CN110930030A - 医生技术水平评级方法 - Google Patents
医生技术水平评级方法 Download PDFInfo
- Publication number
- CN110930030A CN110930030A CN201911154268.XA CN201911154268A CN110930030A CN 110930030 A CN110930030 A CN 110930030A CN 201911154268 A CN201911154268 A CN 201911154268A CN 110930030 A CN110930030 A CN 110930030A
- Authority
- CN
- China
- Prior art keywords
- doctor
- skill level
- drgs
- clustering
- weight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000011218 segmentation Effects 0.000 claims abstract description 36
- 238000003066 decision tree Methods 0.000 claims abstract description 28
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000006116 polymerization reaction Methods 0.000 claims description 14
- 238000003745 diagnosis Methods 0.000 claims description 13
- 238000013138 pruning Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004138 cluster model Methods 0.000 claims 2
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出了一种医生技术水平评级方法，包括采集某一专业以及该专业下所有医生名称和每个医生名下所有病例的Drgs分组及权重值；对采集的所有数据进行清洗；训练Drgs权重分段模型；提取最优分段结果；计算每个医生的病例组合指数；通过聚类方法，以每个医生的病例组合指数和该医生每个权重分段下的病例数累计占比作为输入特征，将输入特征代入到聚类模型中，进行空间的划分，将同一个科室的不同医生根据技能水平预先划分为10个类别；提取预聚类结果；使用决策树进行验证，以及修正；进行分级，并输出最终10个级别结果；对每个医生的技能水平进行评价。本发明能够公平衡量同一家医院同一个科室医生技术水平，不同医院下同一个科室医生技术水平。
Description
技术领域
本发明涉及机器学习领域，特别涉及一种医生技术水平评级方法。
背景技术
DRGs(Diagnosis Related Groups)中文翻译为(疾病)诊断相关组，它根据病人的年龄、性别、住院天数、临床诊断、病症、手术、疾病严重程度，合并症与并发症及转归等因素把病人分入500-600个诊断相关组，其最大能力就是作为一把尺子，去测量不同状况下的疾病消耗资源情况。因此drgs指标成为了评价医院、医院科室以及科室医生治疗效果的必备指标。但在当前评价体系中如何能够公平的衡量同一家医院同一个科室的医生技术水平，不同医院下同一个科室的医生技术水平任然是一个难题。因此如何使用 Drgs指标能够公平的评价一个医生的技术水平仍然是一个需要不断探索的过程。
发明内容
本发明的目的旨在至少解决所述技术缺陷之一。
为此，本发明的目的在于提出一种医生技术水平评级方法，能够公平的衡量同一家医院同一个科室的医生技术水平，不同医院下同一个科室的医生技术水平。
为了实现上述目的，本发明的实施例提供一种医生技术水平评级方法，包括如下步骤：
步骤S1，采集某一专业以及该专业下所有医生名称和每个医生名下所有病例的Drgs分组及权重值；
步骤S2，对采集的所有数据进行清洗，保留满足Drgs正常分组的以及诊疗病例数大于50的数据；
步骤S3，训练Drgs权重分段模型；
步骤S4，通过目标优化，找出满足最大化分段结构一致性原则的分段节点，提取步骤S3的最优分段结果；
步骤S5，计算每个医生的病例组合指数；
步骤S6，通过聚类方法，以每个医生的病例组合指数和该医生每个权重分段下的病例数累计占比作为输入特征，将输入特征代入到聚类模型中，进行空间的划分，将同一个科室的不同医生根据技能水平预先划分为10个类别；
步骤S7，提取步骤S6中的预聚类结果；
步骤S8，对步骤S7提取的预聚类结果使用决策树进行验证，以及修正；
步骤S9，对步骤S8的聚类结果进行分级，并输出最终10个级别结果；
步骤S10，对每个医生的技能水平进行评价。
在上述任一方案中优选的是，在步骤S1中，采集Drgs分组及权重值之前，对某一专业以及该专业下所有医生名称和每个医生名下所有病例的数据进行数据提取和数据预处理。
在上述任一方案中优选的是，在步骤S3中，预先指定权重分段的数量，然后根据已定分段的数量，初始化分段的候选集合，建立Drgs权重分段模型。
在上述任一方案中优选的是，在步骤S4中，遍历所有分段的候选集合，找出满足最大化分段结构一致性原则的分段节点，即满足最大化分段结构一致性公式的分段节点。
在上述任一方案中优选的是，在步骤S4中，最大化分段结构一致性公式为：
其中m代表划Drgs权重分段的个数，pij代表第i个医生在第j个分段的病例数比例，pj代表按照第j段的病例数比例。
在上述任一方案中优选的是，在步骤S5中，按照病例组合指数计算公式计算出每个医生的病例组合指数值，公式如下：
其中，CMI为该医生的病例组合指数值。
在上述任一方案中优选的是，步骤S6的具体步骤如下：
步骤S61，根据步骤S4提取的最佳分段结果，计算每个医生每个权重分段下的病例数；
步骤S62，把每个医生的病例综合指数和步骤S61中的计算的该医生的每个权重分段下的病例数的占比作为聚类模型的输入特征；
步骤S63，将输入特征代入到聚类模型中，根据聚类模型的方法，将不同的医生根据技能水平预划分为10个类别，每个类别下的医生水平相近，不同类别下的医生水平相差较大。
在上述任一方案中优选的是，聚类模型选用K-means聚类模型，预先设定聚类的个数，然后不断更新聚类中心，目标是让所有数据点到其所属聚类中心距离的平方和趋于稳定。
在上述任一方案中优选的是，在步骤S8中，根据决策树算法将步骤S7提取的预聚类结果进行验证以及修剪，具体步骤如下：
步骤S81，将步骤S7提取的预聚类结果作为决策树模型的输入特征；
步骤S82，以步骤S7提取的预聚类结果为参考标签，训练决策树模型；
步骤S83，根据步骤S82训练好的决策树模型，进行剪枝操作，增加决策树的泛化能力，得到聚类结果。
在上述任一方案中优选的是，在步骤S9中，根据步骤S8得到的聚类结果，提取划分规则，以及确定十个类别的级别。
本发明的医生技术水平评级方法具有以下有益效果：
1、本发明主要依据Drgs的权重分段指标和医生病例组合指数(cmi)来评价医生的技术水平。本发明采取的策略为在满足假设“所有的医生在诊疗过程中所遇到的病种具有一致性”的基础上，采用最大化分段结构一致性原则，最终避免drgs权重分段不合理问题。
2、本发明在采集某一专业以及该专业下所有医生名称和每个医生名下所有病例的Drgs 分组及权重值的基础上，对采集的所有数据进行清洗，保留满足Drgs正常分组的以及诊疗病例数大于50的数据，删除不满足条件的数据；使用聚类技术完成对医生的预分类，然后使用决策树模型对预分类结果进行验证以及修正，最终实现对医生技能评级，建立一种评价体系，使得该评价体系能够公平的衡量同一家医院同一个科室的医生技术水平，不同医院下同一个科室的医生技术水平。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明的医生技术水平评级方法的流程图；
图2为本发明的生成决策树的if-then规则图。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
本发明提供一种医生技术水平评级方法。本发明基于Drgs指标采取在满足假设“所有的医生在诊疗过程中所遇到的病种具有一致性”的基础上，最大化分段结构一致性的策略，最终避免drgs权重分段不合理问题。
基于此，本发明基于疾病诊断相关组(Drgs)指标的基础上提出一种医生技术水平评价方法，包括如下步骤：
步骤S1，采集某一专业以及该专业下所有医生名称和每个医生名下所有病例的Drgs分组及权重值；
采集Drgs分组及权重值之前，先对某一专业以及该专业下所有医生名称和每个医生名下所有病例的数据进行数据提取和数据预处理。
步骤S2，对采集的所有数据进行清洗，保留满足Drgs正常分组的以及诊疗病例数大于50的数据，删除不满足条件的数据。
步骤S3，训练Drgs权重分段模型；
具体为：预先指定权重分段的数量，优先选取5-6段，然后根据已定分段的数量，初始化分段的候选集合，建立Drgs权重分段模型。
步骤S4，通过目标优化，找出满足最大化分段结构一致性原则的分段节点，提取步骤S3的最优分段结果；
具体为：遍历所有分段的候选集合，找出满足最大化分段结构一致性原则的分段节点，即满足最大化分段结构一致性公式的分段节点为最优分段结果。
最大化分段结构一致性公式为：
(1)式中，m代表划Drgs权重分段的个数，pij代表第i个医生在第j个分段的病例数比例，pj代表按照第j段的病例数比例。
步骤S5，计算每个医生的病例组合指数；
按照病例组合指数计算公式计算出每个医生的病例组合指数值，公式如下：
其中，CMI为该医生的病例组合指数值。
步骤S6，通过聚类方法，以每个医生的病例组合指数和该医生每个权重分段下的病例数累计占比作为输入特征，将输入特征代入到聚类模型中，进行空间的划分，将同一个科室的不同医生根据技能水平预先划分为10个类别；
具体步骤如下：
步骤S61，根据步骤S4提取的最佳分段结果，计算每个医生每个权重分段下的病例数；
步骤S62，把每个医生的病例综合指数和步骤S61中的计算的该医生的每个权重分段下的病例数的占比作为聚类模型的输入特征；
步骤S63，将输入特征代入到聚类模型中，根据聚类模型的方法，将不同的医生根据技能水平预划分为10个类别，每个类别下的医生水平相近，不同类别下的医生水平相差较大。
其中，聚类模型选用K-means聚类模型，预先设定聚类的个数，优选将不同的医生根据技能水平预划分为10个类别，然后不断更新聚类中心，目标是让所有数据点到其所属聚类中心距离的平方和趋于稳定。
K-means聚类模型具体为：
(1)随机布设K个特征空间内的点作为初始的聚类中心；
(2)对于每个待归类的数据，从K个聚类中心中寻找距离最近的一个，并把该数据标记为从属于这个聚类中心；
(3)在所有的数据都被标记聚类中心之后，根据这些数据新分配的类簇，重新计算出K个聚类中心。
(4)一轮结束后，所有数据点从属的聚类中心与上一次分配的类簇一致，则迭代停止，否则回到步骤(2)继续循环。
步骤S7，提取步骤S6中的预聚类结果；
步骤S8，对步骤S7提取的预聚类结果使用决策树进行验证，以及修正；
根据决策树算法将步骤S7提取的预聚类结果进行验证以及修剪，具体步骤如下：
步骤S81，将步骤S7提取的预聚类结果作为决策树模型的输入特征；
步骤S82，以步骤S7提取的预聚类结果为参考标签，训练决策树模型；
步骤S83，根据步骤S82训练好的决策树模型，进行剪枝操作，增加决策树的泛化能力，得到聚类结果。
本发明选用C4.5决策树模型，C4.5决策树模型是用信息增益比率来作为选择分支的准则。信息增益比率通过引入一个被称作分裂信息的项来惩罚取值较多的输入特征。除此之外，C4.5决策树模型还弥补了不能处理特征属性值连续的问题。
步骤S9，对步骤S8的聚类结果进行分级，并输出最终10个级别结果；即根据步骤S8得到的聚类结果，提取划分规则，以及确定十个类别的级别。
步骤S10，对每个医生的技能水平进行评价。
本发明主要依据Drgs的权重分段指标和医生病例组合指数(cmi)来评价医生的技术水平。本发明采取的策略为在满足假设“所有的医生在诊疗过程中所遇到的病种具有一致性”的基础上，采用最大化分段结构一致性原则，最终避免drgs权重分段不合理问题。
此外，在采集某一专业以及该专业下所有医生名称和每个医生名下所有病例的Drgs分组及权重值的基础上，对采集的所有数据进行清洗，保留满足Drgs正常分组的以及诊疗病例数大于50的数据，删除不满足条件的数据；使用聚类技术完成对医生的预分类，然后使用决策树模型对预分类结果进行验证以及修正，最终实现对医生技能评级，建立一种评价体系，使得该评价体系能够公平的衡量同一家医院同一个科室的医生技术水平，不同医院下同一个科室的医生技术水平。
下面对本发明的医生技术水平评级方法进行举例说明。
(1)采集2016年心血管科290名医生诊疗的所有病例。为了描述方便，表1中仅列出十九条病例；
表1医生诊疗病例分组结果表
| 医生姓名 | Drgs分组 | 年份 | 权重 |
| 戴某某 | GU15 | 2016 | 0.43535 |
| 戴某某 | GU15 | 2016 | 0.43535 |
| 戴某某 | GU15 | 2016 | 0.43535 |
| 戴某某 | GU15 | 2016 | 0.43535 |
| 戴某某 | KT11 | 2016 | 0.743321 |
| 戴某某 | KZ15 | 2016 | 0.458714 |
| 戴某某 | QY | 2016 | 1.86558 |
| 戴某某 | XS13 | 2016 | 1.025395 |
| 邓某某 | DT10 | 2016 | 0.245961 |
| 邓某某 | DT10 | 2016 | 0.245961 |
| 邓某某 | DT10 | 2016 | 0.245961 |
| 邓某某 | DT10 | 2016 | 0.245961 |
| 邓某某 | ES10 | 2016 | 0.738756 |
| 邓某某 | ES10 | 2016 | 0.738756 |
| 邓某某 | ES10 | 2016 | 0.738756 |
(2)对选择的数据进行预清洗，保留满足drgs正常分组的以及诊疗病例数大于 50的数据。表2为处理后的数据。
表2预处理后的数据
| 医生姓名 | Drgs分组 | 年份 | 权重 |
| 戴某某 | GU15 | 2016 | 0.43535 |
| 戴某某 | GU15 | 2016 | 0.43535 |
| 戴某某 | GU15 | 2016 | 0.43535 |
| 戴某某 | GU15 | 2016 | 0.43535 |
| 戴某某 | KT11 | 2016 | 0.743321 |
| 戴某某 | KZ15 | 2016 | 0.458714 |
| 戴某某 | XS13 | 2016 | 1.025395 |
| 邓某某 | DT10 | 2016 | 0.245961 |
| 邓某某 | DT10 | 2016 | 0.245961 |
| 邓某某 | DT10 | 2016 | 0.245961 |
| 邓某某 | DT10 | 2016 | 0.245961 |
| 邓某某 | ES10 | 2016 | 0.738756 |
| 邓某某 | ES10 | 2016 | 0.738756 |
| 邓某某 | ES10 | 2016 | 0.738756 |
(3)训练Drgs权重分段模型，获取最佳分段序列，步骤如下：
1、预先指定权重分段的数量为6
2、遍历所有分段的候选集合，找出能够最大化分段结构一致性原则的分段节点0.98,1.78,2.28,2.93,3.43
3、输出权重分割的区间：
表3 Drgs权重分段结果
| 权重分段 | 权重取值范围 |
| 分段1 | 权重值小于等于0.98 |
| 分段2 | 权重值大于0.98，小于等于1.78 |
| 分段3 | 权重值大于1.78，小于等于2.28 |
| 分段4 | 权重值大于2.28，小于等于2.93 |
| 分段5 | 权重值大于2.93，小于等于3.43 |
| 分段6 | 权重值大于3.43 |
(4)根据(3)的分段范围，计算Drgs分段指标。
表4 Drgs权重分段结果
(5)计算每个医生的病例综合指数。
表5每个医生病例综合指数
| 医生姓名 | 病例综合指数 |
| 丁某某 | 0.923836 |
| 付某某 | 0.902369 |
| 付某 | 0.86149 |
| 付某某 | 0.838956 |
| 代某某 | 1.094909 |
| 任某 | 1.094311 |
| 何某 | 1.503173 |
| 何某 | 1.069608 |
| 何某 | 0.880863 |
| 余某 | 0.814145 |
| 余某 | 0.811326 |
| 余某某 | 1.0925 |
| 傅某 | 1.571463 |
| 兰某某 | 1.447095 |
(6)以权重分段以及病例综合指数为特征，分段特征一到特征五依次代表6个分段的区间的累计病案数比例，特征六代表病历综合指数值，最终将6个特征值带入 Kmeans聚类模型，进行空间的划分，将同一个科室的不同医生根据技能水平预先划分为10个类别，具体聚类结果如下：
表6预聚类结果
(7)在(6)的基础上，将(6)的输入特征以及(6)的聚类结果作为C4.5决策树模型的输入值，在预先分类的监督下，经过对决策树的枝叶的修剪，生成决策树的 if-then规则，规则图如图2所示。
(8)在(7)的基础上提取if-then规则，并将10个类别进行排序，制定出医生的10个水平标准，并将其作为后续同样科室医生的评价标准。
表7医生技能水平分类结果
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求及其等同限定。
Claims (10)
1.一种医生技术水平评级方法，其特征在于，包括如下步骤：
步骤S1，采集某一专业以及该专业下所有医生名称和每个医生名下所有病例的Drgs分组及权重值；
步骤S2，对采集的所有数据进行清洗，保留满足Drgs正常分组的以及诊疗病例数大于50的数据；
步骤S3，训练Drgs权重分段模型；
步骤S4，通过目标优化，找出满足最大化分段结构一致性原则的分段节点，提取步骤S3的最优分段结果；
步骤S5，计算每个医生的病例组合指数；
步骤S6，通过聚类方法，以每个医生的病例组合指数和该医生每个权重分段下的病例数累计占比作为输入特征，将输入特征代入到聚类模型中，进行空间的划分，将同一个科室的不同医生根据技能水平预先划分为10个类别；
步骤S7，提取步骤S6中的预聚类结果；
步骤S8，对步骤S7提取的预聚类结果使用决策树进行验证，以及修正；
步骤S9，对步骤S8的聚类结果进行分级，并输出最终10个级别结果；
步骤S10，对每个医生的技能水平进行评价。
2.如权利要求1所述的医生技术水平评级方法，其特征在于，在步骤S1中，采集Drgs分组及权重值之前，对某一专业以及该专业下所有医生名称和每个医生名下所有病例的数据进行数据提取和数据预处理。
3.如权利要求1所述的医生技术水平评级方法，其特征在于，在步骤S3中，预先指定权重分段的数量，然后根据已定分段的数量，初始化分段的候选集合，建立Drgs权重分段模型。
4.如权利要求1所述的医生技术水平评级方法，其特征在于，在步骤S4中，遍历所有分段的候选集合，找出满足最大化分段结构一致性原则的分段节点，即满足最大化分段结构一致性公式的分段节点。
5.如权利要求4所述的医生技术水平评级方法，其特征在于，在步骤S4中，最大化分段结构一致性公式为：
其中m代表划Drgs权重分段的个数，pij代表第i个医生在第j个分段的病例数比例，pj代表按照第j段的病例数比例。
6.如权利要求1所述的医生技术水平评级方法，其特征在于，在步骤S5中，按照病例组合指数计算公式计算出每个医生的病例组合指数值，公式如下：
其中，CMI为该医生的病例组合指数值。
7.如权利要求1所述的医生技术水平评级方法，其特征在于，步骤S6的具体步骤如下：
步骤S61，根据步骤S4提取的最佳分段结果，计算每个医生每个权重分段下的病例数；
步骤S62，把每个医生的病例综合指数和步骤S61中的计算的该医生的每个权重分段下的病例数的占比作为聚类模型的输入特征；
步骤S63，将输入特征代入到聚类模型中，根据聚类模型的方法，将不同的医生根据技能水平预划分为10个类别，每个类别下的医生水平相近，不同类别下的医生水平相差较大。
8.如权利要求1所述的医生技术水平评级方法，其特征在于，聚类模型选用K-means聚类模型，预先设定聚类的个数，然后不断更新聚类中心，目标是让所有数据点到其所属聚类中心距离的平方和趋于稳定。
9.如权利要求1所述的医生技术水平评级方法，其特征在于，在步骤S8中，根据决策树算法将步骤S7提取的预聚类结果进行验证以及修剪，具体步骤如下：
步骤S81，将步骤S7提取的预聚类结果作为决策树模型的输入特征；
步骤S82，以步骤S7提取的预聚类结果为参考标签，训练决策树模型；
步骤S83，根据步骤S82训练好的决策树模型，进行剪枝操作，增加决策树的泛化能力，得到聚类结果。
10.如权利要求1所述的医生技术水平评级方法，其特征在于，在步骤S9中，根据步骤S8得到的聚类结果，提取划分规则，以及确定十个类别的级别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911154268.XA CN110930030B (zh) | 2019-11-22 | 2019-11-22 | 医生技术水平评级方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911154268.XA CN110930030B (zh) | 2019-11-22 | 2019-11-22 | 医生技术水平评级方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110930030A true CN110930030A (zh) | 2020-03-27 |
| CN110930030B CN110930030B (zh) | 2022-09-02 |
Family
ID=69851688
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911154268.XA Active CN110930030B (zh) | 2019-11-22 | 2019-11-22 | 医生技术水平评级方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110930030B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113130052A (zh) * | 2021-03-09 | 2021-07-16 | 深圳星医科技有限公司 | 医生推荐方法、医生推荐装置、终端设备及存储介质 |
| CN113779180A (zh) * | 2021-09-29 | 2021-12-10 | 北京雅丁信息技术有限公司 | 一种地区drg分组模拟方法 |
| CN117116502A (zh) * | 2023-09-11 | 2023-11-24 | 北京和兴创联健康科技有限公司 | 基于人工智能和大数据构造手术画像知识图的方法和系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060241974A1 (en) * | 2005-04-26 | 2006-10-26 | Chao David Y | System and method for peer-profiling individual performance |
| US20130117033A1 (en) * | 2011-11-04 | 2013-05-09 | Verras Healthcare Group | Healthcare performance measurement and equitable provider reimbursement system |
| CN104951894A (zh) * | 2015-06-25 | 2015-09-30 | 成都厚立信息技术有限公司 | 医院疾病管理智能分析和评估系统 |
| CN105512796A (zh) * | 2015-11-25 | 2016-04-20 | 上海蓬海涞讯数据技术有限公司 | 实现医院手术科室医生绩效评价的系统和方法 |
| CN106202891A (zh) * | 2016-06-30 | 2016-12-07 | 电子科技大学 | 一种面向医疗质量评价的大数据挖掘方法 |
| CN106682438A (zh) * | 2016-12-30 | 2017-05-17 | 广州慧扬信息系统科技有限公司 | 基于疾病诊断相关分组的医师绩效管理系统计算方法 |
| CN106777921A (zh) * | 2016-11-29 | 2017-05-31 | 成都中医药大学 | 一种基于中医大数据的三名树网评价模型的构建系统和方法 |
| CN107463770A (zh) * | 2017-07-11 | 2017-12-12 | 武汉金豆医疗数据科技有限公司 | 一种基于疾病诊断相关分组的评价方法和系统 |
| CN107785057A (zh) * | 2017-06-19 | 2018-03-09 | 平安医疗健康管理股份有限公司 | 医疗数据处理方法、装置、存储介质和计算机设备 |
| CN110289088A (zh) * | 2019-07-01 | 2019-09-27 | 太平洋医疗健康管理有限公司 | 基于DRGs的大数据智能管理方法及系统 |
-
2019
- 2019-11-22 CN CN201911154268.XA patent/CN110930030B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060241974A1 (en) * | 2005-04-26 | 2006-10-26 | Chao David Y | System and method for peer-profiling individual performance |
| US20130117033A1 (en) * | 2011-11-04 | 2013-05-09 | Verras Healthcare Group | Healthcare performance measurement and equitable provider reimbursement system |
| CN104951894A (zh) * | 2015-06-25 | 2015-09-30 | 成都厚立信息技术有限公司 | 医院疾病管理智能分析和评估系统 |
| CN105512796A (zh) * | 2015-11-25 | 2016-04-20 | 上海蓬海涞讯数据技术有限公司 | 实现医院手术科室医生绩效评价的系统和方法 |
| CN106202891A (zh) * | 2016-06-30 | 2016-12-07 | 电子科技大学 | 一种面向医疗质量评价的大数据挖掘方法 |
| CN106777921A (zh) * | 2016-11-29 | 2017-05-31 | 成都中医药大学 | 一种基于中医大数据的三名树网评价模型的构建系统和方法 |
| CN106682438A (zh) * | 2016-12-30 | 2017-05-17 | 广州慧扬信息系统科技有限公司 | 基于疾病诊断相关分组的医师绩效管理系统计算方法 |
| CN107785057A (zh) * | 2017-06-19 | 2018-03-09 | 平安医疗健康管理股份有限公司 | 医疗数据处理方法、装置、存储介质和计算机设备 |
| CN107463770A (zh) * | 2017-07-11 | 2017-12-12 | 武汉金豆医疗数据科技有限公司 | 一种基于疾病诊断相关分组的评价方法和系统 |
| CN110289088A (zh) * | 2019-07-01 | 2019-09-27 | 太平洋医疗健康管理有限公司 | 基于DRGs的大数据智能管理方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| ZHONGYUAN YU等: "A deeper look at the causes of hospital readmissions", 《2017 IEEE INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND ENGINEERING MANAGEMENT (IEEM)》 * |
| 医有数: "DRGs应用：CMI在医院科室绩效评价中的运用", 《HTTPS://WWW.SOHU.COM/A/283294001_100009435》 * |
| 朱小凤等: "DRGs在提升医疗技术难度水平中的应用", 《中国卫生质量管理》 * |
| 李贤华等: "疾病诊断相关组在医院绩效考核中的评价", 《解放军医院管理杂志》 * |
| 甘少辉: "基于疾病诊断相关分组的临床专科综合评价研究——以江西省神经内科为例", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113130052A (zh) * | 2021-03-09 | 2021-07-16 | 深圳星医科技有限公司 | 医生推荐方法、医生推荐装置、终端设备及存储介质 |
| CN113779180A (zh) * | 2021-09-29 | 2021-12-10 | 北京雅丁信息技术有限公司 | 一种地区drg分组模拟方法 |
| CN117116502A (zh) * | 2023-09-11 | 2023-11-24 | 北京和兴创联健康科技有限公司 | 基于人工智能和大数据构造手术画像知识图的方法和系统 |
| CN117116502B (zh) * | 2023-09-11 | 2024-04-05 | 北京和兴创联健康科技有限公司 | 基于人工智能和大数据构造手术画像知识图的方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110930030B (zh) | 2022-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110930030B (zh) | 医生技术水平评级方法 | |
| WO2021120934A1 (zh) | 一种基于卷积神经网络的DRGs自动分组方法 | |
| CN109086805B (zh) | 一种基于深度神经网络和成对约束的聚类方法 | |
| CN112951413B (zh) | 一种基于决策树和改进smote算法的哮喘病诊断系统 | |
| CN111061700A (zh) | 基于相似性学习的就医迁移方案推荐方法及系统 | |
| CN111145902A (zh) | 一种基于改进人工神经网络的哮喘病诊断方法 | |
| CN115374106B (zh) | 一种基于知识图谱技术的数据智能分级方法 | |
| CN105139430A (zh) | 一种基于图熵的医学图像聚类方法 | |
| CN109086831A (zh) | 基于模糊c-均值算法和人工蜂群聚类算法的混合聚类算法 | |
| CN114203284A (zh) | 一种应急血液调度方法 | |
| CN117370565A (zh) | 一种信息检索方法及系统 | |
| CN116259415A (zh) | 一种基于机器学习的患者服药依从性预测方法 | |
| CN107480426A (zh) | 自迭代病历档案聚类分析系统 | |
| CN110097934A (zh) | 一种心电本体概念的属性特征约简方法 | |
| CN117609818A (zh) | 基于聚类与信息熵的电网关联关系发现方法 | |
| CN110957046B (zh) | 医疗健康案例知识匹配方法和系统 | |
| CN117195027A (zh) | 基于成员选择的簇加权聚类集成方法 | |
| CN111488903A (zh) | 基于特征权重的决策树特征选择方法 | |
| CN112817959B (zh) | 基于多度量指标权重的古生物形态系统发育树构建方法 | |
| CN108416380A (zh) | 一种减小客户流失风险的大数据聚类算法 | |
| CN115600913A (zh) | 一种用于智能矿山的主数据识别方法 | |
| CN109800384B (zh) | 一种基于粗糙集信息决策表的基本概率赋值计算方法 | |
| Lafta et al. | Breast cancer diagnosis using genetic fuzzy rule based system | |
| CN108021623B (zh) | 一种提高地图符号赋权客观性的方法及系统 | |
| Khatami et al. | A clustering expert system using particle swarm optimization and k-means++ for journal recommendation to publish the papers |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Rating method for doctors' technical level Effective date of registration: 20230317 Granted publication date: 20220902 Pledgee: Haidian Beijing science and technology enterprise financing Company limited by guarantee Pledgor: Beijing Yading Information Technology Co.,Ltd. Registration number: Y2023110000100 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20220902 Pledgee: Haidian Beijing science and technology enterprise financing Company limited by guarantee Pledgor: Beijing Yading Information Technology Co.,Ltd. Registration number: Y2023110000100 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right |