基于模糊聚類分析的臨床路徑優(yōu)化決策研究.pdf

1、隨著數字化醫(yī)療改革的發(fā)展，以結構化電子病歷為平臺的臨床路徑正向智能化和知識化發(fā)展，其核心價值是以提取電子病歷中有效臨床信息及隱含診療模式，詢證醫(yī)學證據，輔助醫(yī)師為患者選擇最優(yōu)治療方案。通過研究分析，模糊聚類分析方法非常適合解決臨床路徑中復雜醫(yī)療數據的分類問題。模糊聚類與模糊神經網絡的結合提高了大量醫(yī)療數據進行聚類分析時，交替迭代算法的運算速度，可以通過對網絡訓練，實現記憶學習，從而豐富臨床路徑相關信息，有助于臨床路徑優(yōu)化決策。
　

2、　本文針對醫(yī)療信息的復雜性和不確定性，采用模糊聚類分析方法對信息化醫(yī)療數據進行了綜合處理分析。提出了基于減法聚類FCM算法，對患者病癥特征進行模糊劃分，獲得患者隸屬于各臨床路徑類別的隸屬度，用隸屬度值的大小來決定樣本的歸屬。這種改進的聚類算法把患者復雜的醫(yī)療信息，歸結為一個帶約束的非線性規(guī)劃問題，通過優(yōu)化求解獲得數據集的模糊劃分和聚類。其次，建立了基于減法聚類FCM算法的T-S模型，根據聚類結果進行網絡訓練，通過對臨床路徑決策推理、治療

3、效果、路徑變異等結果的學習，從而避免下一個類似患者出現相同的負變異。最后，以復雜病種為實驗背景進行仿真求解，分別采用減法聚類FCM算法與 FCM算法進行仿真并對實驗結果進行比較分析，實驗結果證明，減法聚類FCM在收斂性與穩(wěn)定性方面高于FCM算法；基于減法聚類 FCM算法的T-S模型實驗結果表明該網絡泛化性、自適應性較強，實際決策輸出與預測輸出誤差較小，能持續(xù)優(yōu)化臨床路徑決策。
　　本文研究及實驗結果表明，模糊聚類算法用于臨床路徑優(yōu)