1.引言
　　随着我国医院信息化的逐步深入，大部分三级医院及部分先行的二级医院，已基本完成第一轮医院信息系统建设，信息化先进的医院已进入临床信息系统阶段。在已实施医院信息系统的医院中，尽管有许多医院的信息化的程度达到较高的水平，但是如何对医院信息系统中的数据进行合理开发和利用，使之成为医院管理决策的数据基础，是信息化医院面临的重要课题之一。而作为信息化管理的重要手段——数据挖掘技术在已经在金融，电信，制造等行业得到广泛应用，并且对这些行业的发展起到了重要的促进作用。
　　临床路径是包容了质量保证、循证医学药学护理学以及质量促进的先进管理思想和方法，是具有可计量性、标准化的临床诊疗规范。临床路径的实施，可以在有限的卫生资源的条件下，通过规范诊疗过程、标准化诊疗行为，达到改善医疗质量、提高医疗效率、增进医疗效益的目的。因此结合数据挖掘的方式对医院信息系统的数据进行分析，可以制定出符合诊疗规范的临床路径。
　　2.数据挖掘的理论
　　数据挖掘(Data Mining)，就是从海量数据中获取有用的、新颖的、具有潜在作用的知识的过程，简单的说，数据挖掘就是从海量数据中提取或“挖掘”知识。简单地说，数据挖掘是从大量数据中提取或“挖掘”出有用的知识[1]。利用数据挖掘技术进行数据分析，可以发现重要的数据模式，对商务决策、科学管理、医学研究产生巨大的促进作用。因此数据挖掘主要流行于统计界、数据分析、数据库和管理信息系统界。
　　3.数据挖掘的方法
　　3.1 关联规则：关联规则是在大量数据中发现各项之间有趣的关联或相关联系。它表示数据库中数据对象之间某种关联关系的规则，这些规则展示属性值频繁的在给定数据集中一起出现的条件。
　　3.2 聚类：聚类是按照事物的某些属性，把事物归聚成类，使类间的差异性尽量大，而类内的相似性尽量大。聚类方法包括统计方法、机器学习方法、神经网络方法和面向数据库的方法。在统计方法中, 聚类称聚类分析, 它主要研究基于几何距离的聚类。传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。
　　3.3 决策树：决策树是一种结构简单、搜索效率高的分类器。这类方法以信息论为基础，对大量的实例选择重要的特征建立决策树，可以用于分析与预测。决策树方法利用信息增益来寻找数据库中具有最大信息量的字段，建立决策树的一个节点，再根据字段的不同取值建立决策树分支[2]。最后，针对每个分支子集，重复建立决策树的下层节点和分支过程。
　　3.4 神经网络：神经网络是模拟人脑的结构以及对信息的记忆和处理功能，擅长从输入输出数据中学习有用的知识[3]。它具有通过学习获取知识并解决问题的能力，且知识是分布存储在连接权中，而不是像常规计算机那样按地址存在特定的存储单元中。
　　3.5 支持向量机：统计学习理论是支持向量机(support vector machine, SVM)的坚实的数理论基础[4] 。SVM 对数据库中模式分类的准确率一般要高于神经网络，它已成为近年来学习机器领域研究的一个热点[5]。
　　3.6 统计学方法：在数据库的各个字段之间存在着一定的函数关系和相关关系，统计学方法一般是对样本采用多种数学计算，在样本数量趋于无穷时能得到更好的结论。常用的方法有回归分析、相关分析和主成份分析等[6]。
　　除此之外，还有粗糙集方法、贝叶斯网络、最邻近技术、可视化技术、基于范例的推理、进化和遗传算法等。
　　4.数据挖掘技术在医疗临床路径中的应用
　　目前医学的发展已经由经验医学、实验医学转向目前以证据为基础的循证医学，由于医学数据具有数据量大，客观性、实验性等特点。虽然数据挖掘技术在医疗行业中的应用刚刚起步，但是数据挖掘技术必将在此医疗行业中起到越来越大的的作用。
　　4.1 在临床路径分析中的应用
　　临床路径作为提升医疗质量、控制医疗成本、优化医疗服务流程的管理工具，在国内外的医院管理中得到了广泛的应用[7]。利用数据挖掘技术既可以对正常人的各项体征及生物数据与病人的数据进行各种分析对比，找出其中特征关系，如：某些疾病的前兆特征分析，多种疾病之间的并发关系等。也可以利用了数据挖掘技术中的粗糙集理论，对已确诊病例资料数据库进行数据分析, 建立骨肿瘤与患者临床表现之间的推理关系[8]。因此根据病种的特点结合信息系统中收集的病人临床表现，可以制定出不同的临床路径内容，并将主要的医疗服务和护理措施，按病种治疗过程中应有的进度，加以组织起来并编制成规范的流程。
　　目前也有不少对癌症预后和生存期进行的分析研究。例如采用基于范例的推理对肺癌病人的治疗方案进行挖掘分析，得出肺癌病人个体化的最佳治疗方案[9]；利用一千多例肺癌病人的随访资料，探讨支持向量机算法在肺癌病人生存期预测中的应用；Y. J.Lee, 等人利用Smooth 支持向量机算法对乳腺癌病人的生存期进行的分类研究，发现化学疗法对生存期的影响规律[10]。建立在数据挖掘基础上的临床路径，能更为科学的确定临床路径，在动态、有效预测病情发展的基础上，合理确定医疗及护理计划，减少医护人员的工作量，确保高效临床路径的建立。
　　4.2 在疾病辅助诊断中的应用
　　目前应用的一些医疗专家系统主要是根据信息系统中已有的专家经验，输入病人的症状与检验检查结果，给出病人的疾病诊断，供医学参考。其中的专家经验只是少数专家，多年来的临床经验的总结，其推理规则和结论是预设好的，系统诊断具有一定的局限性，缺乏客观性和普遍性。数据挖掘技术可以利用累积起来的大量历史数据，挖掘出有价值的知识和具有普遍性的诊断结论，所以它的诊断结论的客观性和不带人为的主观的特性，而且数据挖掘技术还使得系统具有自学习的功能。例如数据挖掘技术在建立新型中医诊断系统中的运用研究[11]；利用支持向量机分类器应用于心脏病诊断[12]；采用多层感知器网络、决策树以及规则提取从大脑胶质瘤病例中获取胶质瘤恶性程度的术前诊断知识，平均准确率超过了80% [13]；利用关联规则找出头部创伤患者做CT检查的适应症等研究都取得了较好的效果[14]。
　　4.3 单病种收费分析
　　临床路径和单病种收费是患者在医院就诊过程中，规范诊疗与合理收费的两个方面，两者既相互影响，同时也相互统一。单病种收费作为卫生部大力推广的措施，有效的抑制了医疗费用的过快增长。但是其中的主要指标：平均住院日、平均住院费用是我国医院管理体系的重要指标，这些指标都是在手工管理时代形成的，对短期的“一次住院”治疗的疾病是行之有效的；但由于疾病的持续性，在医疗上往往涉及多学科、多环节综合治疗，因此很难定义 “一次住院”治疗。由于我们在医院信息系统中，可以按照诊疗环节进行分类，确定相应的指标，如：病种诊断的费用和天数，手术的费用和天数，放化疗的费用和天数等，然后使用数据挖掘技术进行分析，就能真实地反映了单病种中医疗资源的消耗，并且在病人之间、医生之间、医院科室之间和各医院之间都可进行有意义的比较。由于上述指标与人为因素无关，而通过使用数据挖掘技术，对医院信息系统的海量进行数据分析，确定病种在各个诊疗环节中的费用，为不同医疗机构对于相同病种的治疗过程提供比较的客观和标准的依据。有了各个诊疗环节的平均值、分布曲线、正常值的范围，就可以很容易地发现或回顾分析各种异常数据，监测并防止不合理的医疗行为的发生。结合“临床路径管理”，确定“单病种限价”，能够使医院治疗行为更加规范化，收费行为更加合理化[15]。
　　5.结束语
　　临床路径的制定，从临床医学的角度来看，是一个非常复杂、困难和充满争议的问题，因此结合数据挖掘的方式进行分析，有利于病种质量、诊疗行为规范以及费用控制，可以制定出符合诊疗规范的临床路径。针对医疗行业的数据挖掘是临床医学与数据库技术、信息技术、人工智能、统计学等相结合的产物。目前数据挖掘技术在我国医疗及临床上的应用还是处于探索与起步阶段，虽然已取得了一定的应用，但是由于医疗行业的特殊性与复杂性，数据挖掘技术在医疗行业所起的作用远不如金融，电信，制造等行业所起的作用。因此还需要充分利用数据挖掘技术中，关联规则,聚类,决策树,神经网络,支持向量机,统计学方法等算法的各自优势，提高医疗数据挖掘的准确性和高效性。
　　总之为了实现医院的科学化、信息化、数字化的管理，还需要提高对医疗数据的分析和预测的能力，从医疗数据中“挖掘”出更多有价值的信息，为医院的科学决策提供更多信息化的技术支持。