達輸出層，當輸出層信號與期望輸出信號不符時，會把誤差反向傳播給輸入層。反向傳播中形成的誤差信號作為修改各單元權(quán)重的依據(jù)。在正向與反向傳播不斷進行中，權(quán)重值不斷調(diào)整，當輸出信號誤差減少到可接受范圍或達到規(guī)定學習次數(shù)時停止學習[6-8]。

1.2.2 CART分類決策樹 分類與回歸樹模型(Classification and Regression Tree，CART)是一種非參數(shù)的分類和回歸方法。CART算法處理的變量類型包括離散和連續(xù)兩種，當處理離散變量時，所構(gòu)造的決策樹是分類決策樹；當處理連續(xù)變量時，所構(gòu)造的決策樹是回歸決策樹。CART分類決策樹以基尼指數(shù)進行節(jié)點純度衡量。假設有K個類，樣本點屬于第K類的概率為kp，則概率分布的基尼指數(shù)定義為：

CART算法生成的決策樹，除具有高效性、易用性以及較強的魯棒性外，還具有以下優(yōu)勢：一是對連續(xù)變量直接處理無需事先離散化；二是可以對屬性空值進行處理；三是對決策屬性和條件屬性的分布無要求；四是不需要建立非線性模型,可以根據(jù)決策樹圖直觀地做出決策分類，提取知識規(guī)則。由于生成的是二叉簡單樹，計算和評估時效率較其他算法高[9-11]。

1.3 研究方法

通過SPSS 20.0軟件對數(shù)據(jù)進行變量變換、派生、正態(tài)性檢驗、離散化處理、描述性分析和單因素分析。對正態(tài)分布計量資料采用均數(shù)和標準差進行描述；對偏態(tài)分布計量資料采用中位數(shù)和四分位數(shù)間距IQR進行描述；對計數(shù)資料采用相對數(shù)進行描述。計數(shù)資料的組間分布采用卡方檢驗進行分析。

篩選出組間差異有統(tǒng)計學意義的指標，結(jié)合專家訪談，遴選機器學習的輸入變量，應用機器學習算法(BP神經(jīng)網(wǎng)絡和CART分類決策樹)建立擬合預測模型，分析急診留觀區(qū)患者流向的主要影響因素。擬合模型過程和評估在SPSS modeler 18.0軟件中實現(xiàn)。

2 結(jié)果

2.1 描述性分析結(jié)果

12 018例急診區(qū)留觀患者流向為收治病房2 541例，醫(yī)囑離院8 835例，醫(yī)囑轉(zhuǎn)院120例，死亡522例。對連續(xù)性變量(年齡)進行正態(tài)性檢驗(Kolmogorov-Smirnov法)，P<0.001，說明年齡呈偏態(tài)分布。年齡中位數(shù)為66歲(四分位數(shù)間距IQR為23)。以流向為模型因變量，對年齡和診斷個數(shù)進行最優(yōu)離散化分組。急診留觀患者基本情況見表1。

2.2 單因素分析結(jié)果

進一步對急診患者留觀區(qū)流向的影響因素進行卡方檢驗，結(jié)果顯示，性別、年齡、交費類型、診斷個數(shù)、首診科室、入?yún)^(qū)季節(jié)、疾病譜、入?yún)^(qū)班次的差異有統(tǒng)計學意義(P<0.01)，見表1。急診留觀區(qū)中各變量分類為“男性”“60歲～<80歲”“入?yún)^(qū)班次為夜班”“夏季”“醫(yī)?；颊摺薄吧窠?jīng)內(nèi)科”“神經(jīng)系統(tǒng)疾病”“診斷個數(shù)為3～4個”的患者收治病房的比例較高。

表1 急診留觀患者基本情況與流向的影響因素分析

2.3 預測模型結(jié)果

抽取數(shù)據(jù)的70%作為訓練庫，30%作為測試庫，最終納入訓練庫的共有8 340條記錄，納入測試庫的共有3 678條記錄。將篩選出的單因素有統(tǒng)計學差異的8個變量作為輸入變量建立BP神經(jīng)網(wǎng)絡數(shù)據(jù)流和CART決策樹數(shù)據(jù)流。BP神經(jīng)網(wǎng)絡得到一個輸入層為9個神經(jīng)元、隱藏層為1層、輸出層為10個神經(jīng)元的模型。CART分類決策樹得到一個5層的決策樹模型，分別為流向、疾病譜、首診科室、診斷個數(shù)、年齡。

BP神經(jīng)網(wǎng)絡的預測準確率訓練庫為77.01%、測試庫為77.51%，CART分類決策樹的預測準確率訓練庫為76.93%、測試庫為76.7%。急診留觀區(qū)患者流向的影響因素變量在建模中的重要程度排序見表2。BP神經(jīng)網(wǎng)絡和CART分類決策樹模型預測變量的相對重要性排序雖不一致，但影響模型預測性能排在前4的變量均是“疾病譜”“診斷個數(shù)”“年齡”“首診科室”。這4個變量亦是CART分類決策樹圖的各非葉子節(jié)點判斷的特征依據(jù)標簽。

表2 急診留觀區(qū)患者流向的影響因素變量在建模中的重要程度排序

3 討論

3.1 模型應用性良好

本研究使用準確率對模型的泛化能力進行評價，BP神經(jīng)網(wǎng)絡和CART分類決策樹模型的分類準確率均達75%以上。BP神經(jīng)網(wǎng)絡的預測準確率高于CART分類決策樹的預測準確率，同時BP神經(jīng)網(wǎng)絡的測試庫準確率高于其訓練庫準確率。影響因素和流向是非線性關(guān)系，BP神經(jīng)網(wǎng)絡分類模型對非線性映射關(guān)系的處理較決策樹分類模型好。決策樹對數(shù)據(jù)具有分割能力，生成規(guī)則規(guī)模小，能較好地處理噪聲數(shù)據(jù)，容錯能力強，魯棒性強，決策樹與神經(jīng)網(wǎng)絡存在較大互補[12]。使用BP神經(jīng)網(wǎng)絡與CART分類決策樹模型相結(jié)合的方法，擬合效果良好，可供今后急診留觀分流相關(guān)研究參考。

3.2 急診留觀患者流向的影響因素原因分析

本研究發(fā)現(xiàn)，急診留觀患者醫(yī)囑轉(zhuǎn)院的總體比例較低，急診留觀患者收治病房的主要影響因素是疾病譜、診斷個數(shù)、首診科室、年齡。進一步結(jié)合知情人訪談認為，疾病譜為神經(jīng)系統(tǒng)及循環(huán)系統(tǒng)的收治入院比例相對較高，可能在于該院心內(nèi)科、神經(jīng)內(nèi)科和神經(jīng)外科為強項?？疲颊咻^多。多系統(tǒng)疾病或診斷個數(shù)超過4個的留觀患者，收治病房比例較低，可能由于患者存在跨科復雜疾病，各?？茖膊≡\斷、治療方法、處置能力等存在差異，導致急診滯留。80歲及以上患者收治病房比例較低，可能由于人口老齡化，高齡患者基數(shù)較大，常伴有多種基礎(chǔ)性疾病以及一些非典型病癥如認知功能障礙，往往病情重、預后差、預期住院時間長，故導致滯留急診。腫瘤及合并癥、血液系統(tǒng)的收治病房比例較低，可能由于急診留觀患者多為腫瘤晚期患者和慢性血液病需輸血患者，易導致滯留急診。

3.3 多學科協(xié)作優(yōu)化床位內(nèi)部分配和收治機制

本研究還發(fā)現(xiàn)，該院急診的多系統(tǒng)疾病患者比例高，而收治病房比例低。由于三級醫(yī)院增加額定床位數(shù)不易，結(jié)合上海市開展的DRG試點工作，對醫(yī)院現(xiàn)有專科床位收治情況分析評估，縮減部分慢性病或醫(yī)療風險相對較小的科室床位，打破臨床?？苿澐郑O置多發(fā)急危重癥病種的公共病區(qū)數(shù)，増加重癥監(jiān)護床位數(shù)，優(yōu)化全院?？拼参慌渲?，試點設立若干公共大內(nèi)科、大外科病區(qū)床位，以及增加重癥監(jiān)護室床位數(shù)，可能是解決急診留觀滯留問題的思路之一。另外,目前國內(nèi)缺乏統(tǒng)一的病情評估標準[13]，建議醫(yī)院可在胸痛中心、卒中中心、顱腦創(chuàng)傷中心基礎(chǔ)上，優(yōu)化急診急危重癥病種救治流程，建立優(yōu)先入院標準，通過建設急診住院需求信息系統(tǒng)，制定床位分配優(yōu)先級，以確保醫(yī)療質(zhì)量和患者安全。

3.4 加強互聯(lián)網(wǎng)+醫(yī)療聯(lián)合體協(xié)作，改善院外分流措施

針對外部因素的優(yōu)化策略，主要在于加強醫(yī)療聯(lián)合體協(xié)作，改善院外分流措施。在急診留觀患者中，部分患者為急性期過后、疾病終末期(如腫瘤晚期)或無手術(shù)指征，無需在三級醫(yī)院急診滯留。此類患者可能未找到下級接收醫(yī)院，或是不信任其醫(yī)療能力，自愿長時間滯留在三級醫(yī)院急診留觀區(qū)。針對此類患者，醫(yī)院應加強醫(yī)聯(lián)體合作，與二級醫(yī)院、老年護理院、康復醫(yī)院、社區(qū)衛(wèi)生服務中心加強協(xié)作，完善雙向轉(zhuǎn)診機制，通過開展現(xiàn)場、遠程專家查房以及遠程會診等加強聯(lián)系，從而有效分流該類急診留觀患者。隨著互聯(lián)網(wǎng)+醫(yī)聯(lián)體建設的發(fā)展[14]，醫(yī)聯(lián)體醫(yī)院的醫(yī)療質(zhì)量可保證同質(zhì)化，實現(xiàn)患方院外分流。

3.5 不足與展望

本研究是一項單中心研究，使用BP神經(jīng)網(wǎng)絡與CART分類決策樹模型相結(jié)合的方法，擬合效果良好，可為今后急診留觀分流相關(guān)研究提供思路。值得一提的是，急診收住院不僅與疾病譜有關(guān)，可能還與疾病嚴重程度、即將接受的治療方式(如手術(shù)、藥物等)、醫(yī)院績效考核方案、醫(yī)保費用政策合理性、醫(yī)患關(guān)系等因素有關(guān)。囿于本研究條件，相應變量參數(shù)無法獲取，這將有待于今后進一步深入研究。另外，樣本醫(yī)院存在學科特色與其他綜合醫(yī)院不一致的情況，研究結(jié)果可能存在偏倚。我國不同地區(qū)、不同規(guī)模的醫(yī)院均可能出現(xiàn)急診滯留狀況，未來可開展多中心研究，以提高急診醫(yī)療資源運轉(zhuǎn)效率。