优质医疗资源分布不均、患者流向不合理导致“看病难、看病贵”问题日益突出,为此国家着力推进分级诊疗制度。患者流向监测是分级诊疗监管工作的重中之重,当前单纯依靠统计性指标的监管方法存在效率低、针对性差等弊端。本文提出了利用患者就诊数据借助数据挖掘技术来辅助监管,并重点对患者就诊数据清洗和特征选择、“跨级首诊”和“上下转诊”流向的异常检测方法进行研究。(1)数据清洗和特征选择。对人口数据和患者病案进行分析,抽取出患者流向相关字段,通过数据预处理技术完成数据清洗、转换和特征选择,解决了原始数据集成程度低、可用性差等问题。(2)跨级流向异常检测方法研究。针对当前异常数据的特点提出了基于偏差法的异常检测方法,首先基于概念聚类的思想完成基层流向患者画像,然后将跨级患者与基层患者对比,识别出“应该在基层就诊却流向大医院”的异常流向。在算法设计上,提出了适用于含噪音数据集的两阶段k-means算法,并将无监督与有监督算法结合,克服了聚类算法解释性差的缺点。(3)转诊流向异常检测方法研究。首先针对异常转诊现状,选择常见慢性病为分析对象;然后使用BP神经网络,以住院天数为因变量、整个住院过程中可能对住院天数产生影响的诸多因素为自变量,构建住院天数预测模型,将预测值与实际值对比,识别由于“没有及时转诊”而导致实际住院天数远大于正常住院天数的异常患者流向。基于数据挖掘的患者流向异常检测方法能更及时、全面、有效地评估患者流向是否合理,不仅解决了当前监测方法存在的问题,还能借助患者多维信息更轻易地找到产生异常的原因,为扭转不合理流向提供了决策支持。