随着数字化医疗改革的发展，以结构化电子病历为平台的临床路径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临床信息及隐含诊疗模式，询证医学证据，辅助医师为患者选择最优治疗方案。通过研究分析，模糊聚类分析方法非常适合解决临床路径中复杂医疗数据的分类问题。模糊聚类与模糊神经网络的结合提高了大量医疗数据进行聚类分析时，交替迭代算法的运算速度，可以通过对网络训练，实现记忆学习，从而丰富临床路径相关信息，有助于临床路径优化决策。本文针对医疗信息的复杂性和不确定性，采用模糊聚类分析方法对信息化医疗数据进行了综合处理分析。提出了基于减法聚类FCM算法，对患者病症特征进行模糊划分，获得患者隶属于各临床路径类别的隶属度，用隶属度值的大小来决定样本的归属。这种改进的聚类算法把患者复杂的医疗信息，归结为一个带约束的非线性规划问题，通过优化求解获得数据集的模糊划分和聚类。其次，建立了基于减法聚类FCM算法的T-S模型，根据聚类结果进行网络训练，通过对临床路径决策推理、治疗效果、路径变异等结果的学习，从而避免下一个类似患者出现相同的负变异。最后，以复杂病种为实验背景进行仿真求解，分别采用减法聚类FCM算法与FCM算法进行仿真并对实验结果进行比较分析，实验结果证明，减法聚类FCM在收敛性与稳定性方面高于FCM算法；基于减法聚类FCM算法的T-S模型实验结果表明该网络泛化性、自适应性较强，实际决策输出与预测输出误差较小，能持续优化临床路径决策。本文研究及实验结果表明，模糊聚类算法用于临床路径优化决策是合理可行的，同时模糊聚类与模糊神经网络的结合，进一步提高了临床路径优化决策的使用性，从而快速合理的为患者选择最优治疗方案。