基于大數(shù)據(jù)的醫(yī)療質(zhì)量評(píng)價(jià)模型的研究與實(shí)現(xiàn).pdf

1、隨著大數(shù)據(jù)時(shí)代的來臨，各行各業(yè)的數(shù)據(jù)量都在極速增長。醫(yī)療大數(shù)據(jù)作為最有價(jià)值的行業(yè)大數(shù)據(jù)之一，近年來人們對(duì)它的研究層出不窮。其中對(duì)于醫(yī)療質(zhì)量評(píng)價(jià)的方法，研究者多數(shù)采用傳統(tǒng)的基于經(jīng)驗(yàn)或統(tǒng)計(jì)的方法進(jìn)行分析，而隨著醫(yī)療數(shù)據(jù)的逐步增長，傳統(tǒng)醫(yī)療質(zhì)量評(píng)價(jià)方法存在著樣本過大、處理緩慢等問題。本文立足于某地的醫(yī)保大數(shù)據(jù)，將傳統(tǒng)醫(yī)學(xué)的評(píng)價(jià)方法和數(shù)據(jù)挖掘進(jìn)行融合應(yīng)用，研究與實(shí)現(xiàn)了基于大數(shù)據(jù)的醫(yī)療質(zhì)量評(píng)價(jià)模型，具體研究內(nèi)容如下：
　　1.離群指標(biāo)的建立

2、：經(jīng)過噪聲處理之后，數(shù)據(jù)是準(zhǔn)確有效的，此時(shí)的離群點(diǎn)本身能夠反映一定的醫(yī)療質(zhì)量信息。本文通過對(duì)KNN算法進(jìn)行了剪枝等改進(jìn)，降低了算法的時(shí)間復(fù)雜度，使之更加適應(yīng)大數(shù)據(jù)處理。然后基于統(tǒng)計(jì)的離群點(diǎn)檢測算法和改進(jìn)的KNN離群點(diǎn)檢測算法，構(gòu)建了離群指標(biāo)，定義為兩者檢測結(jié)果中每個(gè)醫(yī)院的離群點(diǎn)占比的比值。實(shí)驗(yàn)結(jié)果證明，它很好的檢測出了醫(yī)療質(zhì)量不佳的醫(yī)院。
　　2.病例優(yōu)良率指標(biāo)的建立：將數(shù)據(jù)挖掘中的聚類思想應(yīng)用到病例質(zhì)量研究領(lǐng)域使用廣泛的包羅模型

3、之中，由以往的經(jīng)驗(yàn)二分法變成從數(shù)據(jù)本身出發(fā)的自動(dòng)聚類多分法，構(gòu)建了評(píng)價(jià)更加準(zhǔn)確的病例優(yōu)良率指標(biāo)。采用X-means算法進(jìn)行自動(dòng)聚類，由于其在四維以上數(shù)據(jù)中效率低下，本文提出了一種新穎的基于屬性重疊率(AOR)的分類方法，對(duì)得到的分類結(jié)果再進(jìn)行聚類。實(shí)驗(yàn)結(jié)果顯示聚類純度和病例優(yōu)良率指標(biāo)準(zhǔn)確度都得到了提升。
　　3.醫(yī)療質(zhì)量評(píng)價(jià)模型：基于離群指標(biāo)和病例優(yōu)良率指標(biāo)，通過模型計(jì)算公式，得到每個(gè)醫(yī)院最終的模型評(píng)價(jià)分?jǐn)?shù)，進(jìn)而對(duì)醫(yī)院進(jìn)行醫(yī)療質(zhì)量