基于过程挖掘的慢性呼吸疾病临床路径发现与优化研究

《Computers in Biology and Medicine》：Clinical pathways discovery for long-term and chronic patients: A process mining approach

为解决慢性呼吸疾病日益增长的负担对全球医疗系统造成的压力，并优化其复杂的长期照护流程，研究人员利用过程挖掘技术，对2018至2022年间特定专科医院的临床数据进行了深入分析。研究成功揭示了慢性阻塞性肺病（COPD）等患者就医路径中的关键节点与异常行为，为优化资源配置、提升服务效率提供了数据驱动的决策支持，展现了过程挖掘在提升医疗管理效能方面的巨大潜力。

　　

在全球范围内，慢性呼吸系统疾病，如慢性阻塞性肺病（COPD）、肺炎、肺癌和肺纤维化，是导致发病和死亡的主要原因之一，给医疗系统带来了巨大压力。尤其在人口老龄化的背景下，这类疾病的长期管理变得异常复杂，医疗资源如何精准、高效地部署以应对不断增长的服务需求，成为了公共卫生领域亟待解决的难题。传统的医疗流程管理往往基于经验或理想模型，与患者真实、多变的诊疗轨迹存在差距，导致资源浪费和照护效率低下。因此，揭示并理解患者实际的临床路径，找到其中的瓶颈和异常环节，对于提升医疗服务质量、优化系统性能至关重要。

为了解决上述问题，研究人员在期刊《Computers in Biology and Medicine》上发表了一项研究，他们创新性地采用了过程挖掘这一数据驱动分析方法。该方法能够像“X光”一样透视医疗信息系统(HIS)中记录的海量事件数据，真实还原患者从入院、检查到出院、复诊的完整旅程。研究团队将目光聚焦于加拿大魁北克市一家专注于心肺疾病的专科医院——拉瓦尔大学魁北克心肺研究所（IUCPQ-UL），旨在为长期慢病患者绘制出精准的“就医地图”。

研究人员开展这项研究主要应用了几个关键技术方法：首先是过程挖掘技术，利用Fluxicon公司的Disco软件（采用Fuzzy Miner算法）对从医院获取的四大数据库（住院、急诊、门诊、医学影像）的事件日志进行分析。其次，他们定义了宏微观双层分析框架：在宏观层面，以患者的长期治疗为一个“案例”，将住院、急诊、门诊就诊等作为“活动”；在微观层面，以单次就诊（如一次住院）为一个“案例”，将其中的具体临床步骤（如入院、实验室检查、手术）作为“活动”。研究数据涵盖了2018年至2022年间共4714名被诊断为肺癌、COPD、肺纤维化和肺炎的患者记录。最后，通过与医学和管理领域专家进行多轮迭代咨询，对信息提取过程进行持续验证和精炼，确保分析结果的临床相关性和实用性。

研究结果

1. 数据概况与初步分析

研究分析了四大呼吸疾病患者从2018到2022年的就医事件。例如，COPD患者在此期间共发生了33,332次住院、5,141次急诊和31,075次门诊。初步分析揭示了不同临床路径对诊疗时长的影响。以COPD患者的急诊就诊为例，结束于住院的急诊比正常出院的急诊中位时长多6分钟，而至少有一次专科医生会诊的急诊，其中位时长则比所有急诊的中位时长（13小时12分钟）多出36分钟。这些细微差异被临床专家认为具有实际运营意义。

2. 宏观层面（Episode-Level）临床路径发现

过程挖掘清晰地可视化出患者在不同医疗场景间的流转模式。以COPD患者为例，生成的路径图显示：在有过门诊就诊的1835名患者中，高达37.2%的患者会不经过其他类型的就诊而直接进行下一次门诊，两次门诊的中位间隔时间为55.1天。更重要的是，研究发现了可能指示系统问题的异常行为。例如，对于肺癌患者，有9.18%的人在出院后平均仅27.3天就再次前往急诊；高达77.6%的患者在门诊就诊后平均15.2天就再次住院。医学专家指出，这些“非计划性再就诊”很可能源于初级保健（如全科医生）随访的缺失，揭示了初级与二级护理之间缺乏整合的系统性短板。

3. 微观层面（Activity-Level）临床路径与时效分析

在微观层面，研究深入剖析了单次就诊（如住院）内部各项活动的时序关系。研究为COPD患者的住院期定义了多个关键时间参数，如T₀（就诊开始到首次检查申请的时间）、T₁（检查申请到执行的时间）、T₂（执行到出结果的时间）等。通过分析像“床边肺部X光”（Lungs at the bedside）这类高频检查（占住院事件的42.13%），研究人员能够构建出包含时间动态的详细临床路径图。数据显示，该检查平均在每个住院事件中发生1.62次，T₁的中位时间仅为0.54小时，但T₂（出结果时间）的中位时间达到158.44小时（约6.6天），这提示结果回报环节可能存在延迟。这些精细化的时间度量为了解诊疗流程的内部效率提供了宝贵信息。

4. 数据质量对研究的影响

研究结果显著受到数据质量的制约。在四种疾病中，仅COPD的数据在数量和质量上足够支撑可靠的宏微观分析。对于肺癌、肺炎和肺纤维化，由于关键检查信息和时间数据的缺失，活动层面的分析可靠性不足，甚至宏观层面的路径也因样本量小而可能存在偏差。这突出表明，高质量、完整的数据收集是实现有效过程挖掘和分析的前提。

研究结论与讨论

本研究证实，过程挖掘是发现和优化临床路径、识别医疗系统低效环节的强大工具。通过应用于真实世界的医院数据，它不仅绘制了慢性呼吸疾病患者真实的“经验性路径”，更重要的是，它揭示了诸如门诊与住院之间不当的快速转换等异常模式，这些模式指向了医疗保健服务连续性方面的深层次问题——特别是初级与二级护理之间衔接的断裂。这为医院管理者优化资源部署、改善服务配置提供了直接的、数据驱动的洞察。

然而，研究的局限性也十分明显，其发现高度依赖于数据质量。COPD的分析之所以能得出有力结论，得益于相对 robust 的数据集；而其他疾病因数据不足，结论需谨慎看待。这强调了医疗机构改进数据收集实践的必要性。当数据质量无法在短期内提升时，调整分析的颗粒度（granularity）以匹配数据现状，是一种务实的妥协。

总之，这项研究展示了过程挖掘在提升医疗运营效率方面的切实价值。面对人口老龄化和慢性病负担加重的未来，此类数据驱动的方法对于构建更高效、更具韧性且以患者为中心的医疗系统至关重要。未来的研究需要在更广泛、更多样的数据集上进行验证，并进一步探索如COVID-19大流行等重大事件对临床路径的长期影响。