基于電子健康記錄特征組合與就醫(yī)畫像的再住院預測研究.pdf

1、再住院預測作為醫(yī)療健康領域的一個重要研究方向，逐漸受到學者和業(yè)界的重視。精準和個性化的再住院預測對未來提升全民健康醫(yī)療、醫(yī)療公共服務水平和國家醫(yī)療保險統(tǒng)籌規(guī)劃具有重大的應用價值。隨著醫(yī)療信息化的不斷完善，醫(yī)療領域逐漸積累了大量的數(shù)據(jù)，為再住院預測研究提供更好的數(shù)據(jù)基礎。電子健康記錄（EHRs）基于電子形式按時間縱向地收集個人在不同時間的醫(yī)療健康數(shù)據(jù)，作為數(shù)據(jù)驅動醫(yī)療研究的重要載體。電子健康記錄具有來源廣、類型多和維度高的性質，包含很多和

2、再住院預測相關的信息。傳統(tǒng)的再住院預測方法是專家提取和再住院預測相關的特征用以表示病人的再住院環(huán)境。由于電子健康記錄的維度很高，提取特征時會造成特征爆炸問題，無法判斷大量的特征與再住院之間的相關性。若提取特征數(shù)量過少，則又無法保證預測方法的準確性。為了解決海量特征降維問題，應該在龐大而復雜的電子健康記錄中準確找到和再住院行為最相關的特征組合進行再住院預測，這樣既保證預測的準確性又能提高方法的性能。此外，電子健康記錄具有時序性和關聯(lián)性，醫(yī)

3、療事件能被表示為醫(yī)療事件序列。人們的健康狀況不僅僅和當前的身體狀況相關，更與以前的疾病、診療和服藥等密切相關。疾病的發(fā)展路徑和治療路徑共同決定健康走向，如未來可能會患某種疾病、再次住院和服用某種藥物等。因此，可以將醫(yī)療健康記錄以就醫(yī)畫像圖的形式表示，這樣可以更加形象地表達病人的就醫(yī)歷史。就醫(yī)畫像圖不僅體現(xiàn)了電子健康記錄的時序性和關聯(lián)性，也解決了數(shù)據(jù)稀疏性等問題。
　　針對上述問題，本文從最優(yōu)特征組合和就醫(yī)畫像圖兩方面對病人再住院預

4、測進行研究，分別建模得到兩種病人再住院預測模型。本文的主要工作包括:
　　1.基于最優(yōu)特征組合的再住院預測模型(A Hospital Readmission Prediction Method Based on Optimal Feature Combination，MulFeature)。該方法利用了遺傳算法的適者生存，不適者被淘汰的自然進化過程搜索最優(yōu)特征組合進行再住院預測。具體來說，本文首先為每位患者提取和選擇多個特征，用來

5、表示病人的再住院環(huán)境;然后患者的特征作為輸入，通過具有多目標適應度函數(shù)的遺傳算法選擇再住院最優(yōu)特征組合;最后，集成學習算法用于對患者進行分類，以確定患者是否在未來一段時間間隔內重新入院。
　　2.基于病人就醫(yī)畫像圖的再住院預測模型(Predicting Hospital Readmission From Longitudinal Healthcare Data Using Graph Pattern Mining Based Te

6、mporal phenotypes，Tephe)。該方法基于圖理論知識得到每位患者的時序表征，利用時序表征對每位患者是否再住院進行預測。具體而言，每個患者的醫(yī)療事件序列首先由就醫(yī)畫像圖表示;基于圖模式挖掘，我們定義更顯著的頻繁子圖作為時序表型，這能夠使我們更好地了解疾病的演變模式和治療路徑;此外，設計了一種貪心算法，為每位患者計算頻繁子圖的最優(yōu)表達系數(shù);最后，根據(jù)頻繁子圖的最優(yōu)表達系數(shù)，利用隨機森林進行再住院預測。
　　本文使用多

7、家綜合醫(yī)院在2011年到2016年內收集的病人真實電子健康記錄來評估兩個再住院預測方法。電子健康記錄包括三部分數(shù)據(jù):臨床診療數(shù)據(jù)、健康體檢數(shù)據(jù)和醫(yī)療保險數(shù)據(jù)。為了驗證基于最優(yōu)特征組合的再住院預測模型，本文分別將精神分裂癥病人和冠心病病人的電子健康記錄作為實驗數(shù)據(jù)。實驗結果表明，與基線方法相比該方法是有效的。本文在真實臨床場景下驗證基于病人就醫(yī)畫像圖的再住院模型，將冠心病患者的電子健康記錄作為實驗數(shù)據(jù)。與基線方法相比，在該臨床場景下本文的