文摘
一些意想不到的行为可能发生在实际治疗临床路径,这将对实现和未来有负面影响的工作。增加电流偏差检测算法的性能,提出了一种方法根据业务对齐,可有效检测异常在临床路径的实施,提供判断依据干预临床路径实施过程中,并发挥着至关重要的作用在提高临床路径。首先,噪音在临床诊断和治疗日志路径将被删除。然后,同步组合模型体现了实际过程与理论模型之间的偏差。最后,算法搜索最优选择对齐。st段抬高心肌梗死的临床路径肝素)COVID-19作为案例研究,以及该方法的优越性和有效性在偏差检测了实验的结果。
1。介绍
第七次人口普查发布的数据显示,中国已逐渐进入老龄化社会。加上近年来冠状病毒疫情的影响,医疗系统正面临越来越大的压力。因此,临床路径的使用,规范医疗行为,提高医疗质量和控制医疗费用已经成为一种必然选择在中国医疗改革(1,2]。在强大的国家支持下,临床路径已经进入大规模推广阶段(3]。
临床路径的本质是采用标准化程序某些疾病的诊断和治疗。然而,在实际的临床路径的实施过程,可能有很多不稳定的因素;例如,患者不了解临床路径的实施标准,医务人员不积极的过程,等。上述因素极大地促进临床路径的影响。此外,临床路径的缺陷,包括病人病情突变,可能会导致意外的行为临床路径过程中诊断和治疗。这样的行为都是被称为偏差。在各种压力下,迫在眉睫的是优化和完善临床路径。过程挖掘旨在挖掘和优化业务流程通过有效的数据在事件日志4,5)和流程挖掘方法可以用来检测倾斜行为,这有利于预测病人的诊断和治疗过程的趋势,发现临床路径的缺陷,并提供判断依据干预行为在诊断和治疗过程中,以提高临床路径(6- - - - - -8]。
医疗信息系统的广泛应用,大量的电子日志生成的诊断和治疗过程中,和电子病历也广泛应用于医院。采矿方法的偏差行为也改变了从前瞻性方法需要手动记录回顾由电脑自动处理方法。本文建立了临床路径的过程模型,并使用业务一致性检测业务流程之间的偏差和执行记录。
大量的正式流程模型描述的方法被提出到现在为止,例如,BPMN (9],C-net [10],EPC [11和皮特里网12- - - - - -15]。佩特里网是最成熟和深入流程建模语言,它可以简洁和直观地描述和分析复杂系统(16- - - - - -27]。因此,佩特里网选为流程模型描述方法。
业务一致性是目前最先进的合规检查方法。业务一致性的使用可以有效地检测临床路径的偏差28- - - - - -30.]。合规检查复杂的模型一直是一个具有挑战性的研究课题31日]。Adriansyah et al。32)提出了一个技术相结合的过程模型和对数模型转换为一个产品模型得到最优排列。库克et al。33)提出了一种获取定位结果通过比较跟踪和量化过程模型相似。歌等。34)提出了一个启发式跟踪记录回放方法对齐和理论模型,减少了搜索空间。
通过研究现有的方法,还有一些可以提高效率的业务对齐。因此,业务一致性方法根据同步Petri网的组成模型,从而有效地减少模型的复杂性提高定位效率。一系列事件记录在医学日志的情况下被称为跟踪。可能会有一些无效的跟踪日志中,称为噪声。合规检查之前,有必要筛选诊断和治疗日志预处理来消除噪声。偏差检测是找到最优对齐基于过滤处理日志和跟踪定位可能出现的问题。以来最优定位计算的效率尤为重要,本文使用算法。
本文的其余部分包括以下。背景知识介绍2,包括跟踪的概念,佩特里网,可图,并对齐。噪声滤波器算法和最优的比对计算算法提出了部分3。之间的对比的实验方法和经典的一节所示4。最后,部分5得出结论和后续研究的想法。
2。基本知识
大量的数据存储在医院信息系统。我们可以提取大量的医学事件。一系列的事件在一个案例中被组织为一个痕迹,日志的基本元素。
定义1。(跟踪)。给定一组一个包括活动,跟踪是一个流程实例,即表示为一系列的活动σ∈ 。如果有一丝多个集非空l∈β( ),l被称为一个诊断和治疗日志,包括每个有限序列集合一个,表示 ;设置多组的集合表示为β( )。
定义2。(佩特里网)。给定一组一个包括活动,佩特里网是一个元组集合一个,表示N= (P,T;F,α,米我,米f)。集P包含了所有的地方,并设置T包含所有的转换,T∪P≠∅,T∩P=∅;集F⊆(T×P)∪(P×T)代表直接电弧集之间的关系和过渡的地方,叫做流关系或弧关系;α:T⟶一个τ是过渡和标签的映射函数,τ是看不见的过渡,一个τ=一个
{τ};佩特里网任命为标志的状态,这是一个多个集合的集合。米我∈β(P)代表初始状态,米f∈β(P)代表最终的状态。
一个简单的佩特里网的例子N1缺血性中风的临床路径图所示1和表1显示了转换的关系、标签和活动模型N1。
对于∀米∈β(P)和∀t∈T,t在标记可以被解雇吗米敌我识别米(p)≥∀p∈PF(p,t),表示为米(t>;此时,后过渡t发生时,新系统的状态表示米′,∀p∈P米′(p)=米(p)−F(p,t)+F(t,p),表示为米(t>米′。一组R(米)包含的所有标记可以启用米。
佩特里网的定义的可获得的图可以由过渡射击规则的定义2。
定义3。(可获得的图)。给定一个佩特里网N的,可获得的图N被表示为TS= (年代,一个′,T′),年代=R(米我),一个′=一个,T′= {(米我,α(t),米j)∈(年代×一个×年代)|∃t∈T(米我(t>米j])}。
图2显示了可获得的图TS0的N1。图中的每个节点代表一个可到达的标志N1启用,每个弧过渡意味着在其之前的标志,箭头指向新的标记后发生转变。
当跟踪在诊断和治疗日志重播的模型,这两个可能不是完全安装。这种不健康的状态被称为偏差,可以检测到对齐。
定义4。给定一组(对齐)一个包括活动,佩特里网N和跟踪σ之间的对齐σ和一个,即γ∈(一个≫×T≫)是一个移动序列(≫表示没有运动吗一个≫=一个∪{≫}),有以下规则:(1)的投影第一列元素的有序集动作一个(忽略≫)记录
。(2)的投影第二列元素的有序集动作T(忽略≫)产生一个完整的序列,表示
。对于每一个(一个,t)∈γ,有四种可能:(1)(一个,t)被任命为日志的运动(一个∈一个)∧(t=≫)。(2)(一个,t)被任命为模型的运动(一个=≫)∧(t∈T)。(3)(一个,t)被任命为同步运动的(一个∈一个)∧(t∈T)。(4)(一个,t)被任命为非法活动。活动是一个元素的痕迹和产品化是模型的一个元素。根据定义4对齐是一个序列的运动,运动反映了活动之间的关系和转换。日志运动,这意味着一个活动无法执行的模型;为模型的运动,这意味着过渡不是在跟踪;为同步运动,这意味着活动可以对应于过渡;非法运动,它不会出现在实际业务过程中,所以它将被忽略。其中,(1)和(2)是不适当的跟踪和过程模型之间,代表对齐的偏差。
对于一个给定的跟踪和过程模型,可以计算多个对齐结果。得到最好的校准结果,需要引入一个成本函数来计算每个动作的成本。在所有对齐的结果,符合最低总成本值最优排列。
对于每一个(一个,t)∈γ成本函数如下:(1)的价值信用证((一个,t(时)是1,一个,t日志运动)。(2)的价值信用证((一个,t)也是1,(一个,t)是运动模型。(3)的价值信用证((一个,t))= 0,(一个,t)是同步运动。(4)的价值信用证((一个,t)+∞,(一个,t)是非法的运动。
3所示。对齐方法
3.1。准备调整计算
3.1.1。去除噪声
实现同步作文之前,有必要筛选痕迹在诊断和治疗日志,去除噪声,保留有效的痕迹。
通常有两种可能的痕迹顺序偏差在事件日志:①跟踪本身是噪音和②活动应该发生在顺序关系或选择关系错误发生在平行关系。在临床路径,它必须严格按照临床路径的实施标准,和活动主要是顺序或选择性。因此,痕迹与反向序列活动视为噪音。
佩特里网,当过渡可能发生在其他转换之前,有一个优先级关系这种转变及其随后的转换,用符号“⟶。“当一个过渡不能发生在其他人之前,没有这种转变和其他优先级关系,用符号“#。”可能连续偏差在诊断和治疗日志痕迹,本文提出如下优先关系矩阵的概念。
定义5。(优先关系矩阵)。给定一组一个包括活动和佩特里网N|的优先关系矩阵是一个矩阵T|×|T|的行和列标签的活动,表示米:{α(tx)| tx∈T}×{α(ty)| ty∈T}⟶{“#”、“⟶”}。矩阵包含以下元素:(1)对于任何α(tx)∈年代和α(ty)∈年代,如果
,
,然后米(α(tx)][α(ty)= "⟶”表示α(tx)⟶α(ty),其中≤1x,y≤n。(2)对于任何α(tx)∈年代和α(ty)∈年代,如果
,
,然后米(α(tx)][α(ty)= " # "表示α(tx)#α(ty),其中≤1x,y≤n。取N1作为一个例子,它的优先关系矩阵米公关见公式(1),一个x=α(tx)和1≤x≤5。
确定跟踪是噪音,有必要检查所有活动在跟踪一个接一个,比较当前活动之间的顺序和其后续活动的优先关系矩阵。如果不合适,比较过程终止,和跟踪被认为是噪音,这应该从日志中删除。
存储信息的并行活动,有必要设置一组并行活动年代“当前活动组”与他们的后续活动,第一个活动跟踪投入年代开始前的遍历。与此同时,几个变量设置如下:让在遍历当前活动活动坏蛋和随后的活动跟踪活动帖子。规则如下:(1)如果有一个或多个活动优先关系矩阵允许发生早于活动帖子在一组年代否则不举行,从组中删除这些活动年代和地点活动帖子在一组年代。(2)如果所有活动与活动组构成的平行关系帖子,然后把活动帖子在一组年代没有删除任何其他元素。(3)如果有任何活动与活动之间的反向序列偏差帖子在集合年代,该跟踪被认为是噪音,应该直接放弃了。算法1显示了伪代码。
过滤日志,需要遍历诊断和治疗日志l然后逐步检查的活动序列σ,所以需要两个嵌套循环。O(n2)是它的时间复杂度。的价值n影响的大小l和序列的长度σ。空间复杂度是O(n)。
|
3.1.2。同步作文
对于给定的跟踪和其相应的过程模型,新模型可以由以下操作:①跟踪转化为对数模型所描述的佩特里网;②合并两个相应的转换活动标签相同的两个模型;③合并预设和postset相同的转换,分别。最后,生成的模型跟踪和过程模型的同步合成模型。
日志模式转变和过渡过程模型相同的标签x将构造同步运动。对于其他同步运动,应该叫根据定义的转换4。算法2显示了伪代码。
|
算法集成转换、位置和弧过程模型的关系N点和对数模型Nlm为同步组合模型N3。有三种循环结构O(n)是时间复杂度。转换的数量、位置和弧关系影响的大小n,所以空间复杂性O(n)。
采取N1作为一个例子,跟踪σ1= <一个,f,b,e>。图3显示了日志模型N2这是由σ1。同步组合模型N3计算算法2从日志模型N2和过程模型N1如图4。
3.2。计算对齐
3.2.1之上。可以同步组合模型的图
因为对齐是一系列动作,状态发生的变化的转换和可获得的图可以清楚地表达的变化状态和发生的转换和重量可以给每一个弧可图代表的成本发生转变。计算最优排列转换为能找到一个有向加权图的最短路径,所以可图N3然后计算。可获得的图TS1的N3如图5。
它可以推断出从定义4( ,t1)是一个同步运动信用证(( ,t1))= 0;(≫t3)是一个模型的运动,所以信用证((≫,t3))= 1;( ,≫)是一个日志的运动,所以信用证(( ,≫))= 1。用类推的方法,它可以获得其他的值在图的转换5是信用证(( ,t2))= 0,信用证((≫,t4))= 1,信用证(( ,t5))= 0。
3.2.2。寻找最优的对齐
考虑到临床路径模型的特殊性,应该使用顺序和选择性结构尽可能在这种模型和循环结构应该被避免。因此,访问图中的循环结构的模型将被忽略,并且图可以很容易地转换成矩阵的形式的关系。可以看出,最优校准计算并不复杂,效率是一个关键的性能的措施。因此,有必要选择合适的搜索算法效率最大化。
正如前面所提到的,最优排列问题也是最短路径问题。在最短路径问题的解决方案中,基本搜索算法(如深度优先算法,广度优先算法,和迪杰斯特拉算法)是众所周知的结构简单,容易实现。然而,在处理这一问题,需要遍历路径,效率很差。智能算法(如遗传算法、强化学习算法和蚁群算法过于复杂,需要通过大量的训练数据集来调整参数,适合在复杂的场景和解决棘手的问题不适合解决这个问题。
因为每个弧的重量,算法适用于这个问题,这是一个著名的启发式算法。解决最短路径时,算法估计当前节点和目标节点之间的距离。启发式函数的准确性会影响效率算法,准确代表之间的距离估计和实际价值。此外,代码的实现算法很简单。自估计价值计算的代价函数中使用本文基本上是等于实际值,计算效率可以达到的最高水平。对于TS可获得的图1获得的部分3.2.1之上、算法3显示了伪代码。
|
考虑到使用优先队列算法,假设它使用快速排序,O(n日志2n)时间复杂度,可以标记的数量影响的大小n。在算法3迭代的频率影响的复杂性可图,。因此,时间复杂度O(n2日志2n),空间复杂度O(n)。
采取可图TS1例如,公式(2)是最优排列的结果。
算法3发现最优校准通过计算的最低总成本价值序列发生转变。在算法的实现,没有必要同步组合模型的生成可图。同步组合模型可以直接用作输入生成的搜索空间,从而简化了求解步骤,节省加工时间,提高计算效率。
4所示。实验分析
4.1。实验设置
这个实验将比较模型的规模和定位的效率。有三个主要元素测量模型的规模,包括(1)数量的地方:在模型中有许多地方。一般来说,数量越少,越低的复杂性。(2)数量的转换:在模型中有多少转换。一般来说,数量越少,越低的复杂性。(3)弧量:在模型中有多少弧关系。一般来说,数量越少,越低的复杂性。
测量校准效率的因素是时间消耗和占用的内存空间最优定位计算的过程。在这个实验中,测量到的内存占用的数量可以标记佩特里网运行过程中生成的。因此,有两个主要因素来衡量对齐算法:(1)量可以标记节点排队(数量):有多少可以标记生成的模型运行时。在计算最优排列,数量等于节点的数量在优先级队列中排队,也称为排队节点的数量。(2)计算时间:当计算最优校准的时间消耗。
对于给定的过程模型,一个记录集,和一个成本函数,最优的计算过程对齐Adriansyah等人提出的,可以分为两个步骤:首先,生成搜索空间;然后,寻找最佳的对齐。可图的搜索空间,新生成的模型被认为是可以测量的复杂性,新模型的规模,基本上确定整个成本的最优定位计算方法。这个实验主要关注这部分。同样的,在本文中使用的方法计算最优算法对齐。从理论上讲,这种方法可以减少不必要的转换和弧,所以可以标记的数量少,效率应该比经典当计算最优排列。
接下来,st段抬高心肌梗死的临床路径肝素)COVID-19为例进行实验验证。根据建立的模型是手动的自然语言描述诊断和治疗的过程。特定的临床路径如图6和活动之间的关系和转换表所示2。
这个实验的主要工作就是比较搜索空间的规模和效率之间的对齐计算经典方法和本文提出的方法。日志中的所有合适的痕迹从正在运行的进程生成模型,然后添加噪声比例的偏差数量的长度跟踪从0%提高到30%,而且每个是一组5%。每个跟踪处理算法3分别和10倍的经典算法。均值计算时间和获取参数模型规模,以充分比较两者之间的差异的前提下控制变量。
4.2。实验环境
实验采用Java语言代码,和表3给出了硬件和软件平台配置。
4.3。算法的优越性验证
结果如图7- - - - - -10。其中,数据7和8显示的规模参数的比较两个生成的模型。图9显示了平均排队的比较两个模型的节点数量,和图10显示的比较这两种方法的平均计算时间。
本文没有给出一个比较两个模型之间的数量的地方因为当跟踪长度和流程模型是相同的,在两个模型的数量是一样的,。比较经典的产品模型算法和同步组合模型,在两个模型的数量等于该元素个数的地方联盟的对数模型和过程模型。
图7比较两个模型之间的转换的数量。同步组合模型的数量大约是37岁,和产品模型中的数字约为54。同步组合模型可以减少一些不必要的转换,大大降低了模型的规模。
图8显示了比较两个模型之间的弧量。同步组合模型的数量大约是92,和产品型号数量约为125。弧流关系的解释定义2,这表明过渡和地方之间的关系。同步组合模型不仅减少了转换,也可以减少一些不必要的流动关系,所以它可以减少搜索空间的复杂性。
在最优定位计算的一部分,图9显示的数量可以标记可图的两个模型,即。,意味着排队节点最优校准计算过程。同步组合模型中的数字是47岁,在产品模型大约有72。可以标记的数量影响迭代的时间和排序的效率所示的算法,算法3。
在数据7和8,同步组合模型可以减少不必要的转换和弧与产品模型相比,这使得可图更接近实际情况,减少了不必要的标记。
图10比较两种方法的平均计算时间找到最优排列。均值算法的计算时间3大约是150 ms,而经典的算法的时间是245 ms。它节省了约40%的时间,可以更快地完成计算最优排列比经典算法在每个噪音水平。
从数据可以看出,本文中使用的同步合成模型有较低的复杂度和较高的计算效率。接下来,分析了原因并解释道。
首先,本文给出的方法进行预处理日志生成搜索空间和消除噪音。这一步也是一个必不可少的步骤,因为此方法适用于临床路径,可有效过滤不合理的噪声防止算法失败。预处理进行了日志和较低的时间复杂度。即使它不能直接反映的数据,有一个微妙的影响比对算法效率和稳定性。经典方法中使用的产品型号不需要做这个手术,因为它更高的复杂性使其适应更多情况下的成本效率。即使可以过滤噪声等预处理,它不会影响稳定的经典算法和改进效率影响不大。
第二,当生成搜索空间,产品模型将两种原始转换,但不会同步组合模型。日志中假设的和转换模型和过程模型t弧的总和f,同步活动的数量年代(假设流关系的总和与日志转换和相对应的模型转换我th同步活动f我);在产品模型,相应的转换的数量t+年代和弧的数量 ;在同步组合模型转换的数量t−x和弧的数量f。即,每个同步活动将使产品模型有2更比同步组合模型转换和几个弧。这些额外的转换和弧没有实际意义。该方法的预处理步骤提前解决问题,尽可能地简化了模型的规模。因此,该方法的搜索空间远小于经典的方法。此外,噪声水平越高,降低同步活动的数量。数据7和8表明,逐渐增加的噪声水平,两个模型的规模正逐渐接近。然而,噪声比越高,越接近跟踪是真正的噪声,分析的重要性越低,而且应该废弃。
在计算最优调整的一部分,这两种方法都使用搜索算法。的时间复杂度搜索算法的算法3是O(n2日志2n),n影响的数量可及的标记。即使两个模型之间的差异的规模并不大,仍有一个巨大的效率差距的两个方法。数据7- - - - - -10显示转换和弧的数量减少不到30%,和平均排队节点减少约34%,以及最优的平均计算时间对齐减少约40%。
根据实验数据和分析,在计算最优对齐,因为效率的最优校准几何模型的复杂性增加,选择同步组合模型可以大大提高定位效率。
4.4。算法有效性验证
计算最优校准完成后,最优校准结果如公式(2得到了)。它可以清楚地看到从方程是否病人的诊断和治疗过程的活动是正常的,是否有失踪或多个活动。因此,医务人员可以掌握整个临床路径诊疗过程。诊断和治疗的例子所示的日志。
跟踪σ2= <……,排除COVID-19感染,溶栓情事属实者,转移到隔离病房,溶栓再通的急诊病人,…>,,这里,同步转换取而代之的是椭圆的一部分。活动和转换之间的关系如表所示4。
跟踪σ2表示为<…e、…c,t,r根据表,…>4和最优校准结果如下所示:
根据最优校准公式的结果(3),它可以看到病人被排除在COVID-19感染一开始,但后来转移到隔离病房这可能是由很多原因造成的。例如,随着疫情加剧,有必要加强高危患者的防护措施;或病人联系外游客在治疗感染的风险,或病人隐瞒住进医院前的旅游信息。具体情况需要和实际情况分析了医务人员,不能只从日志来评判。
经典的算法被广泛认可和使用很长一段时间,和其有效性超出合理怀疑。因此,最优比对计算相比,两种算法需要一个接一个。如果所有的结果都是一样的,算法3可以被认为是有效的。否则,如果结果是不同的,有可能是这个算法被认为是无效的。
以来最优节点组成的一个序列对齐结果的形式(α2( ),(α1(ty),ty)),对应的日志模式过渡,α2( )相对应的活动吗 ,ty对应于流程模型转换α1(ty)是相对应的活动ty。因此,最优校准完成后,最优排列两种算法结果的比较一个接一个检查日志的活动模型和活动是否和过渡过程的模型是一样的。根据比较结果,这表明所有最优比对是相同的,这可以说明,在偏差检测算法是有效的。
5。结论
临床路径的偏差检测是一个重要的技术规范和研究诊断和治疗过程,并优化临床路径。Adriansyah等人所呈现的经典算法可以合成跟踪和过程模型,并广泛应用。与前面的前瞻性方法相比,它有了质的飞跃。然而,搜索空间的复杂性高,计算效率最优定位仍不满意。因此,本文提出了一种优化算法。
在这篇文章中,诊断和治疗日志预处理的诊断和治疗过程的特殊性。考虑到一致性逻辑是基于可图找到最短路径,即使不必要的转换仅略有降低,对准效率仍然可以大大提高。因此,本文使用同步组合模型进行定位计算,大大减少了校准时间。
最后,临床路径下的STEMI COVID-19为例进行实验分析。说明新提出的偏差检测方法具有更高的效率与传统的算法相比,可大大缩短偏差检测过程中消耗的时间。在未来的工作中,这种方法可以应用于在线偏差检测。网上偏差检测可以及时发现异常并提醒病人存在的偏差在当前完成诊断和治疗的过程。与此同时,它可以预测可能的后续偏差,为医务人员提供判断依据进行人工干预,以避免不良事件。网上偏差检测需要更高的效率,从而更好地反映新方法的优势。
数据可用性
使用的数据来支持本研究的发现是公开可用https://drive.google.com/file/d/1gkPRQXDNBzcAkoIcLdFLGMOGKluPhVdf/view?usp=sharing。
的利益冲突
作者宣称没有利益冲突。
确认
本研究支持部分由中国国家自然科学基金批准号。61973180和61973180下,部分大'shan学者山东省建设工程,在一定程度上由教育部人文社会科学研究青年基金项目批准号。20 yjczh159下的中国和21 yjczh150部分下的山东省自然科学基金批准号。ZR2019MF033, ZR2020MF033,部分和ZR2021MF117,山东重点研发项目(软科学)项目批准号下2020 rkb01177。