基于数据挖掘技术的差异性医疗设备维修后管理及对照性研究

孙润祥，金涛

连云港市第一人民医院临床医学工程部 （江苏连云港 222000）

随着科学技术水平的不断提升，医疗行业得到了迅猛的发展。临床上，大型医疗设备不仅是近现代化医院进度的标志，同时还是医院正常运转的重要组成部分，可在一定程度上提高各类疾病的诊疗效果。医院综合实力的提升及现代医疗技术的发展亦在很大程度上受益于先进医疗设备的引进和应用[1-2]。因此，保证医疗设备的良好运行、做好对医疗设备的维护保修工作尤为重要。

医疗设备的维修和管理通常受限于设备类型、管理方法、临床适用范围、使用频率、使用年限及临床使用者的工作经验等，特别是放射类设备，其故障维修技术含量高且管理流程复杂[3-4]。近年来，医疗设备维修、维修后管理逐渐进入医院管理者的视线，并引起了相关负责人员的高度重视。目前，国内部分医院已开展了关于医疗设备维修后管理的实践研究，并取得了一定的研究成效；但采用的管理方式多为传统的专家论证和简单的数据汇总和统计，对医疗设备故障源的追踪与控制缺乏科学性，对差异性医疗设备的维修后管理效果收效甚微。基于此，本研究以我院六类医疗设备为研究对象，使用数据挖掘技术对差异性医疗设备进行维修后管理和对照性分析，旨在探讨差异性医疗设备故障源及溯源信息分类，制定符合医院实际的维修后管理体系，为提升医院管理的理论水平和实践能力提供参考。

1 资料与方法

1.1 一般资料

选取2017年1月至2019年12月连云港市第一人民医院在用的《医疗器械分类目录》可查的254台医疗设备（包含放射类设备、呼吸麻醉类设备、血液透析类设备、超声类设备、生化检验类设备及手术设备）为研究对象，随机将其分为观察组和对照组，各127台，两组设备类别、启用年限比较，差异无统计学意义（P＞0.05），具有可比性，见表1。

表1 两组一般资料比较（±s）

表1 两组一般资料比较（±s）

组别台数放射类设备呼吸麻醉类设备血液透析类设备超声类设备生化检验类设备手术设备台数 启用年限 台数 启用年限台数启用年限台数 启用年限 台数 启用年限 台数 启用年限对照组 1273 5.61±1.32454.71±1.11275.12±1.2117 3.27±0.87 11 6.23±1.45 24 1.34±0.21观察组 1274 5.82±1.42435.02±1.23264.93±1.0715 3.75±0.95 13 6.78±1.67 26 1.72±0.43

纳入标准：临床在用，功能完好且设备使用率≥75%；设备临床数据齐全，故障维修、谈判等数据无缺失；设备有专职工程师和操作技师负责；符合我院管理标准，设备启用时间≤8年。排除标准：研究周期内出现的新购置或报废的设备；非我院固定资产，租赁、投放等形式的设备；故障累计维修时间≥3个月的设备。

1.2 方法

对照组采用传统专家论证方法进行维修后管理，主要包括维护保养方案制定、故障确型、专家论价、使用人员培训、医学工程师团队建设、预防性维修及计量控制管理等内容。

观察组采用基于数据挖掘技术的关联规则分析方法进行维修后管理。数据挖掘技术的基本原理：数据挖掘是数据库领域研究的热点问题，所谓数据挖掘，是指从数据库大量数据中揭示出隐含的、先前未知的并有潜在价值信息的非平凡过程[5-7]；数据挖掘过程是计算科学的一个分支，通常使用检索、统计、机器学习等方法实现上述目标[8-9]；就本研究而言，数据挖掘过程是一种决策过程，使用数据库、统计学、模式识别等方法分析庞杂的数据，不仅包括医疗设备信息数据库、临床信息数据库、故障信息数据库，还包括医疗设备质量控制、使用规范、开机效率等，通过分析此类庞杂的数据溯源作出归纳和推理，从中挖掘潜在的因果、关联关系，帮助医疗设备管理者调整管理方式和管理策略，降低管理风险，做出相对正确的决策。关联规则分析方法：在数据挖掘的知识模式中，关联规则模式是比较重要的一种，其属于描述型模式，是数据中一种简单但很实用的规则[10]，关联规则的算法属于无监督学习方法[11-12]。（1）关联分析事务集：医疗设备故障溯源性信息数据是通过整理既往现存数据获得，数据分析路径主要包括四部分，即既往溯源数据库整理、故障仓库数据整理、关联规则建立、关联分析事务集建立，其中，既往溯源数据库包括设备信息数据源、临床信息数据源、设备维修管理数据源；故障仓库数据源包括故障设备、使用科室和使用人员；建立关联规则是将既往数据源和故障仓库数据源整合起来，形成一个可用于挖掘故障仓库数据源和既往数据源之间的潜在关系；关联分析事务集采用类试经典Groceries 数据事务集[13]，通过对现有故障数据资料进行溯源，寻找与故障数据有关的信息，如设备名称、启用年限、使用科室等，并整合该类信息，组成关联分析事务集，事务集至少包含两个项集，即设备故障及潜在诱因的项集，其中，潜在诱因项集可为设备维修信息、设备启用年限、设备操作技师等（关联分析事务集的获取路径见图1）。（2）关联规则及对策：关联规则挖掘的目标是发现数据项集之间的关联关系或相关关系，关联规则分析中常用的两个概念是关联规则的支持度（Support，指事务集中同时包含X 和Y 的事务数与所有事物数之比，支持度反映了X 和Y 中所含的项在事务集中同时出现的概率[14-15]）和关联规则的置信度（Confidence，指事务集中包含X 和Y 的事务数与所有包含X 的事务数之比，置信度反映了包含X 的事务中出现Y 的条件概率[16-17]）；关联规则挖掘的过程主要包含两个阶段，第一阶段必须先从资料集合中找出所有的高频项目组，在关联原则中，通常用户为了达到一定的要求，需要指定规则必须满足的支持度[18-19]，当某故障满足设定最小支持阈值时，通常认为此时的故障是值得重视的，设定的最小支持阈值又被称作关联规则的最低重要程度[20]，第二阶段再由前一步骤中的高频项目组产生关联规则，在最小置信度的条件门槛下，若某一规则所求得的置信度满足最小置信度，则称此规则为关联规则，就本研究而言，关联规则表征故障诱因与故障自身具有关联性（关联规则的技术流程见图2）；根据关联规则，制定以降低医疗设备故障率为目的的数据挖掘方法，从设备、人员、费用及设备启用时间4个节点出发，制定基于设备、人员、费用及设备启用时间对医疗设备故障的置信度和支持度，制定规则为当观测事件（故障诱因）对设备故障的支持度大于最小支持阈值，且观测事件对设备故障的置信度大于最小置信阈值时，进行相应的操作，医疗设备维修后管理的主要目标是降低故障发生率，本研究以故障率（单台设备故障停机时间与单台设备负荷时间的比值）为主要显性观察指标，对观测事件可能会引起设备故障的事件加以约束，如采取责任工程师现场指导培训、原厂工程师培训、设备督导、设备保养及质量控制等措施。

图1 关联分析事务集的获取路径

图2 关联规则的技术流程

1.3 观察指标

分析差异性医疗设备的故障情况及时间因素对差异性医疗设备故障的影响，并比较两组设备维修后管理的效果。

1.4 统计学处理

采用SPSS 20.0统计软件对数据进行处理，计量资料以±s表示，采用t检验；计数资料以率表示，采用χ2检验，P＜0.05为差异有统计学意义。

2 结果

2.1 差异性医疗设备的故障情况

通过对2017年1月至2019年12月两组医疗设备的故障进行统计分析，发现差异性医疗设备的故障源主要有误操作、过负荷使用、元器件老化、保养不及时等，按照不同类型医疗设备的故障源进行分类汇总，差异性医疗设备的故障组成情况见图3。各类医疗设备主要故障源的差异性较大，经χ2检验（R×C 列表法），差异有统计学意义（χ2=8.79，P＜0.01）。由图3可知，放射类设备的主要故障源为过负荷使用，占总故障率的34.6%；呼吸麻醉类设备、血液透析类设备及手术设备的主要故障源为误操作，分别占总故障率的21.3%、21.5%、47.1%；超声类设备的主要故障源为环境因素，占总故障率的26.4%；生化检验类设备的主要故障源为保养不及时，占总故障率的29.1%。

图3 差异性医疗设备的故障组成

2.2 时间因素对差异性医疗设备故障的影响

经验表明，医疗设备的累计使用时间是设备故障的主要诱因，在日常管理中，需对医疗设备进行定期质量控制和预防性维护。本研究对观察组和对照组设备以时间因素为考量进行统计汇总，时间因素对两组设备故障的影响见图4。由图可知，在设备启用1～6年内，两组设备的故障率和维修费用比较，差异无统计学意义（P＞0.05）。在设备使用后期，按需进行预防性维护和质量控制尤为重要，由图可知，在设备启用6年后，与对照组比较，观察组设备故障率和维修费用显著降低，差异有统计学意义（t=4.58、5.13，P＜0.05）。

图4 时间因素对差异性医疗设备故障的影响

2.3 两组设备维修后管理的效果比较

观察组放射类设备、呼吸麻醉类设备、血液透析类设备、超声类设备、手术设备的故障率均低于对照组，差异有统计学意义（P＜0.05）；两组生化检验类设备的故障率比较，差异无统计学意义（P＞0.05），见表2。

表2 两组设备维修后管理的效果比较（±s）

表2 两组设备维修后管理的效果比较（±s）

放射类设备呼吸麻醉类设备血液透析类设备超声类设备生化检验类设备手术设备台数 故障率组别台数（%）台数故障率（%）台数故障率（%）台数 故障率（%）台数 故障率（%）台数 故障率（%）观察组 1273 1.06±0.11453.75±0.56272.89±0.4517 3.59±0.69 11 0.84±0.11 24 7.54±1.45对照组 1274 1.12±0.23435.34±1.01263.15±0.7715 4.02±1.21 13 0.86±0.13 26 9.46±2.17 t 2.6515.523.293.481.328.29 P＜0.05＜0.01＜0.01＜0.01＞0.05＜0.01

3 讨论

医疗设备作为医院的重要医疗资源，是提升临床诊疗水平的必要条件，在现代化医院发展中发挥着不可替代的作用，其管理模式的有效性和科学性成了设备管理工作者的主要研究方向[21]。随着科学技术的不断发展，医疗设备种类和数量不断增加、品规不断更新、集成度不断增高，继而导致设备故障维修和质量控制工作的开展难度增加。此外，随着计算机技术在医疗行业中的广泛应用，医院信息系统、实验室信息管理系统、医学影像存档与通信系统、放射科信息系统、医疗设备管理系统、维修管理系统等也得到了广泛应用，继而促使“数据仓库”急剧增多，而从庞杂无序的数据中寻找出与医疗设备故障关联的数据尤为重要[10]。

本研究使用数据挖掘技术，通过对既往数据进行分析，获取了差异性医疗设备的故障源；通过将医疗设备故障源与设备信息数据库、临床信息数据库、设备维修管理数据库及差异性设备作关联分析，发现了单一因素、联合因素对设备故障的重要度和可靠性。此外，本研究还制定了最小支持阈值和最小置信阈值，并以此为标准和判断依据，当关联因素的支持度大于最小支持阈值且置信度大于最小置信阈值时，对关联因素作了相应处理，具体包括因人为因素可能造成的设备故障，通过及时对操作人员进行培训（包括责任工程师培训和厂家工程师培训）及考核，以期减少因操作人员操作不正确造成的设备故障；因时间因素造成的设备故障，通过进行预防性维护和质量控制，其中，预防性维护和质量控制频率根据设备累计使用时间的变化而变化，并由定期预防性维护转变为按需预防性维护，在此基础上，通过完善我院固有的医疗设备全生命周期、设备安装培训、临床使用、质量控制和预防性维护5个管理体系，以及制定标准规范并进行落实和监督，以期提升医院管理的理论水平和实践能力。本研究结果显示，观察组同类设备故障率得到了较为显著的控制。

总之，数据挖掘技术对差异性医疗设备维修后的管理工作具有一定的指导意义，可有效控制医疗设备故障率，提高设备临床使用率，为医院的可持续发展奠定基础。