基于推荐算法和主成分分析的智能处方推荐系统

Posted 2021-04-29 中国数字医学

点击上方 “中国数字医学”可以订阅哦！

导读：通过使用推荐算法和主成分分析等技术，通过海量病历的处方数据进行学习，并结合诊疗指南等知识库数据，实现基于医生的诊疗习惯及疾病的诊疗原理的处方推荐，以医疗服务云的方式为医生提供辅助决策，提高医生工作效率，降低医疗风险，推进医疗资源共享。

处方是由注册的执业医师和执业助理医师在诊疗活动中为患者开具的医疗文书，是由取得药学专业技术职务任职资格的药学专业技术人员向病人审核、调配、核对药品的重要依据，内容一般包括患者姓名、年龄、联系方式、所用药品名称、用量（剂量）等。

随着信息技术的发展和医疗技术的提高，医院开具的处方已经被HIS记录，为大数据统计与分析提供了条件。通过分析门诊系统和推荐系统的特征及不足之处，并在此基础上提出并分析了一种基于推荐系统和主成分分析的智能处方系统。

现状

近年来，随着公众对健康和卫生的需求不断提高，医疗技术也随之不断发展。同时，随着信息技术的发展，医院信息系统（Hospital Information System，HIS）也随之诞生和发展。HIS系统至今为止经历了三个阶段：单机应用阶段、局域网应用阶段和广域网应用阶段。现今为止，在医院广泛使用了广域网，为云计算的建设打下了基础。

医疗信息化不仅是计算机化，还是以信息共享为核心理念，包括医疗机构自身以及对外部的信息共享，以最大限度方便患者就医过程，提高医疗工作效率。同时，方便各类管理人员的分析决策管理工作，提高医疗资源的利用率。

随着公共卫生和健康意识的提高，就诊患者不断增多，门诊医师的接诊压力随之增大。据统计，医师在开具处方过程中，需要从大量的药物列表中检索出所需药物，耗时约两三分钟，而医生对每个患者的就诊时间通常为五分钟左右；一个医师通常采用半天坐诊方式，要求在4个小时的时间段内接待五六十个病人，面对不断增长的接诊压力，医师也容易出错，酿成医疗事故。在这种情况下，节省医生开具处方的时间，提高医院的门诊水平和效率，对提高医生工作效率、降低医疗事故发生的频率等方面，具有重大的积极作用和意义。

现有门诊系统介绍 现有的处方输入系统是HIS下的一个子系统。其工作流程如下：医生通过挂号系统传来的病人信息以叫号或其他（如发送短信）方式通知病人；病人到达后，医生通过各种手段确诊病人的疾病；医生输入需要的处方，并从药库里检索出需要的处方，将检索出的处方打印出处方笺交给病人；病人根据处方笺前往药房拿取药物和支付诊疗费用。该系统对提高患者的就诊效率作用显著，但仍存在一些问题。

现有门诊系统存在的问题 现有的门诊系统没有参考历史记录，每一次患者就诊时，医师除了参考患者的门诊病历之外，没有可供参考的历史资料。又由于部分患者对病历不重视，有时候会出现忘记携带病历本的情况，此时医师可供参考的历史记录就只有询问患者，可靠度不高。

现有的门诊数据存在数据标注不规范的问题。如疾病的标识，部分医师对疾病的规范化标识（如ICD标准）不了解、不重视，对疾病的标识通常草草了事，因而使得数据标识中存在垃圾数据；医生在书写处方的过程中，完全凭借脑内印象，会有较长的思考和输入的时间。且在接诊压力大的情况下容易出错；在这种情况下，一种基于医疗信息化和云计算的智能处方推荐系统可以辅助医生作出正确的决策和处方开具，能够提高医生的诊疗效率；借助云计算，还可以借助大量的数据，借助包括主成分分析、隐马尔科夫链分析等手段对诊疗过程进行分析和评价，从而进一步提升处方分析的准确率。

因此，希望能够借助自然语言处理、医疗知识库及云计算等技术，研究并建立一套辅助医生开具处方的智能处方系统，以实现如下几个目标：分析医生的用药习惯和病人的特征两者与开具药物的对应关系；在医生给出诊断之后，系统返回给医生建议的药物；后台分析药物和疾病间的相关性，并根据自然语言处理分析主诉等字段，结合其他信息进行主成分分析以挖掘深层次的处方开具关系。

智能处方系统设计

需求分析 一套可满足医生需求、能够提高医生工作效率的智能处方系统的要求包括如下几个方面。

准确性：智能处方系统给出的推荐列表必须包含能够应对医生诊断出的疾病的药物，同时，给出的推荐列表不能过于宽泛；开放性：智能处方应当具有主动学习能力，能够对过往记录进行动态学习，从而在运行的过程中不断提高其准确性；界面友好：智能处方的用户界面应当对用户友好。加载智能处方系统的页面应当与原来的页面几乎没有区别，可以以新增加的窗口或输入提示框来呈现。

技术框架 目前推荐系统主要包括如下几种方式：基于内容的推荐、协同过滤推荐、基于关联度的推荐、使用人工智能的推荐等。智能处方所需的技术框架除了核心的推荐算法之外，还需要其他方面的组成部分：包括数据清洗模块、自然语言处理模块、主成分分析模块，另外，还必须包括用户界面模块和网络通信模块等。

智能处方系统需要包含许多专业知识，如疾病标准分配、药物相互作用等依赖于知识库的部分，此种情况下，技术框架还需要包括上述限定领域的知识部分。

技术环境和描述 本文所述的技术由java实现。使用的数据库为postgreSQL。返回给医生的结果以json格式呈现。可根据需要，结合健康档案系统及健康云等，从而获得更加准确的推荐。具体的程序架构图如图1所示。

图1 程序架构图

实验结果

实验结果评价标准包括三个指标：命中率（Precision）、召回率（Recall）和F1值。命中率是指实际集合与推荐集合的交集占推荐集合的百分比；召回率是指实际集合与推荐集合的交集占实际集合的百分比；F1是两者的平均值。其中，召回率是评价推荐效果和用户体验的最重要的因素。

根据某医院三个月的数据集进行训练，并使用接下一个月的首周数据作为验证，可得出以下结论：对于不同的科室数据集，训练的结果差距较大；对于心血管科训练效果为：命中率76.09%、召回率75.54%、F1值75.82%；同时期呼吸内科的训练效果为：命中率55.77%、召回率57.40%、F1值56.58%.

随着机器学习、云计算、自然语言处理等技术的发展和逐渐成熟，推荐系统已经获得了越来越广泛的应用。医院作为一个专业性强、垂直分科多、人流密度大的公共服务场所，门诊医生的工作强度高，容易出错，亟需引入一个智能化的辅助开具处方的系统。在分析门诊系统的现状及存在的问题、以及简要介绍推荐系统的基础上，提出并开发了一种基于推荐系统、主成分分析的智能处方推荐系统。并利用某医院的数据对该系统进行训练和测试，取得了较好的结果，为下一步更好地实践和研究处方推荐提供了参考。

文章来源：《中国数字医学》杂志2018年第12期，作者及单位：冼向阳 张志强 李纪麟，广州医科大学附属第一医院 广州医博信息技术有限公司。

戳这里!!!

传播数字医学领域发展最新动态，关注医疗卫生信息化相关资讯。