面向临床路径的医疗行为变化趋势检测与分析

殷良英 董 蔚 黄正行 季 磊 吕旭东 段会龙

1(浙江大学生物医学工程与仪器科学学院，杭州 310027)2(解放军总医院心内科, 北京 100000)3(解放军总医院信息科， 北京 100000)

面向临床路径的医疗行为变化趋势检测与分析

殷良英1#董 蔚2#黄正行1*季 磊3吕旭东1段会龙1#

1(浙江大学生物医学工程与仪器科学学院，杭州 310027)2(解放军总医院心内科, 北京 100000)3(解放军总医院信息科， 北京 100000)

及时发现和分析医疗行为的变化趋势，可以为临床专家完善临床路径模板提供优化建议，提高临床诊疗过程服务质量。提出一种基于主题模型的医疗行为变化趋势检测与分析方法，主要由两个步骤组成。第一步，从电子病历系统中提取患者数据，形成患者临床路径治疗记录，采用基于潜在狄利克雷分布的概率主题分析方法来检测临床路径数据集中的潜在医疗模式；第二步，基于检测到的医疗模式、医疗行为的变化趋势，可以归类为6种内容变化模式(即增长模式、消逝模式、稳定模式、先增后降模式、先降后增模式以及震荡模式)和3种发生时间变化模式(即稳定发生模式、提前发生模式及滞后发生模式)。所提出的方法经由10年12 152例实际的不稳定性心绞痛的临床数据验证。实验结果表明，该算法能够有效地检测医疗行为的6种显著性内容变化及3种显著性时间变化，为优化治疗过程提供有力的理论依据。

变化模式；时间变化趋势；狄利克雷分布

引言

临床路径是一种跟疾病紧密相关的基于循证医学证据的标准化医疗模式，在规范医疗行为、控制医疗成本、提高医疗质量等方面扮演极其重要的角色[1-3]。随着医学技术的不断发展，疾病的治疗过程得以不断完善和改进，临床路径中所规定的医疗行为也随时间推移不断发生变化，如肌钙蛋白T取代传统的肌酸激酶检查作为不稳定性心绞痛患者的诊断指标。除此之外，患者的体征状态随时间的推移发生变化，进而也可能导致临床路径中医疗行为的变化，如血管紧张素转换酶抑制剂在不稳定性心绞痛患者治疗过程中的使用明显减少。另外，临床路径模板的更新相对滞后，在这种情况下，如果能及时的检测和分析临床路径中医疗行为的变化趋势，就可以辅助临床专家优化临床路径中的医疗行为，为临床路径的扩展和完善提供参考依据。虽然有很多与临床路径设计与优化相关的研究[1-5]，但大多是对临床路径中潜在的治疗知识和模式进行挖掘和分析，目前还缺乏行之有效的方法来检测和分析临床路径中医疗行为随时间的发展变化趋势。

为了获取临床路径执行过程中医疗行为的变化趋势，首先需要明确入径患者的特征属性(如体征数据、化验数据等)，其次需要明确针对特征属性的重要医疗干预(如治疗、药疗、手术、护理等)。患者的特征属性与医疗干预组合在一起构成临床路径的医疗模式，即针对特定疾病的诊疗过程存在的具有代表性的患者特征属性及医疗干预的组合。因此，检测和分析医疗行为的变化趋势也就是对医疗模式中的患者特征属性的变化趋势进行检测与分析，以及对医疗干预及其发生时间的变化趋势进行检测与分析。

为此，笔者提出一种基于潜在狄利克雷分布(latent Dirichlet allocation)的医疗行为变化趋势检测与分析方法。如图1所示，该方法由两个步骤组成：第一步，从医院电子病历系统中提取路径数据，按照患者入院时间划分为不同的数据子集，分别在不同的数据子集中应用概率主题模型，检测数据子集中的潜在医疗模式；第二步，将不同时间段内相同医疗模式中的医疗行为进行对比，检测患者特征属性的变化趋势、医疗干预的变化趋势，以及医疗干预的发生时间的变化趋势。该方法采用中国人民解放军总医院心血管内科不稳定性心绞痛2004—2013年的数据，用共计12 512份病例进行方法有效性的验证。

1 方法

本研究提出一种基于潜在狄利克雷分布的医疗行为随时间发展的变化趋势检测与分析方法。该方法主要由两个步骤组成：一是临床路径中的潜在医疗模式挖掘；二是面向临床路径的医疗行为变化趋势检测与分析，如图1所示。

图1 面向临床路径的医疗行为变化趋势检测方法流程Fig.1 The methodology of mining the evolution of medical behaviors in treatment process

1.1临床路径中的潜在医疗模式挖掘

进入同一病种的临床路径的患者，由于个体的临床症状和状态不同，可能处于不同的风险等级，进而导致采取不同的治疗措施。例如，患有肾功能不全的不稳定性心绞痛患者，一般审慎使用“冠脉造影”这一针对不稳定性心绞痛患者的典型医疗干预。为了检测临床路径在不同时期可能存在的潜在的医疗模式，首先需要根据患者入院时间的不同，将数据集划分成不同的子集，然后对每个数据子集应用基于潜在狄利克雷分布的概率主题模型，挖掘出路径中潜在的医疗模式。为了更好地阐述本研究提出的方法，首先需要引入几个概念。

1)医疗行为项(w)：可以看作是患者在临床路径当中的一项患者特征属性，或者是一项医疗干预。一项患者特征属性可以表示为(f,v)，其中f是属性类型，v是属性取值；一项医疗干预可以表示为(a,t)，其中a是干预类型，t是干预发生时间。

2)医疗模式(z)：是由一系列具有特定取值的患者特征属性及发生在特定时间的医疗干预的集合w(w∈W)组成的。

3)临床路径治疗记录σ：是指一个患者进入临床路径后所有的医疗行为，包括体征记录、检查、化验、药物及手术等。

4)临床路径数据集(D)：一个临床路径数据集是由若干例临床路径治疗记录D={σ}组成的。

图2 基于潜在狄利克雷分布的医疗模式挖掘模型。(a)方法模型[6]；(b)模型数据排列方式Fig.2 Model of LDA-based treatment pattern mining.(a)Plate notation[6]; (b)Arrangement of medical behaviors in patient trace

总体而言，医疗模式的产生过程与文本挖掘中的主题产生过程类似(见图2(a))。每例临床路径治疗记录可以看作是一个基于医疗模式的多项分布，表示为θσ,z=P(z|σ)，每个医疗模式可以看作是一个基于医疗行为项的多项分布,表示为φz,w=P(w|z)(如果w是一项患者特征属性，则φz,w=φz(f,v)；如果w是一项医疗干预，则φz,w=φz(a,t))。给定这两个多项分布，可以得到在某个特定的临床路径中医疗行为项的发生概率，有：

(1)

式中，k表示医疗模式个数，w表示一项患者特征属性或医疗干预。

在特定医疗模式中，同一干预类型的医疗干预可能发生在不同时间，如针对不稳定性心绞痛患者的常用医疗干预“冠脉造影”可能发生在入院的第1～3d，由此可以推出一项医疗干预在某个特定医疗模式中的出现概率，有

(2)

式中，T表示在特定的临床路径当中某项医疗干预发生的最大天数。

在本研究中，应用吉布斯采样[6]得到每个医疗模式的条件分布,有

(3)

(4)

(5)

应用基于狄利克雷的主题模型分析方法之后，可以从每个临床路径的数据子集中挖掘出潜在医疗模式。除此之外，基于φz(f,v)、φz，a以及φz(a,t)，还可以得到特定医疗模式当中每项患者特征属性、每项医疗干预的发生概率；以及每项医疗干预在住院过程中每天的发生概率。

1.2医疗行为变化趋势检测

得到临床路径数据子集中的潜在医疗模式之后，可以选出这些医疗模式中有代表性的医疗行为项并分析它们的变化趋势。总体而言，选取的患者特征属性及医疗干预需要涵盖每个医疗模式中的重要医疗行为。通常，患者的特征属性反映患者的临床症状或状态，能够从一定程度上反映对患者所施加的医疗干预，而医疗干预及其发生的医疗干预时间对整个治疗过程的医疗质量起着决定性的作用，因此对患者的特征属性、医疗干预以及医疗干预的发生时间的变化趋势检测是十分有意义的。在本研究中，选取每个数据子集中所有医疗模式的前20项患者特征数据(φz(f,v))以及前50项医疗干预(φz,a)，按照所在的医疗模式进行归类，并删除重复项。基于选取的医疗行为，可进一步检测和分析它们随时间的变化趋势。

1.2.1患者特征属性变化趋势检测

基于检测到的特征属性在特定医疗模式中的发生概率，对特征属性的发生概率的变化趋势进行检测分析。在本研究中，特征属性在特定医疗模式中发生概率的变化趋势可以被分为6类，如图3所示。

1)增长模式：患者特征属性在特定医疗模式中的发生概率随时间的推移不断升高(见图3(a))。

2)消逝模式：患者特征属性在特定医疗模式中的发生概率随时间的推移不断降低(见图3(b))。

3)稳定模式：患者特征属性在特定医疗模式中的发生概率随时间的推移始终保持在相对稳定的状态(见图3(c))。

4)先升后降模式：患者特征属性在特定医疗模式中的发生概率随时间的推移呈现先升后降的变化趋势(见图3(d))。

5)先降后升模式：患者特征属性在特定医疗模式中的发生概率随时间的推移呈现先降后升的变化趋势(见图3(e))。

6)震荡模式：患者特征属性在特定医疗模式中的发生概率随时间的推移呈现明显的上下波动(见图3(f))。

图3 患者特征属性发生概率的6种变化模式。(a)增长模式；(b)消逝模式；(c)稳定模式；(d)先升后降模式；(e)先降后升模式；(f)震荡模式Fig.3 Six change patterns of the occurring probabilities of patient features over time. (a)Emerged change；(b)Faded change； (c)Stable； (d)Up-down change； (e)Down-up change；(f)Jumping

1.2.2医疗干预变化趋势检测

与患者特征属性的变化趋势检测类似，医疗干预在特定医疗模式中发生概率的变化趋势也可以归类为图3中的6种变化模式，即增长模式、消逝模式、稳定模式、先增后降模式、先降后增模式以及震荡模式。

山地带地表由于受风化作用等作用，纵横向变化大，为给静校正提供准确的资料，以达到严密控制低速带的目的，一般采用初至折射法，相遇时距曲线观测系统。地面检波点距0.5～1.0m，12～24道接收，激发点在接收道的两端，采用雷管爆炸激发的方式。

1.2.3医疗干预发生时间变化趋势检测

应用基于狄利克雷的主题模型之后，得到了特定医疗模式中医疗干预项在住院期间每天的发生概率，因此可以对医疗干预发生时间的变化趋势进行检测。通过对变化趋势进行检测分析，得出3种可能的变化趋势模式，即稳定发生模式、提前发生模式以及滞后发生模式，如图4所示。

图4 医疗干预发生时间的3种变化模式。(a)稳定模式；(b)提前发生模式；(c)滞后发生模式Fig.4 Change patterns of execution time for medical behaviors. (a)Stable；(b)Early-occurred；(c)Delay-occurred

1)稳定模式：在特定医疗模式中，随着时间的推移，医疗干预在入院期间每天的发生概率基本维持不变(见图4(a))。

2)提前发生模式：在特定医疗模式中，随着时间的推移，医疗干预在入院期间每天的发生概率逐渐提前(见图4(b))。

3)滞后发生模式：在特定医疗模式中，随着时间的推移，医疗干预在入院期间每天的发生概率逐渐延后(见4(c))。

1.3实验数据

不稳定性心绞痛临床路径数据被选作实验数据，用来检验本方法的可行性。不稳定性心绞痛是一种常见的慢性非传染性疾病，也是较早作为临床路径病种的疾病；此外，患有不稳定心绞痛的患者通常会伴随有其他的伴发症，使患者处于不同的风险等级，进而导致患者治疗过程的动态性及多样性。心血管疾病患者入院后，通常需要进行风险评估来确定其风险等级。风险评估是一种是对患者患病可能程度的评估[7,12-15]。在临床路径的实际执行过程中，采用不同医疗模式的患者恰好对应了不同的临床风险等级。鉴于以上特点，不稳定型心绞痛临床路径数据非常适合作为笔者提出的医疗行为变异检测的实验数据。在本研究中选取的临床路径治疗记录以天为时间单位，列举了患者进入临床路径之后所有的医疗行为(如检查、手术、药物、护理等)，具体格式如图2(b)所示。

在本研究中，选取国内某三甲医院心内科的不稳定性心绞痛临床路径数据，共有12 152份，涵盖时间范围为10年(2004—2013年)。表1给出了所选取的实验数据的分布情况。

表1 实验数据集的具体分布Tab.1 Attributes of the experimental dataset

依据患者的入院时间，本研究所用的临床路径数据集被分为10个不同的数据子集。狄利克雷先验参数α和β的取值均为0.1；将医疗模式个数K取值为3，正好对应了不稳定性心绞痛患者的3个风险等级，即低危、中危和高危。在给定的参数取值情况下，应用狄利克雷主题模型，得到每个数据子集当中所有潜在的医疗模式、每个医疗模式中患者特征属性以及医疗干预的分布情况。参照预先定义的患者特征属性及医疗干预的选取规则，选取3个医疗模式中重要的患者特征属性及医疗干预(见表2)，基于选择的特征属性及医疗干预进行医疗行为变化趋势的检测及分析。

表2患者特征属性及医疗干预在3种医疗模式中的分布情况

Tab.2Selectedpatientfeaturesandtreatmentinterventionsin3treatmentpatternsforchangetrenddetection

风险等级患者特征属性医疗干预低危3268中危5488高危6288

2 结果

2.1患者特征属性变化趋势检测结果

在进行变化趋势检测之后，得到诊疗过程中患者特征属性的变化趋势。如表3所示，增长模式和消逝模式是患者特征属性的两种主要变化模式。

表3患者特征属性及医疗干预发生概率变化趋势的检测结果

Tab.3Yearlychangedmedicalbehaviorsdetectedfromtheexperimentaldataset

行为分类风险等级增长模式消逝模式稳定模式先增后降先降后增震荡模式患者特征属性低危885362中危19170909高危1822012010患者医疗干预低危212115533中危2523121459高危212819749

分析患者属性特征的变化趋势发现：

1)符合增长模式的患者特征属性一般是必要的检验，是新出现或者重要的伴发症，如图5(a)所示的“动脉粥样硬化”是不稳定性心绞痛低危患者中出现的一种重要的伴发症。

2)与符合增长模式的患者特征属性不同，符合消逝模式的患者特征属性一般是因为检查指标为非必要检验或者伴发症逐渐消逝，如糖尿病(见图5(b))是高危患者医疗模式中的一项呈现消逝模式的患者特征属性；此外随着医疗技术的发展，一些检验指标慢慢被新的检验指标替代，因此其变化趋势呈现消逝模式，如临床实践中肌酸激酶检查逐渐被肌钙蛋白T检验替代等。

3)稳定变化的患者特征属性往往易出现在低危患者的医疗模式中，而中危与高危医疗模式中的患者特征属性有更多的符合先增后降模式、先降后模式以及增震荡模式。

4)通过变化趋势检测很难判断符合先增后降模式、先降后增模式以及震荡模式的患者特征属性所指代的检验项目是否必要，也无法判定相关伴发症的重要性，因此需要进一步分析。如图5(c)所示，“肌钙蛋白T：正常”是一项符合先降后增模式的检验指标，同时也是医疗模式中的必要检验指标。

2.2医疗干预变化趋势检测结果

在进行医疗干预变化趋势检测之后，得到相应的检测结果。如表3所示，3种医疗模式中医疗干预的变化趋势大部分符合增长模式、消逝模式或者稳定模式。只有少数医疗干预的变化趋势符合先增后降模式、先降后增模式以及震荡模式。从表3中还可以看出，医疗干预的变化趋势与3个风险等级所对应的医疗模式中的分布情况类似。通过对变化趋势检测结果进行分析，得出以下结论：

1)呈现增长模式的医疗干预是其本身在治疗过程中实施频率的增加而引起的，因此这些医疗干预可能是治疗过程中的一些必要或者重要的干预。如图5(d)所示，“支架置入术”是一项符合增长模式的医疗干预。该干预的变化趋势表明：随着时间的推移，越来越多的患者通过支架置入术的方式治疗不稳定性心绞痛。值得一提的是，有些符合增长模式的医疗干预是医院对风险因素的筛查而造成的，如图5(e)所示的“糖尿病检查”。

2)呈现消失模式的医疗干预是医疗干预在治疗过程中发生频率降低所致，由此可以推断符合消逝模式的医疗干预对整个诊疗过程来说可能是不必要的，属于过度医疗行为。如图5(f)所示，“血管紧张素转换酶抑制剂”就是一项符合消逝模式的医疗干预。

3)有些呈现增长模式的医疗干预替换了呈现消逝模式的医疗干预，因此有些符合增长模式的医疗干预与符合消逝模式的医疗干预存在一定的相关性。如图5(g)所示，“血栓检查”在临床实践中逐渐被 “凝血检查”取代。

图5 患者特征属性及医疗干预变化趋势检测结果。(a)动脉粥样硬化：是；(b)糖尿病：是；(c)肌钙蛋白T：正常；(d)支架置入术；(e)糖尿病检查；(f)血管紧张素转换酶抑制剂；(g)血栓检查；(h)抗凝血药；(i)葡萄糖注射液Fig.5 Examples of detected changes of patient features and treatment interventions. (a)Atherosclerosis: True；(b)Diabetes: True；(c)Troponin T: Normal；(d)Stent implantation；(e)Diabetes examination；(f)ACEI；(g)Thrombosis examination；(h)Anti-coagulation drugs；(i)Glucose injection

4)一般来说，变化趋势符合稳定模式的医疗干预为不稳定性心绞痛治诊疗程中的必要干预，如图5(h)所示“抗凝血药”。

5)符合先增后降模式、先降后增模式以及震荡模式的医疗干预在医疗模式中的发生概率随时间推移呈现非常明显的变化趋势，且它们的变化趋势通常可能是多种因素所致，因此较难判断符合这些变化模式的医疗干预对患者诊疗过程的重要性。如图5(i)所示，“葡萄糖注射液”医疗干预的变化趋势符合先降后增模式，正常情况下应该维持恒定，但分析发现该干预项的变化趋势是由药物滥用引起的。

2.3医疗干预发生时间变化趋势检测结果

按照笔者提出的医疗干预发生时间变化趋势检测方法，从3个医疗模式中选取的医疗干预发生时间的变化趋势被归类为3个模式：稳定发生、提前发生以及滞后发生。表4展示了3个医疗模式中的医疗干预的具体分布情况，可以看出，在低危患者医疗模式中选取的68项医疗干预中有51项的发生时间呈现为相对稳定的状态，只有13项符合提前发生的变化模式(如图6(a)所示的“出院”)，4项符合滞后发生的变化模式(如6(b)所示的“多功能重症监护仪”)。由此可以推断，在诊疗过程中，大多数医疗干预的实施时间均安排合理,少数医疗干预的发生时间可进行适当调整以规范医疗行为，提高医疗质量。与低危患者医疗模式不同，在中危患者医疗模式和高危患者医疗模式当中，大多数医疗干预发生时间的变化趋势符合提前发生模式。由此可以推断，风险程度相对较高的患者的治疗过程还是有一定的改进空间，可以对医疗干预的发生时间进行重新调整以缩短住院时间，进而控制医疗费用，提高医疗质量。

表4医疗干预发生时间变化趋势检测结果

Tab.4Changetrendofexecutiontimefortreatmentinterventions

风险等级稳定发生提前发生滞后发生低危51134中危4831高危3824

图6 医疗干预发生时间变化趋势检测结果举例。(a)出院；(b)多功能重症监护仪Fig.6 Example of changes of execution time for treatment interventions. (a)Discharge；(b)Multifunctional monitors

为了更深入地了解医疗行为变化趋势的临床意义，将这些变化趋势的检测结果呈现给临床医生进行了更加精确的评估分析。他们的评估结果表明：有些检测结果确实揭示了不稳定性心绞痛诊疗过程中一些潜在的现象，如患者的平均患病年龄降低、患者出现动脉狭窄伴发症的概率升高、静脉输液较多以及出院时间提前，等等；除此之外，少数检测到的变化趋势还需要进一步验证才能确定其临床意义，如不饱和铁结合力及总铁结合力。

3 讨论和结论

医疗行为随着诊疗过程的完善和医学技术的发展不断变化，及时检测及分析临床路径中医疗行为的变化趋势，可以帮助临床专家优化和改善临床路径。笔者提出基于潜在狄利克雷分布的医疗行为随时间发展的变化趋势检测与分析方法，可以及时有效地检测出诊疗过程中医疗行为的变化趋势。基于检测到的医疗行为的变化趋势，相关医疗组织和部门可以确定诊疗过程中的过度检查及不合理用药，因此可以依据检测结果优化临床路径，在规范医疗行为的同时可以有效地控制医疗成本，从而达到提高医疗质量的目的；除此之外，基于检测到的医疗行为实施时间的变化趋势，临床专家可以更加合理地安排医疗行为的实施时间，在规范医疗行为的同时可以有效地控制入院时间，从而达到提高医疗效率、控制医疗成本的目的。

实验结果表明，所提出的方法对检测和分析面向临床路径的医疗行为变化趋势是十分有效的。临床医生评估认为，通过该方法检测到的医疗行为变化趋势为优化和改进临床路径提供了有价值的参考依据。基于检测到的医疗行为的变化趋势，临床专家可以设计更加合理优化的临床路径。此外，所采用的方法可以将患者按照不同的风险等级进行聚类分组，按照患者疾病风险等级的不同设计对应的临床路径，从而对患者施加更为行之有效的治疗处置，提高治疗效果。

尽管笔者提出的方法可有效地检测并分析诊疗过程中重要医疗行为的变化趋势，但是却忽略了那些发生概率较低的医疗行为，而这些医疗行为往往与患者伴发症的诊断与治疗息息相关。因此，在后续工作中，需要对这类医疗行为的变化趋势进行检测分析。此外，还可以对患者的特征属性以及医疗干预之间的相关性进行分析研究。

[1] Adeyemi S, Demir E, Thierry C. Towards an evidence-based decision making healthcare system management: Modelling patient pathways to improve clinical outcomes [J]. Decision Support System, 2013,55(1):117-125.

[2] Lin Furen, Chou Shienchao, Pan Shuangmei,etal. Mining time dependency patterns in clinical pathways[J]. International Journal of Medical Informatics, 2001,62(1):11-25.

[3] Peleg M, Mulyar N, Van Der Aalst WMP. Pattern-based analysis of computer-interpretable guidelines: Don’t forget the context[J]. Artificial Intelligence in Medicine, 2012,54(1):73-74.

[4] Huang Zhengxing, Lv Xudong, Duan Huilong. Latent treatment pattern discovery for clinical processes [J]. Journal of Medical Systems, 2013,37(2): 9915.

[5] Van de Klundert J, Gorissen P, Zeemering S. Measuring clinical pathway adherence[J]. Journal of Biomedical Informatics, 2010,43(6):861-872.

[6] Blei D, Ng A, Jordan M. Latent Dirichlet allocation [J]. Journal of Machine Learning Research, 2003,3: 993-1022.

[7] Catherwood E, O’Rouke DJ. Critical pathway management of unstable angina [J]. Progress in Cardiovascular Diseases, 1994,37(3):121-148.

[8] Dong Guozhu, Li Jinyan. Efficient mining of emerging patterns: Discovering trends and differences [C] // Proceedings of the fifth International Conference on Knowledge Discovery and Data Mining. San Diego: ACM Digital Library, 1999: 43-52.

[9] Wang Chong, Blei D, Heckerman D. Continuous time dynamic topic models [C] // Proceedings of the Twenty-Fourth Conference on Uncertainty in Artificial Intelligence. Helsinki: arXiv, 2008:579-586.

[10] Huang Zhengxing, Dong Wei, Peter B,etal. On mining latent medical behavior patterns from electronic medical records[EB/OL]. http://link.springer.com/article/10.1007/s10618-014-0381-y, 2014-09-24/2014-12-30.

[11] Hall D, Jurafsky D, Manning C. Studying the history of ideas using topic models [C] // Proceedings of the 2008 Conference on Empirical Methods in Natural Language Processing. Waikiki: ACM Digital Library, 2003: 363-371.

[12] Granger CB, Goldberg RJ, Dabbous O,etal. Predictors of Hospital Mortality in the Global Registry of Acute Coronary Events [J]. JAMA, 2003,163(19):2345-2353.

[13] Eagle KA, Lim MJ, Dabbous OH,etal. A validated prediction model for all forms of acute coronary syndrome estimating the risk of 6-month postdischarge death in an international registry [J]. JAMA, 2004,291(22):2727-2733.

[14] Antman EM, Cohen M, Bernink PJ,etal. The TIMI risk score for unstable angina/non-ST elevation MI: A method for prognostication and therapeutic decision making [J]. Circulation, 2000,284(7): 835-842.

[15] Morrow DA, Antman EM, Bernink PJLM,etal. TIMI risk score for ST-elevation myocardial infarction: a convenient, bedside, clinical score for risk assessment at presentation [J]. Circulation, 2000,102: 2031-2037.

[16] 沈剑锋，汪威，杜平，等. 基于卫生信息平台的电子病历信息共享研究和实现[J].中国生物医学工程学报, 2013,32(4):504-507.

On Detecting the Changes of Medical Behaviors in Clinical Pathways

Yin Liangying1#Dong Wei2#Huang Zhengxing1*Ji Lei3Lv Xudong1Duan Huilong1#

1(College of Biomedical Engineering and Instrument Science, Zhejiang University, Hangzhou 310027, China)2(Department of Cardiology, Chinese PLA General Hospital, Beijing 100000, China)3(Department of Infovrnation Technology, Chinese PLA General Hospital, Beijing 100000, China)

To find out the changing trend of medical behaviors in clinical pathways (CPs) can present convincing evidence for the improvement of clinical pathway template and help to improve the medical quality of CPs. In this study, we proposed a two-step approach to detect medical behavior changes in CPs over time. In the first step, we adopted a well-known probabilistic topic model, i.e., latent Dirichlet allocation (LDA), to discover yearly treatment patterns w.r.t risk stratifications of patients from electronic medical records (EMR). With the discovered treatment patterns, the changes of medical behaviors were classified into six content change patterns (i.e., emerged, faded, stable, up-down, down-up and jumping) and three occurring time change patterns (i.e., early-occurred, stable and delay-occurred). The proposed method was evaluated via 12152 EMRS pertaining to the unstable angina pathway with time arranges of 10 years. Experimental results indicated that the proposed approach is effective to mine the significant changes of content and time of medical behaviors and therefore presents convincing evidences for scheduling better practice of CPs.

change patterns; time evolution; latent Dirichlet allocation(LDA)

10.3969/j.issn.0258-8021. 2015. 03.003

2015-01-27， 录用日期:2015-03-15

国家自然科学基金(81101126)；中央高校基本科研业务费专项资金(2014QNA5014)

R318

A

0258-8021(2015) 03-0272-09

# 中国生物医学工程学会会员(Member, Chinese Society of Biomedical Engineering)

*通信作者(Corresponding author)， E-mail: zhengxinghuang@zju.edu.cn