资料采矿技术在病例与药品关连性之研究.ppt

資料採礦技術在病例與藥品關連性之研究 指導老師：陳景蔚 教授 報告學生：陳佳慶 學 號：M9590106 Outline 論文概述 緒論 研究流程 結果與分析 論文評析 論文題目 摘要與關鍵字 緒論 結論與建議 文獻探討 一、論文概述 論文概述－緒論 病歷資料是一項非常重要的醫療資源，他記錄了病患求診時醫師診斷的病名、處方與檢驗結果等詳細資料。除了可做為醫師對病患疾病的分析、醫院的成本效益分析外，同時亦是健康保險申報的主要依據。 隨著資訊科技的進步，各醫療院所逐步建立電子病歷，我國中央健保局也著手將各醫療院所的健保給付申報資料數位化，往後病歷相關資料的紀錄將更加快速、更加方便管理，同時研究者可更容易結合其他資訊科技技術，從這中發掘出有用的知識以當輔助決策之用。 緒論 研究動機 醫療給付申請案件的資料量非常龐大，而專業醫療人員的人力資源有限，要提高審核效率，必須有適當的的方法來輔助審核作業。 『病例--藥品』關連性知識是解決上述問題的有效方法之一，每一病例的基本藥品組可以作為健保局內部在審核醫療院所申請用藥品項的依據。 緒論(續) 研究目的 利用資料採礦的技術來分析國內的病例與藥品的關連性知識，可使健保局內部在審核醫療院所申請用藥品項給付的必要性時有一客觀的參考依據，並提升審核效率。 對所遭遇的資料特性，提出適當的資料採礦演算法予以解決。 緒論(續) 研究方法 首先從文獻資料中整理與本研究相關的研究議題，包括本研究會探討的資料採礦相關技術及目前在醫療相關的應用，同時收集與處理研究資料來源。 將所得資料採用適當的資料採礦技術來獲得病例與藥品間的關連性知識。 分析各種執行結果。 緒論(續) 研究方法 研究流程 研究流程(續) 關連性規則演算法 針對混合資料直接採用挖掘關連性規則知識的演算法。此法將其中的病例名稱代號與藥品項目代號都當成是一筆交易紀錄中的項目，然後直接以關連性規則演算法來找出各個病例名稱與藥品項目的關連性規則，期望所得結果包含本研究所欲得之病例與藥品關連性知識。 The Apriori Algorithm 研究流程(續) 研究流程(續) 次序模組演算法 將病例名稱與藥品項目名稱分開，同一交易記錄編號的資料當成是一筆交易紀錄群，而各病例名稱代號當成是該交易記錄群中的第一筆交易記錄中的項目，各藥品項目代號則當成是該交易記錄群中的第二筆交易記錄中的項目，再以挖掘次序模組知識的演算法來找出病例與藥品的次序關連，期望所得結果包含本研究所欲得之病例與藥品關連性知識。 研究流程(續) 整個次序模組的知識擷取過程可分成五個階段，分述如下： 排序階段（Sort Phase） 限制集合階段（Litemset Phase） 轉換階段（Transformation Phase） 構成次序模組階段（Sequence Phase） 決定最大的次序模組階段（Maximal Phase） 研究流程(續) 研究流程(續) 限制集合階段（Litemset Phase） 研究流程(續) 轉換階段（Transformation Phase） 研究流程(續) 構成次序模組階段（Sequence Phase） 研究流程(續) 構成次序模組階段（Sequence Phase） 決定最大的次序模組階段（Maximal Phase） 研究流程(續) 研究流程(續) 依病例展開之關連性規則演算法 將原始病歷資料依各個不同病例名稱代號展開，每一份具相同病例名稱代號所對應的藥品項目代號分別視為一筆不同的交易紀錄，再依每一病例名稱代號所有的藥品項目資料導入關連性規則演算法找出針對該病例的最大藥品項目集合。 研究流程(續) 結果分析 本研究所欲得之病例與藥品關連性知識，而所有的知識可分成兩類來說明： 第一類是一病對一基本藥品組 第二類則是一病對應到數個基本藥品組 結果分析(續) 一病對多個基本藥品組的結果，其可能原因歸納如下： 各醫療院所之醫師其開藥習慣均不相同，使得一病會出現數種不同的藥品基本組。 雖然同一病例，但病情嚴重程度不同也許會造成用藥的不同。但是原始病歷資料未能顯示病情程度。 在本研究所使用的資料庫中，病例名稱的分類並非很詳細。而不同詳細病例可能使用不同藥品項目，所以最後出現一病對應到數個不同基本藥品組的情形。 未來研究方向 本研究的研究過程及結果分析，由於涉及專業領與知識，因此若能得到相關專業醫療人員的奧援，將會使結果的可信度與實用性相對提高許多。 未來研究方向(續) 本研究的未來研究方向，建議可從下列幾點著手： 蒐集更詳細資料，例如病例名稱分類或病例嚴重情形，使關連性知識結果更明確。 取得專業人員的奧援，對所得結果作更合理深入的解釋，使所得之關連性知識有更大的實用價值。 應用在不同類的病例上，建立更完整的『病例--藥品』關連性知識。 二、論文評析 論