CN112201330B - 结合DRGs工具和贝叶斯模型的医疗质量监测评估方法 - Google Patents
结合DRGs工具和贝叶斯模型的医疗质量监测评估方法 Download PDFInfo
- Publication number
- CN112201330B CN112201330B CN202011055739.4A CN202011055739A CN112201330B CN 112201330 B CN112201330 B CN 112201330B CN 202011055739 A CN202011055739 A CN 202011055739A CN 112201330 B CN112201330 B CN 112201330B
- Authority
- CN
- China
- Prior art keywords
- medical
- predicted
- index
- quality
- medical quality
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 201000010099 disease Diseases 0.000 claims abstract description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 19
- 238000013441 quality evaluation Methods 0.000 claims description 80
- 238000011156 evaluation Methods 0.000 claims description 48
- 238000003745 diagnosis Methods 0.000 claims description 46
- 239000000203 mixture Substances 0.000 claims description 23
- 238000001303 quality assessment method Methods 0.000 claims description 20
- 238000012417 linear regression Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 206010002091 Anaesthesia Diseases 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000037005 anaesthesia Effects 0.000 claims description 7
- 239000008280 blood Substances 0.000 claims description 6
- 210000004369 blood Anatomy 0.000 claims description 6
- 238000000968 medical method and process Methods 0.000 claims description 6
- 239000003814 drug Substances 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 208000002847 Surgical Wound Diseases 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 4
- 238000012937 correction Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 abstract description 2
- 238000004393 prognosis Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000035474 group of disease Diseases 0.000 description 2
- 206010011409 Cross infection Diseases 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007721 medicinal effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- 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
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了结合DRGs工具和贝叶斯模型的医疗质量监测评估方法,运用临床治疗全过程的医疗大数据,结合DRGs工具,采用贝叶斯模型并结合线性修正方法精准预测同一类疾病在不同风险因素情况下的转归和资源消耗情况;从医疗效率、资源消耗和医疗安全三个维度开展研究,分别构建模型,为实现医疗质量的精细化管理提供数据支撑,通过观测值O与预测值E的比值评价实际医疗质量安全指标与预期医疗质量安全指标之间的差异,形成医疗质量安全管理监测模式,为医疗质量安全管理辅助决策提供数据支撑;对实现医疗质量安全精细化管理、提升医院发展核心竞争力具有重要研究意义。
Description
技术领域
本发明属于质量评估方法技术领域,具体涉及结合DRGs工具和贝叶斯模型的医疗质量监测评估方法。
背景技术
医疗质量安全是医疗服务的永恒主题,科学客观的医疗质量安全指标监测和评估体系及精细化管理技术,是实现医疗精细化管理的基石。医院管理者不断在探索医疗活动中对医疗质量有效监测和评估的方法,以达到对医疗质量持续改进,近年来DRGS(Diagnosis Related Groups,疾病诊断相关分类)工具开始越来越多被应用到医疗质量管理领域,DGR实质上是一种病例组合分类方案,即根据年龄、疾病诊断、合并症、并发症、治疗方式、病症严重程度及转归和资源消耗等因素,将患者分入若干诊断组进行管理的体系,DRGS主要分组依据是反映疾病的严重程度、诊疗难度和消耗的医疗资源,同一组疾病的严重、难易、资源消耗相近,但并不能准确的预测每一例患者的不同维度的质量安全指标情况。
发明内容
针对现有技术中的上述不足,本发明提供的结合DRGs工具和贝叶斯模型的医疗质量监测评估方法解决了现有的医疗质量管理难度大、主观性性强且难以对个体质量治疗进行评价的问题。
为了达到上述发明目的,本发明采用的技术方案为:结合DRGs工具和贝叶斯模型的医疗质量监测评估方法,包括以下步骤:
S1、获取患者的病案首页,并基于病案首页通过DRGs工具对病例进行分类,确定患者所属诊断组;
S2、在患者所属诊断组的历史医疗数据的基础上,结合除病案首页外临床治疗全过程的医疗大数据,通过贝叶斯模型对患者的各医疗质量评估指标进行预测;
S3、对各医疗质量评估指标的预测值与当前患者实际医疗过程中对应医疗质量评估指标的实际值进行分析,确定各医疗质量评估指标的质量评估等级,实现医疗质量监测评估。
进一步地,所述步骤S1中,患者的病案首页中的数据包括患者基本信息、诊断信息、手术操作信息、其他诊疗信息及费用信息;
所述DRGs工具以反应疾病的严重程度、诊疗难度和消耗的医疗资源的相似性对病例进行分类。
进一步地,所述步骤S2中,进行预测的医疗质量评估指标包括安全指标、效率指标和资源消耗指标;
所述效率指标为住院天数;所述资源消耗指标包括住院总费用、药品费用、耗材费用和检查检验费用;所述安全指标包括死亡率及并发症发生率。
进一步地,所述步骤S2中对一个医疗质量评估指标进行预测的方法具体为:
A1、选取待预测的医疗质量评估指标;
A2、确定患者影响待预测医疗质量评估指标的医疗数据,并对其进行特征处理;
A3、基于患者所属诊断组中影响待预测医疗质量评估指标的历史医疗数据,拟合与待预测的医疗质量评估指标相关的混合高斯分布,并将患者的特征处理后的医疗数据归类到混合高斯分布的各分段中;
A4、确定患者的医疗数据在混合高斯分布中各分段出现的比例;
A5、基于患者的医疗数据在混合高斯分布中各分段出现的比例,通过贝叶斯模型预测患者的医疗数据针对待预测医疗质量评估指标在混合高斯分布中不同分段的概率;
A6、以待预测医疗质量评估指标在各分段的概率为特征,待预测医疗质量评估指标的最终预测值为目标,构建并训练线性回归模型;
A7、基于训练好的线性回归模型对待预测医疗质量评估指标进行预测,得到待预测的医疗质量评估指标的预测值。
进一步地,所述步骤A1中的医疗数据包括患者年龄、性别、血型、主诊断、其他诊断、手术级别、手术编码、是否麻醉、麻醉类型和手术切口;
所述步骤A2中,对医疗数据进行特征处理包括:
(1)对通过DRGs工具分类得到不同诊断组中的不同年龄拟合混合高斯分布,将患者的年龄归类到对应概率最高的混合高斯分布中;
(2)取主诊断和其他诊断的诊断ICD编码的前四位;
(3)取手术编码的前四位。
进一步地,所述步骤A5中,贝叶斯模型的推导公式为:
式中,P(yi|x)为在医疗数据为x时得到第i个质量评估指标yi的概率,yi为待预测的医疗质量评估指标,i为待预测的医疗质量评估指标序数,x为诊断组中各种医疗数据的组合,xt为一组医疗数据中第t个具体数据,n为一组医疗数据中具体数据的总数,t=1,2,3,....,n。
进一步地,所述步骤A6中,构建的线性回归模型的目标函数为:
minΣi(a1*p1i+a2*p2i+...+am*pmi-qi)2
式中,a1...am为模型优化参数,p1i....pmi为通过贝叶斯模型预测得到的第i个待预测的医疗质量评估指标在混合高斯分布中1~m分段的概率,m为混合高斯分布中各分段的序数,qi为第i个待预测的医疗质量评估指标的实际值。
进一步地,所述步骤A7中,通过线性回归模型预测得到的第i个待预测的医疗质量评估指标的预测值expect_yi为:
expect_yi=a1*p1i+a2*p2i+...+am*pmi。
进一步地,所述步骤S3中,确定医疗质量评估指标中的效率指标及资源消耗指标的医疗质量评估等级的方法具体为:
B1、将患者在实际医疗过程的各医疗质量评估指标的实际值O与对应预测值E的比值O/E作为一个评估指标;
其中,第i个医疗质量评估指标的实际值O为ti,对应第i个医疗质量评估指标的预测值E为expect_yi;
B2、在患者所属DGRs疾病组内确定各评估指标O/E的均值A及标准差B;
B3、基于各评估指标O/E、均值A及标准差B,确定各医疗质量评估指标的质量评估等级。
进一步地,所述步骤B3中:
当|O/E-A|在一个标准差B范围内时,对应的质量等级评价结果为符合;
当实际值O小于预测值E且|O/E-A|大于一个标准差B时,对应的质量等级评价结果为优;
当实际值O大于预测值E且|O/E-A|在1~3个标准差B范围内时,对应的质量等级评价结果为劣;
当实际值O大于预测值E且|O/E-A|在3个标准差B以上时,对应的质量等级评价结果为异常。
进一步地,所述步骤S3中,确定医疗质量评估指标中的安全指标的医疗质量评估等级的方法具体为:
确定同一DGRs疾病组中所有病例的死亡率或并发症发生率为O,其中每例病例对应的预测值E的均值为将/>作为一个评估指标;
当时,对应的质量等级评价结果为符合;
当时,对应的质量等级评价结果为优;
当时,对应的质量等级评价结果为劣;
当时,对应的质量等级评价结果为异常。
本发明的有益效果为:
(1)本发明基于临床治疗全过程的医疗大数据,结合DRGs工具,采用贝叶斯模型预测影响医疗质量的各种指标,精准预测同一类病种在不同风险因素情况下的归转和资源消耗情况;
(2)本发明从医疗效率、资源消耗和医疗安全三个维度开展研究,分别进行预测,为实现医疗质量的精细化管理提供的数据支撑;
(3)本发明将DGRs和贝叶斯模型结合起来,并对贝叶斯模型得到的预测结果进行线性修正,得到更为准确的医疗质量评估预测结果,对典型疾病组建立一套标准化的辅助管理模式,有利于临床治疗路径,规范化医疗行为与服务模式;
(4)本发明通过O/E(O:Observe,观测值;E:Expect,预期值)值评价实际医疗质量安全指标与预期医疗质量安全指标之间的差异,形成医疗质量安全管理监测预警模式,有利于医疗质量安全管理辅助决策;对实现医疗质量精细化管理、提升医院发展核心竞争力具有重要研究意义。
附图说明
图1为本发明提供的结合DRGs工具和贝叶斯模型的医疗质量监测评估方法流程图。
图2为本发明提供的DRGs工具分类时的患者病案首页示意图。
图3为本发明提供的DRGs工具分类原则示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1:
结合DRGs工具和贝叶斯模型的医疗质量监测评估方法,包括以下步骤:
S1、获取患者的病案首页,并基于病案首页通过DRGs工具对病例进行分类,确定患者所属诊断组;
S2、在患者所属诊断组的历史医疗数据的基础上,结合除病案首页外临床治疗全过程的医疗大数据,通过贝叶斯模型对患者的各医疗质量评估指标进行预测;
S3、对各医疗质量评估指标的预测值与当前患者实际医疗过程中对应医疗质量评估指标的实际值进行分析,确定各医疗质量评估指标的质量评估等级,实现医疗质量监测评估。
在本实施例的步骤S1中,DRGs工具将患者分入如若干诊断组进行管理,通过DRGs工具分类得到的同一疾病的严重、难易及资源消耗相近,该工具用于医疗质量精细化管理,已得到医院管理者的认可,在医疗质量安全精细化管理上有很大的成效,其分组数据来源如图2所示,图2中的病案首页中的数据包括患者基本信息、诊断信息、手术操作信息、其他诊疗信息及费用信息;如图3所示,DRGs工具以反应疾病的严重程度、诊疗难度和消耗的医疗资源的相似性对对病例进行分类;
在本实施例的步骤S2中,基于DRGs工具分组后,同组疾病治疗难度、危险程度、资源消耗等相似,在此基础上进一步细化到每例患者的医疗质量安全相关指标的预测和判定,将医疗质量安全监测管理做到更加精细化、个体化;为了达到评估医疗质量的目的,确定患者每次主要的医疗质量评估指标,因此,步骤S2中,进行预测的医疗质量评估指标包括安全指标、效率指标和资源消耗指标;其中,安全指标包括死亡率及并发症发生率(手术并发症、院内感染等院内获得性指标的发生率),效率指标为住院天数,资源消耗指标包括住院总费用、药品费用、耗材费用和检查检验费用。
本发明的基本思想是以大部分医疗水平相当的医疗质量作为质量标注,没有专门的数据标注,即没有一份提前标注好的医疗质量水平的数据,而是需要模型自动以大部分正常历史数据为标准来构建预测质量评估指标;虽然通过DRGs工具分组后的样本数据量相对于医疗数据来说比较大,但是对于传统的较为复杂的判别式机器学习模型来说,数据样本量显得不足,很容易出现模型不稳定的情况,并且可解释性差;由于医疗系统建设的复杂性医疗数据存在的数据字段很多,存在大量的脏数据,每个具体的特征(具体手术)相对数量不会太多,因此对模型的鲁棒性及稳定性具有更高的要求。
针对上述特点,本发明以贝叶斯模型为整体框架构建预测模型,得到医疗质量评估指标的预测值;基于此,上述步骤S2中对一个医疗质量评估指标进行预测的方法具体为:
A1、选取待预测的医疗质量评估指标;
A2、确定患者影响待预测医疗质量评估指标的医疗数据,并对其进行特征处理;
A3、基于患者所属诊断组中影响待预测医疗质量评估指标的历史医疗数据,拟合与待预测的医疗质量评估指标相关的混合高斯分布,并将患者的特征处理后的医疗数据归类到混合高斯分布的各分段中;
A4、确定患者的医疗数据在混合高斯分布中各分段出现的比例;
A5、基于患者的医疗数据在混合高斯分布中各分段出现的比例,通过贝叶斯模型预测患者的医疗数据针对待预测医疗质量评估指标在混合高斯分布中不同分段的概率;
A6、以待预测医疗质量评估指标在各分段的概率为特征,待预测医疗质量评估指标的最终预测值为目标,构建并训练线性回归模型;
A7、基于训练好的线性回归模型对待预测医疗质量评估指标进行预测,得到待预测的医疗质量评估指标的预测值。
本发明实施例中采用的朴素贝叶斯模型(Naive Bayesian Model,NBC)是统计学分类算法中最经典的一种,算法也十分简单:“对于给定的待分类项,求解在此项出现的条件下各个类别出现的概率,然后看哪个最大,就认为此待分类项属于哪个类别”。朴素贝叶斯模型发源于古典数学理论,有着坚实的数学基础,以及稳定的分类效率。同时,NBC模型所需估计的参数很少,对缺失数据不太敏感,算法也比较简单。理论上,NBC模型比其他分类方法具有最小的误差率;实际上,在属性个数比较多或者属性之间相关性较大时,NBC模型的分类效率比不上决策树模型,在属性相关性较小时,NBC模型的性能最为良好。朴素贝叶斯的优点在于:1)算法逻辑简单,易于实现;2)时间、空间开销较小,占用的系统资源较少,因而速度快;3)有坚实的数学基础,分类精度较高;4)性能稳定,即具有良好的鲁棒性;5)在处理大规模数据库时,朴素贝叶斯分类的运算性能和分类准确性甚至优于其他方法。
上述步骤A2中的医疗数据包括患者年龄、性别、血型、主诊断、其他诊断、手术级别、手术编码、是否麻醉、麻醉类型和手术切口;
所述步骤S21中,对医疗数据进行特征处理包括:
(1)对通过DRGs工具分类得到不同诊断组中的不同年龄拟合混合高斯分布,将患者的年龄归类到对应概率最高的混合高斯分布中;
(2)取主诊断和其他诊断的诊断ICD编码的前四位;
(3)取手术编码的前四位。
上述步骤A5中,贝叶斯模型的推导公式为:
式中,P(yi|x)为在医疗数据为x时得到第i个质量评估指标yi的概率,yi为待预测的医疗质量评估指标,i为待预测的医疗质量评估指标序数,x为诊断组中各种医疗数据的组合,xt为一组医疗数据中第t个具体数据,n为一组医疗数据中具体数据的总数,t=1,2,3,....,n;
上述步骤A6中,构建的线性回归模型的目标函数为
min∑i(a1*p1i+a2*p2i+...+am*pmi-qi)2
式中,a1...am为模型优化参数,p1i....pmi为通过贝叶斯模型预测得到的第i个待预测的医疗质量评估指标在混合高斯分布中1~m分段的概率,m为混合高斯分布中各分段的序数,qi为第i个待预测的医疗质量评估指标的实际值。
上述步骤A7中,通过线性回归模型预测得到的第i个待预测的医疗质量评估指标的预测值expect_yi为:
expect_yi=a1*p1i+a2*p2i+...+am*pmi
本发明实施例的步骤S3中,将医疗质量评估等级的确定分为两种情况,一种是对患者的效率指标及资源消耗指标的医疗质量评估等级确定,另一种是对DRGs疾病组安全指标的医疗质量评估等级的确定。其中,确定患者的效率指标(住院天数)及资源消耗指标(住院总费用、药品费用、耗材费用和检查检验费用)的医疗质量评估等级的方法具体为:
B1、将患者在实际医疗过程的各医疗质量评估指标的实际值O与对应预测值E的比值O/E作为一个评估指标;
其中,第i个医疗质量评估指标的实际值O为ti,对应第i个医疗质量评估指标的预测值E为expect_yi;
B2、在患者所属DGRs疾病组内确定各评估指标O/E的均值A及标准差B;
B3、基于各评估指标O/E、均值A及标准差B,确定各医疗质量评估指标的质量评估等级;
具体地,当|O/E-A|在一个标准差B范围内时,对应的质量等级评价结果为符合;
当实际值O小于预测值E且|O/E-A|大于一个标准差B时,对应的质量等级评价结果为优;
当实际值O大于预测值E且|O/E-A|在1~3个标准差B范围内时,对应的质量等级评价结果为劣;
当实际值O大于预测值E且|O/E-A|在3个标准差B以上时,对应的质量等级评价结果为异常。
对于上述资源消耗指标涉及的各种费用,由于在不同区域不同医院等级收费标准存在不同,在不同区域或不同医院等级(收费标准不同)的情况下,费用类指标实际值O和预测值E可能存在差异,但当本评估方法使用|O/E-A|是否在一个标准差B范围内时,来评价质量等级,解决了费用差异问题,例如:一家二级医疗机构(收费标准低于三级医疗机构)在评价费用指标时,假设O/E的均值A为0.8,标准差B为0.1,那么O/E值在0.7-0.9范围内对应的质量等级评价结果为符合,O/E值小于0.7对应的质量等级评价结果为优,O/E值在0.9-1.1对应的质量等级评价结果为劣,O/E值大于1.1对应的质量等级评价结果为异常。
确定DGRs疾病组的安全指标(死亡率和并发症发生率)的医疗质量评估等级的方法具体为:
确定同一DGRs疾病组中所有病例的死亡率或并发症发生率为O,其中每例病例对应的预测值E的均值为将/>作为一个评估指标;(对单个患者而言,死亡或并发症指标为“发生”或“不发生”,对一组患者才能考察“发生率”);
当时,对应的质量等级评价结果为符合;
当时,对应的质量等级评价结果为优;
当时,对应的质量等级评价结果为劣;
当时,对应的质量等级评价结果为异常。
实施例2:
本实施例中提供了通过朴素贝叶斯模型构建住院费用预测模型,对患者住院费用进行预测,得到其对应的医疗质量评估结果的过程:
步骤一,通过DRGs工具对患者的病案首页进行分类,确定其所属诊断组;
步骤二,获取患者医疗数据并进行处理:本实施例中建模用到的数据包括患者年龄、性别、血型、主诊断、其他诊断、手术级别、手术编码、是否麻醉和手术切口数据;对患者年龄进行分类处理,针对不同DRGSs分组的年龄分布,拟合混合高斯分布,将其归类到对应概率最高的高斯分布中;对主诊断和辅助诊断,取其诊断ICD编码的前四位;手术编码也取其前四位;
步骤三,特征处理:以住院总费用为例,拟合混合高斯分布,给出费用的分段,将住院总费用归类到拟合的高斯分布中;在某个DRGs分组中,统计总费用所属高斯分布统计住院次数,以总费用所属高斯分布G1为例,假设总费用所属高斯分布G1有100次住院,该100次住院中0~18岁有5人,血型A的有10人,主诊断为A09的有20人,其他诊断为S20的有17人,得到各个分段条件下对应的比例;
P(0~18岁|总费用所属高斯分布G1)=5/100
P(血型A|总费用所属高斯分布G1)=10/100
。。。
步骤四,基于步骤三中的统计信息,利用贝叶斯模型统计每一次逐行针对预测目标在不同分段的概率:利用贝叶斯模型推导公式,得到如下各概率:
P1(总费用所属高斯分布G1|A住院)=0.01
P2(总费用所属高斯分布G2|A住院)=0.05
P3(总费用所属高斯分布G3|A住院)=0.04
P4(总费用所属高斯分布G4|A住院)=0.25
P5(总费用所属高斯分布G5|A住院)=0.6
P6(总费用所属高斯分布G6|A住院)=0.04
P7(总费用所属高斯分布G7|A住院)=0.01
步骤五,以贝叶斯模型预测的概率为特征,最终的住院费用预测值为目标,训练线性回归模型,该线性回归模型的目标函数为:
min∑i(a1*p1i+a2*p2i+...+a6*p6i+a7*p7i-qi)2
式中,a1~a7为模型优化参数,qi为住院费用的在高斯分布各分段的概率值;
步骤六,预测目标值(住院总费用)
expect_yi=p1*a1+p2*a2+...+p7*a7
步骤七,计算O/E值,计算每一次住院的实际值/预测值;
步骤八,基于步骤六得到值,进行质量分类:通过每列患者各监测指标O/E值,进行统计分析,观察离群值,进行医疗质量评估,进而实现医疗质量精细化管理。
Claims (5)
1.结合DRGs工具和贝叶斯模型的医疗质量监测评估方法,其特征在于,包括以下步骤:
S1、获取患者的病案首页,并基于病案首页通过DRGs工具对病例进行分类,确定患者所属诊断组;
S2、在患者所属诊断组的历史医疗数据的基础上,结合除病案首页外临床治疗全过程的医疗大数据,通过贝叶斯模型对患者的各医疗质量评估指标进行预测;
S3、对各医疗质量评估指标的预测值与当前患者实际医疗过程中对应医疗质量评估指标的实际值进行分析,确定各医疗质量评估指标的质量评估等级,实现医疗质量监测评估;
所述步骤S2中,进行预测的医疗质量评估指标包括效率指标、资源消耗指标和安全指标;
所述效率指标为住院天数;所述资源消耗指标包括住院总费用、药品费用、耗材费用和检查检验费用;所述安全指标包括死亡率、并发症发生率;
所述步骤S2中对一个医疗质量评估指标进行预测的方法具体为:
A1、选取待预测的医疗质量评估指标;
A2、确定患者影响待预测医疗质量评估指标的医疗数据,并对其进行特征处理;
A3、基于患者所属诊断组中影响待预测医疗质量评估指标的历史医疗数据,拟合与待预测的医疗质量评估指标相关的混合高斯分布,并将患者的特征处理后的医疗数据归类到混合高斯分布的各分段中;
A4、确定患者的医疗数据在混合高斯分布中各分段出现的比例;
A5、基于患者的医疗数据在混合高斯分布中各分段出现的比例,通过贝叶斯模型预测患者的医疗数据针对待预测医疗质量评估指标在混合高斯分布中不同分段的概率;
A6、以待预测医疗质量评估指标在各分段的概率为特征,待预测医疗质量评估指标的最终预测值为目标,构建并训练线性回归模型;
A7、基于训练好的线性回归模型对待预测医疗质量评估指标进行预测,得到待预测的医疗质量评估指标的预测值;
所述步骤A1中的医疗数据包括患者年龄、性别、血型、主诊断、其他诊断、手术级别、手术编码、是否麻醉、麻醉类型和手术切口;
所述步骤A2中,对医疗数据进行特征处理包括:
(1)对通过DRGs工具分类得到不同诊断组中的不同年龄拟合混合高斯分布,将患者的年龄归类到对应概率最高的混合高斯分布中;
(2)取主诊断和其他诊断的诊断ICD编码的前四位;
(3)取手术编码的前四位;
所述步骤A5中,贝叶斯模型的推导公式为:
式中,为在医疗数据为/>时得到第/>个质量评估指标/>的概率,/>为待预测的医疗质量评估指标,/>为待预测的医疗质量评估指标序数,/>为诊断组中各种医疗数据的组合,/>为一组医疗数据中第/>个具体数据,/>为一组医疗数据中具体数据的总数,;
所述步骤A6中,构建的线性回归模型的目标函数为:
式中,为模型优化参数,/>为通过贝叶斯模型预测得到的第/>个待预测的医疗质量评估指标在混合高斯分布中1~m分段的概率,m为混合高斯分布中各分段的序数,为第/>个待预测的医疗质量评估指标的实际值;
所述步骤A7中,通过线性回归模型预测得到的第个待预测的医疗质量评估指标的预测值/>为:
。
2.根据权利要求1所述的结合DRGs工具和贝叶斯模型的医疗质量监测评估方法,其特征在于,所述步骤S1中,患者的病案首页中的数据包括患者基本信息、诊断信息、手术操作信息、其他诊疗信息及费用信息;
所述DRGs工具以反应疾病的严重程度、诊疗难度和消耗的医疗资源的相似性对病例进行分类。
3.根据权利要求1所述的结合DRGs工具和贝叶斯模型的医疗质量监测评估方法,其特征在于,所述步骤S3中,确定医疗质量评估指标中的效率指标及资源消耗指标的医疗质量评估等级的方法具体为:
B1、将患者在实际医疗过程的各医疗质量评估指标的实际值O与对应预测值E的比值O/ E作为一个评估指标;
其中,第个医疗质量评估指标的实际值O为/>,对应第/>个医疗质量评估指标的预测值E为/>;
B2、在患者所属DGRs疾病组内确定各评估指标O/E的均值A及标准差B;
B3、基于各评估指标O/E、均值A及标准差B,确定各医疗质量评估指标的质量评估等级。
4.根据权利要求3所述的结合DRGs工具和贝叶斯模型的医疗质量监测评估方法,其特征在于,所述步骤B3中:
当在一个标准差B范围内时,对应的质量等级评价结果为符合;
当实际值O小于预测值E且大于一个标准差B时,对应的质量等级评价结果为优;
当实际值O大于预测值E且在1~3个标准差B范围内时,对应的质量等级评价结果为劣;
当实际值O大于预测值E且在3个标准差B以上时,对应的质量等级评价结果为异常。
5.根据权利要求1所述的结合DGRs工具和贝叶斯模型的医疗质量监测评估方法,其特征在于,所述步骤S3中,确定医疗质量评估指标中的安全指标的医疗质量评估等级的方法具体为:
确定同一DGRs疾病组中所有病例的死亡率或并发症发生率为,其中每例病例对应的预测值E的均值为/>,将/>作为一个评估指标;
当时,对应的质量等级评价结果为符合;
当时,对应的质量等级评价结果为优;
当时,对应的质量等级评价结果为劣;
当时,对应的质量等级评价结果为异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011055739.4A CN112201330B (zh) | 2020-09-29 | 2020-09-29 | 结合DRGs工具和贝叶斯模型的医疗质量监测评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011055739.4A CN112201330B (zh) | 2020-09-29 | 2020-09-29 | 结合DRGs工具和贝叶斯模型的医疗质量监测评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112201330A CN112201330A (zh) | 2021-01-08 |
CN112201330B true CN112201330B (zh) | 2024-03-08 |
Family
ID=74008123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011055739.4A Active CN112201330B (zh) | 2020-09-29 | 2020-09-29 | 结合DRGs工具和贝叶斯模型的医疗质量监测评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112201330B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112768061A (zh) * | 2021-01-26 | 2021-05-07 | 武汉大学 | 提高医疗等级型数据矫正效率的方法、系统及存储介质 |
CN113569907B (zh) * | 2021-06-11 | 2024-07-09 | 陆馨雨 | 疾病治疗费用预测方法、系统、介质及终端 |
CN113854996B (zh) * | 2021-09-03 | 2024-02-23 | 华中科技大学同济医学院附属协和医院 | 一种新冠肺炎康复期患者肺部功能评估方法 |
CN114202037A (zh) * | 2022-01-14 | 2022-03-18 | 上海蓬海涞讯数据技术有限公司 | 医院预测模型的生成方法、预测方法、系统及存储介质 |
CN115116623A (zh) * | 2022-06-28 | 2022-09-27 | 深圳市儿童医院 | 一种基于icd疾病编码的抗菌药物使用指标评价方法、终端 |
CN115620893B (zh) * | 2022-07-28 | 2023-06-27 | 重庆医科大学附属大学城医院 | 手足口病情评分拟合分布-贝叶斯修正模型及其构建方法 |
CN115327979A (zh) * | 2022-08-11 | 2022-11-11 | 河南中能智慧大数据科技有限公司 | 基于高斯建模及线性贝叶斯估计的状态监测方法及组件 |
CN115965260B (zh) * | 2022-10-27 | 2023-08-29 | 首都医科大学附属北京同仁医院 | 一种医疗质量评价方法、装置、及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106355028A (zh) * | 2016-09-14 | 2017-01-25 | 深圳市前海安测信息技术有限公司 | 医疗质量控制系统及方法 |
CN109615204A (zh) * | 2018-11-30 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 医疗数据的质量评估方法、装置、设备及可读存储介质 |
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 |
WO2020154573A1 (en) * | 2019-01-25 | 2020-07-30 | Children's Hospital Medical Center | Bayesian causal inference models for healthcare treatment using real world patient data |
-
2020
- 2020-09-29 CN CN202011055739.4A patent/CN112201330B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106355028A (zh) * | 2016-09-14 | 2017-01-25 | 深圳市前海安测信息技术有限公司 | 医疗质量控制系统及方法 |
CN109615204A (zh) * | 2018-11-30 | 2019-04-12 | 平安医疗健康管理股份有限公司 | 医疗数据的质量评估方法、装置、设备及可读存储介质 |
WO2020154573A1 (en) * | 2019-01-25 | 2020-07-30 | Children's Hospital Medical Center | Bayesian causal inference models for healthcare treatment using real world patient data |
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 (1)
Title |
---|
基于DRGs的临床医疗质量评价体系;邓静;;解放军医院管理杂志;20200130(01);第14-16、21页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112201330A (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112201330B (zh) | 结合DRGs工具和贝叶斯模型的医疗质量监测评估方法 | |
CN111261282A (zh) | 一种基于机器学习的脓毒症早期预测方法 | |
CN111081381B (zh) | 院内致命性消化道再出血预测关键指标的智能筛选方法 | |
CN114023441A (zh) | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 | |
US20230197203A1 (en) | Method for classifying multi-granularity breast cancer genes based on double self-adaptive neighborhood radius | |
CN111081379B (zh) | 一种疾病概率决策方法及其系统 | |
Rahnenführer et al. | Statistical analysis of high-dimensional biomedical data: a gentle introduction to analytical goals, common approaches and challenges | |
Chakradeo et al. | Breast cancer recurrence prediction using machine learning | |
CN117174330A (zh) | 一种基于机器学习的IgA肾病患者治疗方案推荐方法 | |
CN115470989A (zh) | 基于机器学习的预测早产儿支气管肺发育不良风险的方法 | |
CN115083616A (zh) | 一种基于自监督图聚类的慢性肾病亚型挖掘系统 | |
АБУБАКАР et al. | Analytical review of publications on machine learning methods in oncology and approach to evaluating their quality | |
Adigun et al. | Classification of Diabetes Types using Machine Learning | |
CN113782197B (zh) | 基于可解释性机器学习算法的新冠肺炎患者转归预测方法 | |
Mahammad et al. | Machine Learning Approach to Predict Asthma Prevalence with Decision Trees | |
Sriwong et al. | Post-operative life expectancy of lung cancer patients predicted by Bayesian network model | |
Guo et al. | Integrated learning: screening optimal biomarkers for identifying preeclampsia in placental mRNA samples | |
CN114724701A (zh) | 基于叠加集成算法和自动编码器的无创通气疗效预测系统 | |
CN115171906A (zh) | 一种基于机器学习的前列腺癌筛查和诊断方法 | |
Sankaravadivel et al. | Feature based analysis of endometriosis using machine learning | |
Hakimjavadi et al. | Multivariable prediction models for traumatic spinal cord injury: a systematic review | |
Feng et al. | Penalized Entropy: a novel loss function for uncertainty estimation and optimization in medical image classification | |
Chen et al. | An interpretable model for sepsis prediction using multi-objective rule extraction | |
CN117079821B (zh) | 一种患者住院事件预测方法 | |
CN116230193B (zh) | 一种智能化医院用档案管理方法及系统 |
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 |