基于过程矿工的临床路径自适应识别与建模
机器学习
2025-12-04 v1
摘要
临床路径是一种 specialized 的医疗计划，模型化患者治疗程序。它们旨在提供基于准则的进度并标准化患者治疗，从而改善护理、减少资源使用并加快患者恢复。然而，基于临床指南和领域专家知识的手动建模困难，且可能不反映不同变体或疾病组合的实际最佳实践。我们提出一种两种阶段的建模方法，利用过程矿工扩展临床路径的知识库，通过一致性检查诊断实现。第一阶段收集给定疾病的历史数据以捕获治疗程序；第二阶段将新数据与参考模型比较以验证一致性。基于一致性检查结果，可扩展知识库，添加针对新变体或疾病组合的更具体模型。我们采用Synthea进行演示，该数据集模拟了针对SARS-CoV-2感染的患者治疗，包含不同COVID-19并发症。结果表明，该方法在保持arc-degree简单性（67.11%）的同时，使临床路径知识库扩展精度达到95.62%的 AUC。
引用
@article{arxiv.2512.03787,
title = {Adaptive Identification and Modeling of Clinical Pathways with Process Mining},
author = {Francesco Vitale and Nicola Mazzocca},
journal= {arXiv preprint arXiv:2512.03787},
year = {2025}
}
备注
Accepted to the 41st ACM/SIGAPP Symposium On Applied Computing (ACM SAC 2026)