基于大数据的多指标手术质量评价及监控方法研究

The evaluation and monitoring methods in surgical quality have received much research attention in recent years. Previous studies focused on the use of one-dimensional index to evaluate the quality of surgery, and generally monitored the changes of quality in one scale under a fixed time interval, which may lead to incomplete and biased quality evaluation or monitoring. From the multi-index perspective, this project aims to derive holistic evaluation methods in assessing and monitoring surgical quality through monitoring its multi-scale changes under dynamic time periods. In this project, the complex dependent structure among multi-dimensional quality indices will be analyzed, which are employed to extract the information in surgical quality. The changes in mean value and variance will be monitored through some multivariate control charts, and the surgical quality on each time point will be modeled by using the survival analysis methods. To improve the accuracy of risk-adjustment, the model with the interaction effects will be constructed by using the high-dimensional selection method. Moreover, the distribution of estimation errors will be studied, and the dynamic control limits combined with self-starting will be adopted to reduce the bias in monitoring efficiency caused by estimation errors. In addition, the auxiliary data cleaning scheme and machine learning methods are planned to decrease the monitoring delay in practical surgical quality program. This project will further use the real surgical big data to verify and improve the proposed methods. In sum, the research output of this project will broaden the current surgical quality monitoring research, build a comprehensive theoretical framework relating to surgical quality monitor, and provide the applicable quantitative tools for surgical quality programs in practice.

手术质量的评价与监控方法是近年来的研究热点。已有研究侧重使用30天死亡风险单一维度指标来评价手术质量，对其在不同尺度（波动性）、不同时期范围的变化缺乏系统分析，以致手术质量的评价和监控不够全面、准确。本项目（1）以多维度复合指标为切入点，通过解析不同指标间复杂相关性以及手术质量在不同尺度、不同时期范围的变化，构建更为全面的多维度（死亡风险、感染风险等指标）、多尺度（均值和波动性）、具有动态时期范围的手术质量评价及监控方法体系；（2）通过提高风险调整模型精度、减小估计误差影响等手段，提高质量评价监控方法的准确性；（3）利用机器学习等方法降低数据延迟及其影响，并使用实际手术大数据对所提出的方法进行验证、改进，提高评价监控方法在实践中的可应用性。本课题的研究将拓宽现有评价监控方法的研究视角，建立更为合理全面的手术质量评价与监控体系，为医疗机构手术质量评价及监控提供切实可行的方法工具和决策参考。

传统的手术质量评价与监控方法侧重于单一的维度的30天死亡风险，缺乏在不同维度、不同尺度、不同时期范围的系统分析，使得这些方法未能全面、准确的反映手术风险变化，从而对医院管理产生误导作用。本项目从（1）多维度、多尺度、不同时点的动态手术质量评价监控体系；（2）手术质量评价监控方法的稳定性及准确性；（3）手术质量监控方法的应用性三个方面进行了为期四年的研究工作。从多标签集成学习的角度切入，提出了多维度风险评价及监控方法，并将之前只适用于单一30天死亡风险的多尺度监控方法拓展到其它类型数据，进一步建立了能反映动态时期风险的控制图方法。通过引入GBDT等机器学习方法，得到了更为精确的风险计算模型，并提出了限制能较小误差的动态阈值方法。与香港手术风险SOMIP合作，在动态采样、医院评价等方面进行了手术风险的应用型方法研究，提出了更为有效准确的采样监控方法和医院评价方法。此外，我们还在流感监控、癌症风险监控等其它领域进行了有益的探索，为以后的风险监控研究奠定了良好的前期基础。项目执行期间，共发表SCI论文19篇、CCF A类会议论文1篇，并获得发明专利授权1项，顺利完成了预期目标。通过本项目的研究，进一步完善了手术风险评价评价及监控领域的方法研究，为国家提高医疗质量、降低医疗风险、加强医院管理，提供了更为有效合理的方法工具和决策参考。