基于大數(shù)據(jù)的醫(yī)療質量評價模型的研究與實現(xiàn).pdf

1、隨著大數(shù)據(jù)時代的來臨，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)作為最有價值的行業(yè)大數(shù)據(jù)之一，近年來人們對它的研究層出不窮。其中對于醫(yī)療質量評價的方法，研究者多數(shù)采用傳統(tǒng)的基于經驗或統(tǒng)計的方法進行分析，而隨著醫(yī)療數(shù)據(jù)的逐步增長，傳統(tǒng)醫(yī)療質量評價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)學的評價方法和數(shù)據(jù)挖掘進行融合應用，研究與實現(xiàn)了基于大數(shù)據(jù)的醫(yī)療質量評價模型，具體研究內容如下：
　　1.離群指標的建立

2、：經過噪聲處理之后，數(shù)據(jù)是準確有效的，此時的離群點本身能夠反映一定的醫(yī)療質量信息。本文通過對KNN算法進行了剪枝等改進，降低了算法的時間復雜度，使之更加適應大數(shù)據(jù)處理。然后基于統(tǒng)計的離群點檢測算法和改進的KNN離群點檢測算法，構建了離群指標，定義為兩者檢測結果中每個醫(yī)院的離群點占比的比值。實驗結果證明，它很好的檢測出了醫(yī)療質量不佳的醫(yī)院。
　　2.病例優(yōu)良率指標的建立：將數(shù)據(jù)挖掘中的聚類思想應用到病例質量研究領域使用廣泛的包羅模型

3、之中，由以往的經驗二分法變成從數(shù)據(jù)本身出發(fā)的自動聚類多分法，構建了評價更加準確的病例優(yōu)良率指標。采用X-means算法進行自動聚類，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，對得到的分類結果再進行聚類。實驗結果顯示聚類純度和病例優(yōu)良率指標準確度都得到了提升。
　　3.醫(yī)療質量評價模型：基于離群指標和病例優(yōu)良率指標，通過模型計算公式，得到每個醫(yī)院最終的模型評價分數(shù)，進而對醫(yī)院進行醫(yī)療質量