王健，祖晓玲，王常武，李立平

1秦皇岛市第一医院；2燕山大学信息科学与工程学院

随机森林在医院感染预测中的探讨

王健1，祖晓玲2，王常武2，李立平1

1秦皇岛市第一医院；2燕山大学信息科学与工程学院

目前，医院感染已经成为医疗行业最突出的焦点问题。由于医院感染相当不容易控制，一旦发生，将会对患者的预后和转归造成较大的影响，不仅会加重患者的经济负担，还会给社会带来巨大的经济损失，严重时甚至会导致患者残疾或死亡。--《某大型综合医院医院感染预警预测——以血液病患者为例》针对医院感染的监测，国内相关软件公司推出了医院感染预警系统，通过对患者的医嘱信息、检查检验结果、电子病历等相关数据的抓取，结合预先设置的规则，对存在医院感染风险的患者预警。但是，预警系统只是对医院目前感染情况的反映，且准确性与预先设置的规则紧密相关。本文应用随机森林算法，通过对算法的训练，达到了对医院感染的预测目的，让医院感染科工作人员变治疗为预防性干预，避免或减少潜在感染的发生，减少患者痛苦，减轻患者费用负担，具有较大的社会效益和经济效益。

医院感染；预测；随机森林

注：本文系秦皇岛科技支撑课题课题编号201401A088。

1 研究目的

对于每棵树而言，对其所使用的训练集都需要从总的训练集中放回采样出来的。这就表示，总的训练集中的有些样本会不至一次地出现在一棵树的训练集中，可能多次出现，也可能从未出现过。在训练每棵树的节点时，其所使用的特征将会从所有特征中按照一定比例随机实行无规律、无放回地抽取的，假设总的特征数量为M，这个比例可以是sqrt(M)，1/2sqrt(M)，2sqrt(M)。

通过医院医疗过程中产生的数据，对随机森林算法进行不断的训练，找到一个适用于预测医院感染的模型，提高了医院对感染的控制能力，减轻患者治疗痛苦和经济压力。

2 研究方法

随机森林是一种集成机器学习方法，它首先需要利用节点随机分裂技术以及随机重采样技术，来建构出多棵决策树，然后再通过投票的方式得到最终分类结果。其中RF还具有分析复杂相互作用分类特征的能力，所以其对于噪声数据和存在缺失值的数据都具有相当好的鲁棒性。同时，其还具有较快的学习速度，它的变量重要性度量被视为是高维数据的特征选择工具。随着科技的不断发展，其目前已经被广泛应用于各种分类、特征选择、预测以及异常点检测问题之中[2,3,4,5]，并取得了一定的成果。

2.1 随机森林的数学定义

定义1随机森林[3]可以看成是由一组决策树分类器，如：{h( X，θk)，k=1，2，…，K}所组成的集成分类器。在这组决策树分类器中，{θk}用来表示服从独立同分布的随机向量，K则用来表示随机森林中决策树的个数，X代表给定的自变量，每个决策树分类器将通过投票的方式来获得最优的分类结果。

随机森林的生成过程：

1）首先，采取bootstrap方法从原始训练数据集中有放回地随机抽取K个新的自助样本集，然后再根据这些自助样本集构建K棵分类回归树，同时还会将每次未被抽到的样本组合在一起，形成K个袋外数据(Out-of-bag，OOB)；

2)如果设定其有n个特征，就需要在每一棵树的每个节点处随机抽取m try个特征，同时要满足m try≤n，然后开始计算每个特征蕴含的信息量，在其中选择一个最具有分类能力特征的进行节点分裂；

3)要保证每棵树最大限度地生长，不做对其做任何剪裁；

4）需要将所生成的多棵树组成随机森林，然后再利用随机森林对新的数据进行分类，最后按树分类器的投票多少来确定分类结果。

定义2边缘函数（Margin Function）

其主要用来表示平均正确分类数所超过平均错误分类数的程度，它们之间的余量值越大，则最终的分类预测越可靠。

2.2 随机森林的性能指标

随机森林分类性能受内外两方面因素影响，从外部因素看，主要来自训练样本的情况，包括训练样本的正负类样本分布，即训练样本的平衡；训练样本的规模，即样本的大小、样本的变量个数及变量的类型。从内部因素看，主要包括单棵树的分类强度和树之间的相关度。衡量随机森林性能的主要指标有2种，一是分类效果指标，二是泛化误差。

2.2.1 分类效果指标

定义5随机森林算法的分类准确率

式中∶TP所代表的是正确分类的正类；TN所代表的是负类的样本数量；

FN所代表的是错误分类的正类；FP所代表的是负类的样本数量。

2.2.2 泛化误差

这是一个反应泛化能力的指标，当泛化误差越小时，代表其学习性能越好，反之则代表其学习性能性能越差。在随机森林算法中，使用OOB估计泛化误差[1]。

2.3 算法描述

本文所采用的是由Mahout提供的随机森林法，通过采用随机森林算法可以对未知变量进行分类，同时还可以计算分类正确率。具体过程如算法1所示。

算法1随机森林算法RF

训练阶段：

输入：训练数据集D，决策树个数N，选择特征值属性个数M，特征属性集S。

输出：N棵决策树，即随机森林R。

步骤∶

1.初始化

1.1 读入训练数据集D，决策树个数N，选择特征值属性个数M，特征属性集S。

输出结果，迭代执行，直至所有的决策树构建完毕。

测试阶段：

输入：未分类数据集x，随机森林R。

输出：x的标签Y。

步骤∶

1.初始化

1.1 读入未分类数据集x，随机森林R

2.For each decision tree Ti

2.1 Ti为x进行分类，得到标签Yi

2.2 End For

输出结果

计算频数最大的Yi，并输出

3 实验与分析

本文搜集数据共30500条，其中5000例为院内感染，25500例为非感染。本次实验的硬件配置为Intel Core2.33GHz的CPU，4GB内存，500G硬盘的PC机。

4结论

1.本文采用了随机森林算法预测医院院内感染现状，并进行了实验，得到了较好的预测结果。

2.该方法具有很好地普适性、扩展性，能很好地容忍噪声、不易过拟合、需调节参数较少等优点。

3.实验结果表明，随机森林对医院院内感染能够进行有效的分类识别，它可以为医生辅助决策提供有力的基础保障。

[1]Breiman L.Random forests[J].Machine Learning,2001,45(1)∶5-32.

[2]Strobl Carolin,Boulesteix Anne-Laure,Kneib Thomas,et al. Conditional variable importance for random forests[J].BMC Bioinfor⁃matics,2008,9(1)∶1-11.

[3]Reif David M,Motsinger Alison A,McKinney Brett A,et al. Feature selection using a rand om forests classifier for the integrated analysis of multiple data types[C],IEEE Symposium on Computational Intelligence and Bioinformatics and Computational Biology,2006∶171-178.

王健，秦皇岛市第一医院，信息管理处工程师，硕士研究生学历，主要从事医院软件项目管理、质量控制，信息标准化研究等。

祖晓玲，燕山大学信息科学与工程学院，硕士研究生；

王常武，燕山大学信息科学与工程学院，教授；

李立平，秦皇岛市第一医院，信息管理处助理工程师。