DRGs运筹学原理和数据驱动的医疗编码研究课件.pptx

1、DRGs运运筹筹学原学原理理和数和数据据驱动驱动的的医疗医疗编编码研码研究究目标目标2工业工程思想为核心，采用量化分析方法，研究医疗系统中的问题提高医疗服务的安全，质安全，质量量，效，效用用，效，效率率和及时和及时性。性。卫生卫生医医疗系疗系统统工工程程运筹学模型系统仿真数据挖掘以上的结合方法方法 患者 医护人员 医疗机构 政策，医保要素要素医护专家在医疗领域受到专业训练医疗系统是一个复杂且要求极高的系统工程师在研究复杂系统方面受到专业训练医疗专家和工业/系统工程师之前在各自领域独立将工业/系统工程应用于医疗系统卫生医疗系统工程4 国务院卫生事业发展十二五规划(2012)优化优化医疗卫生机构布

2、局布局，加强加强医疗质量监管质量监管，通 过多种方式降低降低大病慢性病医疗费用费用 国务院促进大数据发展行动纲要(2015)建设覆盖医疗服务、医疗保障、药品供应、计划 生育公共卫生和综合管理业务的医疗健康管理和医疗健康管理和 服务大数据应用体服务大数据应用体系系。工程院和医学院 NAE and IOM(2005)建立一个更好的医疗服务系统：一个新的工建立一个更好的医疗服务系统：一个新的工程程 和医疗的合作伙伴和医疗的合作伙伴美国总统科学技术顾问委员会PCAST(2014)更好地医疗服务，更低的成本:采用系统工程采用系统工程 促使提升促使提升中国中国美国美国系统系统工工程程-国家国家层层面面号号

3、召召2016-10-25“健康中国健康中国2030”规划纲要规划纲要严格落实医疗保险基金预算管理，积极探索按疾病诊断相关分组付费（DRGs）2016-11-08 关于进一步推广深化医药卫生体制关于进一步推广深化医药卫生体制改改革经革经验验的若的若干干意意见见鼓励实行按疾病诊断相关分组付费（DRGs），），逐步将医保支付方式改革覆盖所有医疗机构和医疗服务2017-01-09“十三五十三五”深化医药卫生体制改革深化医药卫生体制改革规规划划2017年，开展DRG付费试点，到2020年，医保支付方式改革覆盖所有医疗机构和医疗服务，普遍实施多元复合式医保支付方式，按项目付费占比明显下降；鼓励实行按疾病诊

4、断相关分组付费（DRGs）方式；2017-04-25 深化医药卫生体制改革深化医药卫生体制改革2017年重年重点点工作工作任任务务国家选择部分地区开展按疾病诊断相关分组（DRGs）付费试点，鼓励其他地方积极探索2017-06-28 国务院办公厅关于进一步深化基本国务院办公厅关于进一步深化基本医医疗保疗保险险支付支付方方式改式改革革的指的指导导意意见见国家选择部分地区开展按疾病诊断相关分组（DRGs）付费试点2017-07-04 7部委关于做好国家卫生计生委和部委关于做好国家卫生计生委和国国家中家中医医药局药局属属管医管医院院参加参加属属地公地公立立医院医院综综合改合改革革有关有关工工作的作的通

5、通知知44家属管医院9月底前全部参加属地公立医院综合改革，开展DRGs试点，取消药品加成疾病疾病诊断相诊断相关关分分组组-国国家家层面层面号号召召历史和背景原理和案例5运筹运筹学原学原理理1967年，医院寻求质量和费用控制的工业方法(Medicare实施两年后)设计分析框架对医疗服务进行“测量”在某个层面，每个患者都是特殊的管理层面，更重要是找出相似性，用来评估和比较相对其它行业（如制造），有更多困难挑战从患者角度很难评估医疗服务价值和质量不会直接支付医疗服务费用信息和有效激励的缺失导致了在其它行业非常有效的市场力量被扭曲6历史历史和和背背景景DRG孕育而生本质是一种病案组合历史历史和和背背景

6、景7病案组合：解释医疗服务和花费的不同DRG的“相似”标准：临床过程，资源消耗强度9历史历史和和背背景景1852Florence Nightingale提出概念提出概念Martin Feldstein证明可用性证明可用性MGH开始实践开始实践Robert B.Fetter开发开发DRG1900s19651967Yale DRGsTrial：State of New JerseyCongress act：DRGs-PPS198319671970sDRGs Family WorldwideDRG分组原则和结构可管理的分组数量两个相似：临床和资源消耗应用后改善明显原理原理和和案案例例9AUTOGRP

7、系统功能：将MDC（主要疾病分类）细分为DRG（按疾病诊断分组）思想：最大化差异性的减少/最小化不可解释的差异性=1=1原理：min=()2.=+：第组中第位观察病例的因变量数据值（费用、住院时长等资源消耗 衡量指标）；：第组所有观察病例的因变量数据的平均值；：病例因变量的实际值与本组平均值之差。AUTOGRP系统中，观察病例的因变量值组内相近，组间差异大。10原理原理和和案案例例观察病例样本如下图所示，AUTOGRP实现过程如下：1.确定因变量（例如费用、住院时长等），自变量（例如年龄、诊断等）2.对于某个选定的自变量，将其分类（图中对应为1,2,3）；例如，手术这个变量，没有手术是一类，轻

8、微手术是一类，大手术是一类。3.12N=1将自变量X=X,X,X 的分类进行归组，只能归属于一组：?=1,2,3,for(1 ),where =()。例如，手术这个变量，将轻微手术X1和大手术X2归为一组，无手术X3是一类。12原理原理和和案案例例R2R1 R2观察病例样本如下图所示，AUTOGRP实现过程如下：分组是根据自变量X分组，而计算组间方差是对应因变量Y的值，例如费用或者住院时长。组间方差的公式是组中每个观察病例因变量的值与组平均值的离差的平方和。13原理原理和和案案例例R2R1 R2 4.计算每组因变量的组间方差：2=,1 ；=1 ()观察病例样本如下图所示，AUTOGRP实现过程

9、如下：原理原理和和案案例例R2R1 R25.计算总的组间方差值：2=;=1 =1 =()1+2总的组间方差值是各个组的组间方差值之和。13为什么选用（总的组间方差值）作为分类指标？对于一个给定的自变量，分类算法的目标是找到特定的分组，使得对 应的因变量的总组间方差最小。考虑到总的组间方差TWGSSQ与自变量无法解释的方差成比例，所以TWGSSQ的最小化导致数据不明原因的方差最小化不明原因的方差最小化。：总的组间方差值。14原理原理和和案案例例判断终端分组当某一分组并不足以保证另外的数据也这样分类时，例如，组中的观察数据量 小于某个阈值，就需要停止继续分组。100 医学可解释性决定了模型是否能被

10、医务工作者所理解，并基于专业知识论证结果的合理性，从而 在实际中推广应用33研究研究背景背景独热表示法&三种常见的医疗编码降维方式独热表示法维度与医疗编码个数相等（1万+），表示一个特定医疗编码时，仅有对应 维取值为1，其余维取值为0优点：可解释性强缺点：维度过高，容易造成预测模型过拟合相关相关研研究综究综述述34独热表示法&三种常见的医疗编码降维方式特征选择法从所有医学概念中选择出“重要”的概念进行表示成功应用于：医疗文本检索与分类、疾病表型预测等分类任务缺点：会造成大量患者的医学概念信息被抹除相关相关研研究综究综述述35独热表示法&三种常见的医疗编码降维方式特征聚合法将医学概念进行分组，将

11、属于同一组的医学概念看作完全相同，以往研究 及应用多从医学角度出发进行分组优点：可解释性强，结果贴近临床经验缺点：从医学角度看合理的分组结果，预测能力不能保证相关相关研研究综究综述述36独热表示法&三种常见的医疗编码降维方式医疗编码嵌入法利用自然语言处理领域的表示学习模型：词嵌入模型，将医学概念映射为低维连 续向量，多为无监督模型优点：预测能力强缺点：可解释性较差，向量每一维含义不清晰相关相关研研究综究综述述37研究课题及其相互关系39研究研究课课题：题：概述概述医疗编码分组ICD编码的树型分层结构可解释性预测能力提高预测能力词嵌入模型潜语义分析（Latent Semantic Analysi

12、s,LSA）,Skip-gram,CBOW将单词映射为低维连续向量语义相近的单词，欧式距离也相近从统计的角度判断语义是否相近训练需给定语料库，语料库由句子组成，句子提供单词所处上下文所处上下文相近的单词，语义相近39研究研究课课题：题：预预测测任任务务导导向向的的医医疗疗编编码码表表示学示学习习词嵌入模型应用于医疗编码表示学习潜语义分析（Latent Semantic Analysis,LSA）,Skip-gram,CBOW将医疗编码映射为低维连续向量语义相近的编码，欧式距离也相近从统计的角度判断语义是否相近训练需给定语料库，语料库由医疗语句组成，医疗语句提供医疗编码所处上下文所处上下文相近的

13、编码，语义相近研究关注：如何为医疗编码提供合理的上下文？医疗编码 医疗语句预测任务导向的电子病历聚合（Prediction Task Guided Health RecordAggregation,PTGHRA）40研究研究课课题：题：预预测测任任务务导导向向的的医医疗疗编编码码表表示学示学习习研究目标：利用词嵌入模型，生成对于特定任务具有强预测能力的 医疗编码向量预测任务指导医疗语句生成通过控制医疗编码所处上下文，影响词嵌入模型训练研究研究课课题：题：预预测测任任务务导导向向的的医医疗疗编编码码表表示学示学习习41与以往研究构建医疗语句方式的对比研究研究课课题题：预预测任测任务务导向导向的的

14、医疗医疗编编码表码表示示学学习习42PTGHRA 算法流程研究研究课课题题：预预测任测任务务导向导向的的医疗医疗编编码表码表示示学学习习43PTGHRA 预测表现（测试集上的2）基准方法研究研究课课题题：预预测任测任务务导向导向的的医疗医疗编编码表码表示示学学习习医疗编码嵌入法表现明 显优于独热表示法44PTGHRA 预测表现（测试集上的2）基准方法“等值”聚合标准下的PTGHRA研究研究课课题题：预预测任测任务务导向导向的的医疗医疗编编码表码表示示学学习习医疗编码嵌入法表现明显优于独热表示法PTGHRA表现明显优于基准方法45PTGHRA 预测表现“等间隔”&“等分位数”聚合标准下的PTGH

15、RA研究研究课课题题：预预测任测任务务导向导向的的医疗医疗编编码表码表示示学学习习46与其他非监督式医疗语句构建方法的对比不考虑病历间的相似性：复制法、随机聚合法考虑病历间的相似性：诊断聚合法、手术操作聚合法研究研究课课题题：预预测任测任务务导向导向的的医疗医疗编编码表码表示示学学习习47PTGHRA 带来的预测能力提升随数据规模的变化数据规模越小，提升效果越明显研究研究课课题题：预预测任测任务务导向导向的的医疗医疗编编码表码表示示学学习习48将预测模型融入医疗决策系统健康干预措施设计医疗资源配置优化临床决策支持探索预测能力更强的医疗编码表示方式基于多个导向任务的 算法应用于分类任务的 算法5

16、1总结总结：未来未来研研究展究展望望52参考参考文献文献Ding R,Jiang F,Xie J,et al.Algorithmic prediction of individual diseases J.International Journal of Production Research,2017,55(3):750-768.Powers C A,Meyer Cmroebuck M C,Vaziri B.Predictive modeling of total healthcare costs using pharmacy claims data:A comparison of alte

17、rnativeeconometric cost modeling techniques J.Medical Care,2005,43(11):1065-1072.Chen L,Zhang X,Xu X,et al.Mortality prediction of ICU patients using EDA-enhanced logistic model J.International Journal of Services Operations and Informatics,2012,7(2-3):182-196.Anderson D,Bjarnadttir M.When is an oun

18、ce of prevention worth a pound of cure?Identifying high-risk candidates for case managementJ.IIE Transactions on Healthcare Systems Engineering,2016,6(1):22-32.Davis D A,Chawla N V.Time to CARE:A collaborative engine for practical disease prediction J.Data Mining and Knowledge Discovery,2010,20(3):3

19、88-415.Yu S,Ma Y,Gronsbell J,et al.Enabling phenotypic big data with PheNorm J.Journal of the American Medical Informatics Association,2017,25(1):54-60.Bertsimas D,Bjarnadttir M V,Kane M A,et al.(2008).Algorithmic prediction of health-care costs J.Operations Research,56(6):13821392.Duncan I,Loginov

20、M,Ludkovski M.Testing alternative regression frameworks for predictive modeling of health care costs J.North AmericanActuarial Journal,2016,20(1):65-87.Xie Y,Schreier G,Hoy M,et al.(2016).Analyzing health insurance claims on different timescales to predict days in hospital J.Journal of Biomedical In

21、formatics,60:187196.Ho J C,Ghosh J,Sun J.Marble:High-throughput phenotyping from electronic health records via sparse nonnegative tensor factorization C.The 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.2014:115-124.Choi Y,Chiu C Y,Sontag D.Learning low-dimensional

22、representations of medical concepts C.AMIA Summits on Translational Science Proceedings.2016:41-50.Tran T,Nguyen T D,Phung D,et al.Learning vector representation of medical objects via EMR-driven nonnegative restricted Boltzmann machines(eNRBM)J.Journal of Biomedical Informatics 54(2015)96105.Yang K

23、,Li X,Liu H,et al.TaGiTeD:Predictive task guided tensor decomposition for representation learning from electronic health records C.The 31st AAAI Conference on Artificial Intelligence.2017:2824-2830.Rosenberg A,Hirschberg J.V-measure:A conditional entropy-based external cluster evaluation measure C.Joint Conference on Empirical Methodsin Natural Language Processing and Computational Natural Language Learning.2007:410-420.