igraph 算网络指标_网络科学能揭示复杂医疗保健系统的结构吗?使用急诊外科服务的数据进行网络分析...

论文标题：Can network science reveal structure in a complex healthcare system? A network analysis using data from emergency surgical services

期刊：BMJ Open

作者：Katharina Kohler、Ari Ercole

发表时间：2020年2月9日

一、Introduction

1、研究背景：医院是一个复杂的系统，优化服务功能对于提高医疗服务质量和成本效率的至关重要。急诊外科入院是医院医疗服务压力的重要来源，因为急诊外科入院患者是高资源消耗群体，需要密集的干预和多专家合作。只有当住院病人的流动和出院尽可能的高效和及时时，才能调节入院压力，这可能会对事故和紧急情况(A&E)的表现产生连锁反应。因为手术取消和等待时间的增加，医院紧急需求的增加影响了择期服务。

2、研究问题：到目前为止，医院服务改进项目和指标轻重单点干预，而不是整个系统的性能。但是，医院及其内部的服务被认为是“复杂系统”。没有对复杂系统功能进行综合理解的前提下对各个模块进行干预是不建议的，可能会导致反直觉的结果，而对医院功能的整体衡量有助于设计更有效的服务流程。

3、研究目的：评估能否将网络分析的方法应用于医院患者路径分析，特别是急诊外科入院，并深入了解医院服务中的特征和不足。 研究根据综合电子病历（EHR）的患者转运数据构建急诊手术服务的网络表示，以全面了解急诊外科入院出院的实际框架，从而确定服务结构中的重要枢纽和瓶颈。

二、Methods

1、Data数据

使用完全匿名的方式从剑桥大学医院NHS基金会信托（一家三级护理医院）的EHR数据库中收集患者位置数据。选取时间从2015年1月至2018年7月，共3.5年所有非计划住院病人的数据，其中包括外科服务。形成包括成年患者和儿童患的超过16500个患者的数据集。在成人患者中，最常接受手术的科室是创伤科(23.5%)、普外科(13.7%)和神经外科(9.3%)。除了这些外科入院专科外，相当一部分(约21%的患者)是在内科专科住院，但随后在住院期间需要进行外科手术。

从入院到出院，病人的转运数据包括每次住院的日期和时间，还包括住院病人的位置，如CT扫描和其他科室的住院访问。我们使用位置和患者移动数据开发网络模型，每位置转移代表资源的使用和被认为是基于医学必要的决策，例如如CT室和回病房说明需要使用检查扫描和使用资源,如需要搬运工、病房人员和临床人员完成服务。

2、Model模型

2.1 Network terminology and variables 网络术语和变量

系统可以用节点和连边组成的网络表示。 节点表示系统的元素，连边代表节点之间的交互或连接。连边可以是无向也可以是有向。一个节点与其他节点的连接的数量称为该节点的度数。 对于有向网络，也可以通过计算节点内外的连接数来计算入度和出度。 此外，可以通过连接的强度对连边进行加权，以显示两个节点之间的流量。权重和度的乘积称为连边的强度。

节点的度数分布。如果网络是随机连接的，则度数分布为泊松分布； 但是在大多数现实网络中，度分布是对数正态或幂律分布。表现出幂律分布的网络，有许多节点的度数较小，而分布的“尾部”较长，其中一些节点的度较大（枢纽）。 这样的网络称为无标度网络，具有鲁棒性，能够抵抗随机节点故障。 这是因为随机选择的节点很可能具有较低的度，因此将其从网络中移除的影响最小。 但是，枢纽的存在使无标度网络容易受到针对性攻击。

然后也可以计算网络的统计属性，包括局部和全局集聚系数(节点邻居相连的程度),介中心性(识别具有许多最短路径的节点，这些路径对系统的整体功能很重要),流层次(流指向的程度)，互易性(两个节点之间存在双向传输的部分)和协调性，分类性（节点连接到度相似的节点的趋势)

此外，结合聚类系数C和最短路径长度L，可以用来评估网络的小世界特征。小世界网络是一种具有高集聚系数和社团形成，节点之间平均路径短和具有大量的枢纽，节点连接多等特性的网络。

2.2 Network construction 网络构建

使用时间戳来重构每个患者的旅程，然后将其用于构建网络。 将患者位置分配给节点，然后将患者转移设为连边。 使用python，networkx，igraph和cytoscape从EHR中提取数据，清理数据并构建网络模型。

作者构造了无权网络和加权网络，其中加权是反映两个节点之间流量传输频率。由于一些特定的病房可以改变其名称(如从一个专科到另一个专科)，或者在不改变基础服务的情况下被重新定位或关闭，因此通过将聚集的物理位置替换为医疗类别(如急性内科病房)，创建分类网络。计算了网络的度分布、强度分布、流量层次、全局聚类和小世界等特征。同样，使用上述措施，加权和未加权的度，聚类系数和介中心性分析了各个节点的属性。

三、Results 结果

1、Overall network and degree distribution整体网络和度分布

清理后的数据集包括16500个患者和230000次患者转运记录。图2展示了通过意外和急诊收治的所有患者转运的“非分类”网络。病房和服务按区域分类，以更好地说明救治这些病人所涉及的各种服务。急诊外科服务的整体网络显示了不同病房和医院服务之间紧密的联系。特别紧密相连的区域(如手术室或放射科)通常基于介数中心性具有高度的整体网络重要性。然而，有一些地区(如医疗病房)紧密联系，但在结构上并不那么重要。

图2：紧急手术入院的非分类网络。 显示的转移网络按临床护理类别分组。 节点以中间性为中心着色。 节点被布置成代表从A＆E入院（左侧）到出院（右侧）的患者旅程。左下角是医疗病房，右下角是外科病房，上层是检查检验科室，中层是重症医学科和手术室，右上方是儿科服务。

图3显示网络的度分布。使用了Clauset等人的方法来研究最适合尾部的分布。使用自举方法生成的幂律配合，以确定最有代表性的尾部分布P(k)= k-γ，幂律分布标注为红色。我们发现γ= 6.18（95％CI：6.14至6.26），原假设的p值为0.46，这意味着幂律分布是合适的。

图3：度分布。病房网络的度数分布（作为对数-对数图）。该分布在右尾展现数幂律行为。幂律分布（通过包oweRlaw获得）以红色显示，且γ为6.1。

分类网络显示在图4。急诊室与放射线或CT扫描室之间存在某些最紧密的联系，这说明需要对患者入院进行初步检查。其他强大的联系更令人惊讶。从急诊室到普通病房的连接以及从这些病房到出院的连接的存在表明，我们的患者队列在术前和术后都参加了病房。介中心的度量表明手术室、全科医学病房和神经外科病房对系统整体功能的重要性。

图4：分类网络。显示的转移网络按护理区域分组。在这里，节点是类别而不是物理位置，如图2通过介中性进行着色-介中性较高的颜色以较深的颜色显示，并按整体的度确定大小。

我们发现我们的非分类网络和分类网络都具有较高的互惠性（分别为r~0.9和r~0:8）。这意味着大多数路径都在两个方向上都存在，并且从一个区域到另一个区域的转移通常会被相反方向的转移（不一定是同一位患者）所抵消。这种平衡反映了运营需要填补所有床位和空间，以适应服务中的高需求。

2、度分布

非分类网络进度和出度平衡显示在图5。大多数病房位于零线附近或接近零线，表明他们从类似的地方接收病人并将他们送往类似的地方。但是，有些区域是所谓的分发者（红色）或接收者（蓝色）。临床决策部门是一个短期住院病房，在入院后不久便接待患者，是一个“分销商”，因为它会将患者送往各种各样的地点。神经外科手术室作为“接收者”异常值的出现是出乎意料的。可以用神经外科服务的专业性质来解释，这意味着患者倾向于转移到一组有限的病房进行术后护理，但是由于床压的原因，他们可能需要在一系列环境中进行术前护理。

图5：节点的网络连接。这显示了我们的病房系统的入度和出度，净连通性与总体度k的未加权差异。送出 的病房（例如A＆E）位于图表的下半部分（红色标签），接收的病房位于上部（蓝色标签）。大多数病房传输平衡。

3、权重

图6展示节点权重s（加权度）和度之间的关系。图的A部分显示了分类网络的权重与度数k的关系。选择标记节点的原因要么是流量显著增加(强度s表示)，要么是连接度（度）显著降低。

图6：流量和连通性之间的关系。该图探讨了病房分类系统的强度（加权度）与度的关系。强度与度的总体分布，其中标记的节点相对于其度-强度关系而言是离群值，其流量明显高于其连接性所预期的范围，或者流量明显低于其连接性。如果度不相关，该图还以红色显示强度和度之间的关系。

在权重与度之间没有相关性的情况下，节点的强度应与其度成正比：s〜k（图6中红色线所示），但此分布不能很好地拟合数据，尤其是在度较低时。内嵌图B显示强度与度的对数-对数分布，有红色不相关线以及s〜

的幂律拟合（紫色虚线）。幂律与β= 2.1的拟合度更好，表明节点的强度增长明显快于度，并且更高的连接性病房经历的流量成比例增加。

4、分类性

度量节点的邻居在度上的相似度的分类性a介于-1和1之间。发现系统对于未分类的和分类的网络分别具有a = −0.20和a = −0.12的分类系数。 在图7中可以看到分选效果，图7显示了最近邻居的平均度

， 最佳线性拟合的度用红色表示。 这意味着平均而言，度高的节点连接到度较低的节点，而不平均连接到其他度较高的节点。因此，如果其中一个高度连接的节点发生故障，则网络面临较高的断开连接的风险。

图7：分类性。未分类网络的加权最近邻近节点度Knn与度k的分布图。它显示了较高度节点连接到较低度节点的网络的分离行为。最佳线性拟合用红色覆盖。

5、介中心性

图8显示介中心性与度之间有很强的相关性。相关性显示为二次拟合，这是无标度网络中普遍存在的特征，其中较大度数的节点具有不成比例的较大介中心性。与上面类似，此关联中的离群值用红色或蓝色标记，其中红色表示区域中的节点组具有高于预期的介中心性，因此被认为对系统功能至关重要。

图8：介中心性。介中心性与未加权度的分布。该关系由度数的二次方程式拟合，这在随机网络中很常见。

我们可以看到，强度-度关系（图6）和介中心性（图8）突现了一组相似的节点，这在具有高互惠性的网络中很常见。这些节点连接良好，位于中心，并且流量较高。具体而言，放射学（XR）、手术室、神经重症监护（NCCU）、全科医学和神经外科病房的示例表明，与它们的连通性相比，这些病房有不成比例的更高的介中心性。因此，它们对网络的总体结构比其连接性可能更重要。另一方面，外科专科病房和急诊病房与它们的连通性相比介中心性更低。

我们将度在前20％内的区域指定为枢纽，将度在前20％以内的区域指定为瓶颈。形成了一组既是枢纽又是瓶颈的病房（枢纽瓶颈）：全科医学病房、手术室、神经外科病房，一组是枢纽但不是瓶颈的病房（枢纽非瓶颈）：急性医学病房、门诊部、专科外科病房和高依赖性病房（HDU），以及非枢纽瓶颈病房：放射科和NCCU。

6、无标度和小世界网络

除了分析各个节点的属性外，还使用上述计算对网络进行了整体分类。使用Telesford 等和Humphries and Gurney建立的参数σ和ω，分析急诊外科服务网络相比具有相同属性和规模的随机连接网络是否具有小世界属性。这两个参数表明，原始的非分类网络和分类网络都显示出清晰的小世界属性。分类网络的σ为0.99，其中σ的范围为0到1，其值接近1表示一个小世界网络。另外，ω的值为0.0053，其中范围是从-1到1，其中接近0的值表示小世界网络，接近-1的值表示晶格网络，接近1的值是纯随机网络。未分类网络类似地具有σ= 0.99和ω= 0.0022，再次反映了其具有小世界网络的结构。

但是，由于较高的γ，与其他真实网络相比具有较高度的节点的下降更快，而网络的γ往往在2和4之间，因此有必要将其反映为a的指数截断幂律。因此，所研究系统属于小世界，在无标度网络范畴。

四、讨论

研究证明急诊外科服务系统是一个复杂且紧密连接的网络，这样的连接对系统行为以及应变能力至关重要。系统的σ和ω值以及γ> 3的值（尽管该值大于其他现实世界网络的典型值）说明系统具有小世界特征，具有较强的鲁棒性，能够抵御攻击的侵害。然而，也发现分散的结构，意味着存在节点层次结构，其中非枢纽优先连接到枢纽。这样的网络结构高度依赖它们的枢纽，从网络中移除枢纽将会对系统的运行产生重大影响，并且不容易用现有的连接替换。

确定枢纽，从而确定系统的潜在瓶颈，对确定在何处增加容量以保持系统平稳运行具有重要意义。将这些信息与流量异常的区域相结合，可以确定抗衡性差的区域，例如外科专科病房、手术室、神经外科和全科医学病房以及放射科。一个区域的瘫痪，可能是由于传染病爆发造成的封闭，高敏度患者造成的阻塞或该区域的超负荷。如果这些事件发生在重要节点当中，则对更大系统的影响可能会很严重，并在意外的和看似没有关联的区域引起问题。比如即使放射科能力稍微减弱，整个系统可能会经历显著的服务减慢。另一个例子是，全科医学病房的传染病暴发可能会导致急诊外科服务的显著减慢。通过经由争夺手术床而与选择性外科手术服务的连接，这样的事件可以另外直接影响整个外科手术服务的功能。

许多医院使用传统方法分析病房之间的转移和流动。但是，使用网络分析的方法可以在考虑整个系统的同时分析各个区域。枢纽和瓶颈不仅是流量最大的节点，而且是系统平稳运行必不可少的区域。传统的患者移动计数无法获得这些区域的识别，但是网络分析可以提供额外的见解。

对与连通性相关的节点之间的流量进行的分析确定了医院中流量高于预期的区域（例如，骨科和外科专科病房和NCCU）。该技术可以帮助集中精力于将来的改进措施，以减少任何延迟或提高容量。在整个系统中，连接紧密的病房拥有不成比例的流量，这一事实反映了医疗服务的性质，即通过某些节点的高吞吐量，这些节点被不同人群大量使用，因此构成了临床活动的基础，而有些对于非常特定的患者，只能从一小组节点中访问亚专业节点。

在图4中，观察到了特定节点的预期重要性，例如放射学、手术科和外科病房，尤其是神经外科（在医院中相对独立）。出乎意料的是，包括老年护理在内的医疗病房也对该系统的功能做出了重大贡献，这可能是由于多种情况造成的。这些患者反映出经常使用医疗区域进行外科手术溢流，不正确的入院分诊，住院期间出现外科手术问题，或者很可能是这些因素的组合。只有前两种可能性是患者护理的潜在问题，第三种反映了进入适当位置的可能性。

在图6，高强度的节点：如手术室或外科病房，代表交通流量大但连通性相对有限的区域，与之相比，IR和康复中心的流量低。这很有趣，因为这意味着这些高流量区域的发生任何交通障碍都会对与其相关的其他区域产生强烈影响。因此，它们对系统的影响与个体患者的路径更相关，而不是整体行为。

五、结论

研究发现能够使用电子医疗记录创建服务的系统表示，并证明了急诊外科服务是具有无规模、分散性小世界网络属性的复杂系统。这样的网络总体上很健壮，但是可能容易受到关键枢纽的攻击。急诊外科服务的网络分析能够确定系统的瓶颈，为以更全面的方式提出服务改进计划建议提供信息基础。这种分析证明，通过将网络分析和电子记录相结合，可以获得医疗系统的结构和漏洞的新见解。将来，作者希望使用这项工作来支持特定的改进项目，通过考虑季节性影响来扩展项目，使用该模型更好地了解压力下的系统行为。