基于EasyEnsemble和C5.0决策树算法的患者非医嘱离院预测研究

中国卫生统计 ２０１８年 ８月第 ３５卷第和 Ｃ５．Ｏ决策 树 算 法 的 患者 非 医嘱 离 院预 测 研 究
李 杰 张 睿 芮 晨 ， 王欣 然
【提 要】 目的 在 Ｃ５．０决策树算法 的基础 上 ，结合处 理不 平衡样 本集 的 ＥａｓｙＥｎｓｅｍｂｌｅ思想 ，建立 患者非 医嘱离 院预测模 型 ，有效识别非 医嘱离 院倾 向患者 。方法 基于 ＥａｓｙＥｎｓｅｍｂｌｅ思想 ，通过 Ｂｏｏｔｓｔｒａｐ采样方法 抽取多数 类样本子 集组建多个新 的均衡数 据样 本集 ，运 用 Ｃ５．０决 策树 算法 并结 合交叉 验证 方法 与代 价 矩 阵，训 练 多个基 分类 器 ，最 后经 Ｂａｇｇｉｎｇ算法集成 ，得到最终预测模型 。结 果 在 ｌＯ组测试集下平 均总分类准确率 、平 均平 衡准 确率 、少 数类别样 本平均 召回率 和平 均 ＡＵＣ值分别达到 ７４．２７％ 、８２．３４％、９１．７０％ 、８６．２１％。结论 基于 ＥａｓｙＥｎｓｅｍｂｌｅ和 Ｃ５．０决策树算法 的患 者非 医嘱离 院预测模 型有较 好较稳定的识别性能 ，为医院提升 医疗质量 和服务水平 ，降低非 医嘱离院率提供 了有力依据 。
Ｃ５．０算 法 是 在 Ｃ４．５的基 础 上 结 合 误 判 成 本 矩 阵和 Ｂｏｏｓｔｉｎｇ等先进 技术 的一 种 复杂度 更 低 的决策 树 分 类算 法 。它 进 一 步 提 高 了决 策 树 对 样 本 的 识 别 率 ，可同时处理数值型数据和非数值型数据 ，作为个体 学习器有较好 的性能表现 ，非常适合医疗 领域数据统 计分析 Ｊ，但其在不平衡训练集 中识别少数类别样本 能力 较差 ，因此需 要借 助 ＥａｓｙＥｎｓｅｍｂｌｅ思 想 对 不平 衡 训 练 集进 行平 衡化 处理 。ＥａｓｙＥｎｓｅｍｂｌｅ思想 是指 通过 不 断从 多数类 中抽 取 样 本 ，使 每 个 模 型 中 各类 样 本 数 量相 同 ，最后集 成所 有模 型 ，从 而较好 地处 理 不平衡 数 据下 分类 器 的识 别 率 偏 向于 多 数 类 别 样 本 的 这 一 问 题 。
【关键 词 】 非医 嘱离 院 ＥａｓｙＥｎｓｅｍｂｌｅ Ｃ５．０ 数据挖掘
非 医嘱离 院率是 重 要 的 医疗 统 计 指 标 之 一 ，能 客 观地 衡 量 医 疗 质 量 和 服 务 水 平 ｊ。非 医 嘱 离 院是 指 患者 的病 情需 要 继续 住 院 进 行 治疗 ，但 患 者 自身或 者 其家 属 由于个 人 原 因没 有 按 照 医 嘱要 求 而 自行 出 院。 非医嘱离院使本应得到治疗 的患者没有得到相应的救 治 ，可能 导致 病情 加剧 。对 于 医院来 说 ，过多 非 医嘱离 院不 利 于 医院 医疗活 动 的正 常 开展 ，降低 医 院 自身 的 社会 效 益和 经济 效 益 Ｊ。 因此 ，亟 需 科 学 分 析 非 医 嘱离院倾 向患者 特征并有效识别非 医嘱离院倾 向患 者 ，从而帮助医院提前开展针对性工作 ，降低非医嘱离 院率 。
基金项 目：国家社科基金后 期资助项 目（１６ＦＧＬ０１４）；河 北省 自然科 学 基 金 项 目 （Ｇ２０１４２０２１４８） １．河北工业大学经济管理学院信息管理 与信息 系统系（３００４０１） ２．河 北 省 沧 州 市 中 心 医 院 △通信作者 ：李杰 ，Ｅ—ｍａｉｌ：ｌｊｒｓｃｈ＠１２６．ｃｏｍ
倾 向患 者能 更好 地被 识别 出来 。
资 料 和方 法
１．资 料来 源 在某 医院数 据 库 中检 索 ２０１５年 １月 至 ２０１７年 ６ 月 间离 院方 式 不 为 空值 的 １０６４５７例 出院 患 者 的 完 整 数 据 。其 中 ，非 医 嘱离 院数 据 量 和 医 嘱离 院数 据 量 比 例低 于 １：１０，数 据 具 有 不 平 衡 的特 征 。根 据 需 要 ，提 取 出 １３个 有 效 字 段 ，用 于模 型训 练 和 测试 。前 １２个 字段分别为付款方式 、性别 、年龄 、婚姻 、职业 、民族 、人 院途径 、入院科别、住 院天数 、主要诊断病况分类号 、患 者转 归 、手 术 级 别 ，最 后 一 个 字 段 为 是 否 为 非 医 嘱 离 院。将 数据 进行 离散 化 处 理 ，除住 院天 数 字 段 设 置 为 连续 型 变 量 外 ，其 余 字 段 均 设 置 为 类 别 变 量 ，并 用 １０ 折交 叉 验证 法将 整个 数 据 集 划 分 为 １０组 训 练 集 和 测 试集 。 ２．患 者非 医 嘱离 院预测 模 型建立 患 者非 医嘱离 院预测 模型 建立 的主要 步骤 为 ： （１）将 训 练集 Ｄ （ ＝１，２，…，１Ｏ）划 分 为正 例 样 本 集 和负 例样 本集 一，其 中正 例 样 本 集对 应 医嘱 离 院 ， 为数 据 中的多数 类 ，负例 样本 集对 应非 医 嘱离 院 ，为 数 据 中的少数 类 ；（２）基 于 ＥａｓｙＥｎｓｅｍｂｌｅ思 想 对 正 例 样 本集 应 用 Ｂｏｏｔｓｔｒａｐ法 进 行 ｌ０次欠 采 样 ，即最 终 得 到 １Ｏ个正例样本子集 （Ｋ＝１，２，…，１０），其 中正例样 本 子集 和负 例样 本集 Ｓ一中的样 本 数量 相 同 ，将 １０ 个 正例 样本 子集 分 别 与 负例 样 本 集 进 行 组 合 ，从 而 得 到 １０个 训 练子集 ｕ 一（Ｋ＝１，２，… ，１Ｏ）；（３）基 于 １０折 交叉 验证 法思 想 ，将 ｌＯ个训 练 子 集 ｕ 一分 别 划 分 为 １Ｏ个 大小 相 似 的互斥 子 集 （ ｕ 一） （ｋ＝１， ２，…， ；ｆ－１，２，…，１Ｏ），并使 每个子集尽可能保持数 据 分 布 的一致 性 ；（４）对 于第 ｋ个 子 训 练 集 ｕ 一， 每次用 其 中 ９个 子 集 （ ｕ Ｓ一） （ｉ＝１，２，… ，１Ｏ）的并 集作为训练集 ，剩余 １个子集作为验证集 ，用 Ｃ５．０决
在 现实离 院方 式 数 据 中 ，非 医 嘱 离 院 数据 量 通 常 与医嘱离院数据量有较大差距。因此 ，本文借助 Ｅａｓｙ— Ｅｎｓｅｍｂｌｅ思 想 ，通 过抽 取 多数 类 别 样 本 子集 组 建 多个 新 的均衡 训 练 集 训 练 出多 个 Ｃ５．０分 类 器 ，然 后 借 助 Ｂａｇｇｉｎｇ算法 集 成 最 终 分 类 结 果 ，从 而 使 非 医 嘱 离 院