模糊神经网络的临床路径优化决策研究

针对医疗信息的复杂性及模糊不确定性,对信息化医疗数据进行综合分析,采用模糊C均值算法进行迭代运算,获得最终模糊聚类结果。在此基础上建立模糊神经网络T-S模型对聚类结果进行训练,达到自适应学习的目的。采用Matlab进行模拟仿真,实验结果表明该模型具有较强的泛化性、自适应学习能力,实际输出与预测输出误差较小,能持续优化临床路径,并快速为患者选择最优治疗方案。

基于模糊聚类分析的临床路径决策研究

目前以结构化电子病历(Electronic Medical Record,EMR)为平台的临床路径(Clinical Pathway,CP)正向智能化和知识化发展,其核心价值是以提取电子病历中有效的临床信息及隐含诊疗模式,偱证医学证据,辅助医师为患者选择最优治疗方案。针对医疗信息的复杂性和不确定性,提出模糊聚类分析方法对信息化医疗数据进行综合处理分析。首先采用减法聚类产生初始聚类中心,再进行模糊C均值聚类算法,以实现模糊C均值聚类过程中的聚类中心,聚类类别数自动设定,以及数据的自适应聚类,避免模糊C均值算法在迭代过程中陷入局部最优解,并采用MATLAB编程进行仿真。实验结果表明改进的聚类算法决策效果显著,能够满足信息化的临床路径决策要求,具有重要的理论价值与实际应用价值。