近年来，国家高度重视医疗卫生事业的发展。随着医改持续深化、医疗卫生服务能力不断提升、加之实施健康扶贫等，医疗卫生机构总体稳中有增。截至目前全国医疗卫生机构已经突破100万大关。
如此众多的医疗机构针对各种疾病有不同的治疗特点和优势，也有不同的科室分类方法，给药企的学术推广带来很多困惑。基于此，未名企鹅对医疗机构科室分类的标准化就相伴而生。
利⽤随机森林模型对医院科室名称进⾏标准化
1. 问题背景
不同医院有不同的科室分类⽅法，通常我们称之为「挂牌科室」。基于国家卫健委公布的专业，我们的⾏业库制定了⼀套「标准科室」。我们需要将挂牌科室映射到标准科室，如下图所示。
我们将挂牌科室到标准科室的映射称为「科室标准化」。科室标准化后，可以为医院和科室⾥医⽣提供标签，有利于⽤户画像，提⾼数据挖掘的能⼒。若科室标准化依靠⼈⼯标注来完成，需要由掌握 相关知识（对各种类型医院体系的科室分类⽐较熟悉）的专家来完成。科室标准化的准确率会受知识影响，且费时费⼒。亟需⼀种⾃动的科室标准化⽅案来帮我们提⾼准确率、降低⼈⼯成本。2. 问题分析
我们有200多个标准科室，将之视为标签。⽬标是将挂牌科室的名称映射到标准科室，即将它归类于某个标签，因此这是⼀个分类预测问题。现在让我们来思考⼀下，我们⼈类是如何对挂牌科室名称做标准化的？
上⾯例⼦中，「⾼⼲⽼年科」包含了「⽼年」关键词，我们没有把它归类到「⽼年病科」，⽽是归类到「⼲部科」，是因为它还包含了「⾼⼲」关键词，即「⾼⼲」的优先级要⾼于「⽼年」，如下图所示。⾸先，我们收集有助于我们做决策的关键词，将它们作为特征，若包含该词则特征值为1，反之为0。结合由专家提供的示例数据，我们就有了⼀份数据集，如下：
决策树是当今最强⼤的机器学习算法之⼀，可以执⾏分类和回归任务。上⾯提到的决策流程图，实际上就是⼀棵很⼤的「决策树」，因此我们⽤示例数据训练⼀棵决策树，然后⽤它来预测标准科室。
上图中，横坐标为置信度阈值，纵坐标是分数值，蓝⾊虚线是精度曲线，红⾊虚线是召回率曲线。置信度阈值表示“我只有超过这个把握才会给出预测结果，否则我没有⾃信给出答案”；召回率表示“我能对多少⽐例的给定数据进⾏预测”，即“我能对多少⽐例的挂牌科室进⾏标准化”；红蓝曲线交叉时，精度和召回率达到⼀个平衡点，此点的含义是：模型可以给85%以上的科室名称提供⼀个标准化结果，准确率⾼于85%。3. 优化：随机森林模型
如果你随机向⼏千个⼈询问⼀个复杂问题，然后汇总他们的回答。在许多情况下，你会发现，这个汇总的回答⽐专家的回答还要好，这被称为群体智慧。
我们训练若⼲棵决策树，由它们构成⼀⽚森林。做出预测时，森林中的每棵树都提供⼀个预测结果，然后将得票最多的结果作为最终的预测结果，这种模型被称为「随机森林」。
我们使⽤示例数据训练⼀个由512棵决策树构成的随机森林模型，然后⽤它来预测，性能指标如下图：
通过上图的红蓝曲线交叉点我们可以知道：模型可以给90%以上的科室名称提供⼀个标准化结果，准确率⾼于90%。
效果较「决策树模型」提⾼了很多。
4. 价值点
提供医生标签：科室标准化后，可以提供医院和科室医生画像，便于学术推广的精准定位。
提高模型性能：如对数据进行预处理、降维等进一步优化，以及示例数据的不断增多，特征工程性能凸显。
降低人工成本：通过训练好的模型⾃动化完成了医院科室名称的标准化后，若对结果质量有较⾼的要求，可再由⼈⼯（⽆需是专家）对置信度较低的预测结果进⾏质检即可，极⼤地提⾼了任务的效率和准确度，同时降低了⼈⼯成本。
欢迎CIO交流
关于利⽤随机森林模型对医院科室名称进⾏标准化，如果您有经验想要分享，欢迎关注未名企鹅公众号，订阅极客栏目，或者点击文末左下角“阅读原文”给我们留言提出您的需求建议。未名企鹅以“连接健康”为使命，致力于提供生命健康领域的大数据产品和解决方案，帮助客户实现数据驱动的业务增长。未名企鹅中的“未名”代表北大，寓意人文精神，生命健康领域正是体现人文关怀的产业；“企鹅”象征科技，未名企鹅的创始团队毕业于北大，技术力量来自腾讯，公司以未名企鹅命名是希望以人文情怀加上科技力量来推动生命科学行业数字化发展。
