基于统计α算法的临床路径过程挖掘

针对临床路径事件日志中存在的重名活动和噪音数据,提出集成重名活动判别的过程挖掘算法:统计α算法.给出一套完整的重名活动的判别规则,用于识别过程挖掘中的重名活动并进行相应预处理,有效地提高了过程挖掘的准确性;提出基于经典α算法改进的统计α算法,用于消除事件日志中各种噪音的影响.该算法在临床路径数据量较大的情形下,保证了结果准确率和运算效率.统计α算法在三甲医院的临床数据上得到成功应用,与经典α算法和遗传算法相比,该算法在效率和准确性上更具优越性.

基于统计α算法的过程挖掘

过程挖掘算法是从管理信息系统产生的事件日志中提取信息、发现知识并实现工作流建模的工具,也是目前工作流最主要的建模工具。然而现有的过程挖掘算法存在准确度较低、运行时间长和拟合度过高等问题,影响最终工作流模型的准确率。提出了一种基于统计α算法的过程挖掘算法,在保证算法较高的准确率和合适的拟合度的同时,降低算法运行时间,保证了算法的效率。首先,提出了重名活动识别算法,作为过程挖掘的预处理活动,提高了算法的准确性;其次,提出了统计α算法作为过程挖掘核心算法,有效消除了事件日志中噪声的影响;最后,提出了新的非自由选择结构识别算法,进一步提高了算法的鲁棒性和准确率。通过仿真实验和真实案例验证了该算法在准确率和运行时间上的优越性。

基于过程挖掘的临床路径Petri网建模

提出基于统计α算法的临床路径Petri网模型,将Petri网和基于统计α算法的过程挖掘算法集成,从事件日志中挖掘重要信息,获得完善的诊疗流程,并在此基础上建立Petri网模型,有效实现诊疗流程的优化和改进.通过仿真数据试验,验证了本文提出的统计α算法相较于经典α算法在准确度和运行时间上有着较大的优势.并将模型运用到临床路径真实数据上,证明了模型的有效性和准确性.