下载文档原格式
决策树算法在医疗诊断中的应用研究概述：近年来，决策树算法在医疗诊断中的应用日趋广泛。
决策树算法是一种重要的机器学习技术，可以将复杂的决策过程转化为一系列简单的决策规则。
在医疗诊断中，决策树算法能够辅助医生进行疾病的诊断和预测，提高诊断的准确性和效率，为患者提供更好的医疗服务。
决策树算法的原理：决策树算法基于树状结构，通过一系列的属性选择和分裂操作来构建决策树模型。
在医疗诊断中，决策树算法将患者的各种症状和医疗检测结果作为输入特征，根据这些特征来判断患者的疾病类别或预测疾病的风险等级。
决策树算法根据特征的重要性和关联性来进行属性选择，通过递归地进行属性分裂，最终生成一个可以用于疾病诊断的决策树。
决策树算法在医疗诊断中的应用：1. 疾病诊断：决策树算法可以根据患者的症状和医疗检测结果，识别出患者是否患有某种疾病，如心脏病、癌症等。
通过构建决策树模型，医生可以根据特定的症状和检测结果来进行疾病的初步筛查，减少漏诊和误诊的情况发生。
2. 疾病预测：除了对患者当前状态进行诊断，决策树算法还可以预测患者未来可能发生的疾病。
通过分析大量的历史病例和相关特征，决策树算法可以生成一个能够预测患者疾病风险的模型。
这样，医生可以根据患者的个人信息和特征来预测患病的可能性，并采取相应的预防措施。
3. 诊断指导：决策树算法可以帮助医生进行诊断决策，提供诊断过程中的决策依据。
通过构建决策树模型，医生可以根据患者的症状和医学知识来选择适当的诊断方法和治疗方案。
决策树算法可以将复杂的医学知识和经验转化为一系列简单的决策规则，为医生提供决策的参考。
4. 数据挖掘和特征选择：医疗数据中往往包含大量的特征和信息，而其中许多是冗余或无关的。
决策树算法可以通过特征选择和分裂操作，从海量的医疗数据中提取关键特征信息，减少数据维度，提高算法的效率和准确性。
决策树算法的优势和挑战：决策树算法在医疗诊断中具有以下优势：1. 可解释性：决策树算法生成的模型具有很高的可解释性，可以将决策过程可视化，使医生和患者能够理解和接受诊断结果。
决策树算法在医学诊断与医疗决策中的应用研究导言：随着人工智能技术的迅速发展，机器学习算法在医学领域的应用也日益广泛。
其中，决策树算法作为一种常见的分类和回归方法，已经在医学诊断与医疗决策中展现出了巨大的潜力。
本文将探讨决策树算法在医学领域的应用研究，并深入分析其优势和局限性。
一、决策树算法简介决策树算法是一种基于树状结构的机器学习算法，通过对数据集进行分层处理，最终生成一棵决策树，用于对新样本进行分类或回归预测。
决策树算法的核心思想是通过一系列的问题对样本进行划分，直至达到最终的分类结果。
二、决策树算法在医学诊断中的应用1. 疾病预测与诊断决策树算法可以通过分析大量的病例数据，构建一个能够准确预测疾病发生的模型。
通过对患者的基本信息、生活习惯、家族病史等因素进行分析，决策树算法可以帮助医生判断患者是否患有某种疾病，并给出相应的治疗建议。
2. 药物选择与剂量优化在医疗决策中，决策树算法也可以用于药物选择与剂量优化。
通过分析患者的生理指标、病情严重程度、药物代谢能力等因素，决策树算法可以帮助医生确定最合适的药物以及药物的剂量，从而提高治疗效果，减少不良反应的发生。
三、决策树算法的优势1. 可解释性强决策树算法生成的模型具有很强的可解释性，可以清晰地展示出决策的过程和依据。
这对于医生和患者来说都是非常重要的，可以帮助医生更好地向患者解释诊断结果和治疗方案，增加患者的信任感和治疗依从性。
2. 处理非线性关系决策树算法能够处理非线性关系，对于医学领域中复杂的疾病和药物反应等问题具有很好的适应性。
相比于传统的线性模型，决策树算法能够更准确地捕捉到各种因素之间的复杂关系，提高预测和诊断的准确性。
四、决策树算法的局限性1. 过拟合问题决策树算法容易出现过拟合问题，即在训练集上表现良好，但在测试集上表现较差。
这是因为决策树算法在生成决策树时可能过于关注训练集中的细节，从而导致对新样本的泛化能力较差。
为了解决过拟合问题，可以采用剪枝等方法进行优化。
决策树算法在医疗诊断中的应用研究医疗诊断是一件非常复杂的事情，需要医生充分了解病人的病史、症状等一系列信息，才能进行确定诊断并做出治疗方案。
然而，随着医疗领域的发展，现代医学诊断越来越倾向于采用计算机智能化技术，以辅助医生进行决策。
而作为其中应用最广泛的一个算法，决策树算法在医疗诊断中也发挥着重要作用。
什么是决策树算法？决策树算法是一种常用的机器学习算法，它可以将大量数据按照特定规则建立一棵决策树模型，用于对数据进行分类或预测。
决策树算法的核心思想是将数据集划分成一些小的子集，每个子集都对应一条从根节点到叶节点的路径，根据特征选择的优劣，逐步完成分类或预测任务。
如何应用决策树算法进行医疗诊断？决策树算法可以应用于医疗诊断领域中，既可以用于辅助医生诊断，也可以用于工业化大规模诊断、筛查等。
通过建立一棵决策树模型，可以将病人的病史、症状、医学检测结果等多种数据进行分析，快速地确定最佳诊断结果。
下面我们将介绍决策树算法在医疗诊断领域中的具体应用。
1. 冠心病冠心病是一种常见的心脏病，严重影响人们健康。
通过应用决策树算法分析协同临床研究中收集的500多个冠心病患者的病史和诊断结果，可实现快速、准确地诊断冠心病。
2. 乳腺癌乳腺癌是一种常见的恶性肿瘤，对于女性健康有极大的威胁。
应用决策树算法可以对影响乳腺癌患者存活率的多种因素进行分析，包括患者年龄、家族史、肿瘤大小、肿瘤分级、淋巴结状况等，从而对患者进行精准的生存分析和预测。
3. 糖尿病糖尿病是一种常见的代谢性疾病，通过应用决策树算法，既可以预测患病风险，也可以为患者提供个性化治疗建议。
通过对患者临床检验数据、患者基本信息等多种因素进行分析，构建出高效的模型，能够提供可靠的治疗建议。
4. 阿尔兹海默病阿尔兹海默病是一种常见的神经退行性疾病，也常常被称为老年痴呆症。
通过对阿尔兹海默病患者大量临床数据的分析，可以构建出精准的决策树模型，实现了对疾病的预测、诊断、治疗等多个方面的支持。
决策树算法在医疗数据中的应用研究随着医疗数据的不断积累，如何有效地利用这些数据来提升医疗诊断和治疗效果成为了医学领域的一个重要话题。
决策树算法是一种非常有效的机器学习算法，其在医疗数据中的应用也备受关注。
本文将从决策树算法的基本原理、应用场景和研究进展三个方面进行论述。
一、决策树算法的基本原理对于决策树算法，我们可以将其看作是一棵由节点和有向边构成的树，其中每个节点代表一个属性或特征，每条有向边代表相应特征值的选择。
在构建决策树时，我们需要根据数据集中的样本特征不断选择最优的特征，将数据划分成不同的子集并递归执行此过程，直至所有的子集完全分为一类。
决策树算法的本质在于通过数据集的特征选择，寻找一个能够对数据进行划分并使得分类结果最好的特征。
二、决策树算法在医疗数据中的应用场景在医疗领域，决策树算法可以应用于各种数据分析和模型构建方面。
比如，我们可以利用决策树算法来分析患者的病历信息，检测潜在的风险因素，预测疾病的进展趋势和根据症状进行诊断推理。
此外，决策树算法还可以应用于医疗图像分析、生物信息学等方面的数据挖掘，从而提升医疗科学的研究效率和准确性。
三、决策树算法在医疗数据中的研究进展随着机器学习技术的不断发展，决策树算法在医疗数据中的应用也得到了越来越多的研究。
其中一些研究成果表明，利用决策树算法可以更准确地对慢性疾病，如糖尿病、心脏病、哮喘等进行诊断和预测。
此外，针对医疗图像数据的研究也表明，决策树算法可以大大提高医生对肿瘤等疾病的识别率和分类精度。
比如，美国犹他大学的研究团队就利用决策树算法分析肝脏医学影像数据，成功预测了肝血管瘤的分级。
需要指出的是，虽然决策树算法在医疗数据中的应用有很多优势，但也存在一定的缺陷。
因为决策树算法的分类效果非常依赖于特征的选择和权重赋值，若特征选择不全面或者权重分配不合理，则会显著降低算法的准确性和鲁棒性。
此外，在面对极端情况，如极端样本偏差或缺失、异常值的存在等，决策树算法的表现也可能较差。
决策树在医疗诊断中的实际应用随着人工智能技术的不断发展和应用，决策树在医疗诊断中的实际应用也越来越广泛。
决策树是一种用于分类和预测的监督学习算法，通过生成树状图模拟决策过程，提供决策依据和结果预测。
在医疗领域，决策树被广泛应用于疾病诊断、药物治疗选择、病情预测等方面，为医生提供了重要的辅助决策工具。
首先，决策树在疾病诊断中发挥着重要作用。
医生在面对病人的症状和体征时，往往需要进行一系列的判断和推理，以确定病人的疾病类型和严重程度。
决策树可以根据一系列特征和规则，快速准确地对病人进行分类，帮助医生进行初步诊断。
例如，对于肺部感染的诊断，决策树可以根据病人的咳嗽、咳痰、发热等症状进行判断，指导医生进行相应的检查和治疗。
其次，决策树在药物治疗选择中也具有重要意义。
不同的疾病可能需要不同的药物治疗方案，而不同的人也可能对同一药物产生不同的反应。
决策树可以通过分析病人的个体特征和疾病情况，为医生提供合理的药物选择建议。
例如，对于高血压患者的治疗，决策树可以根据病人的年龄、性别、血压水平、合并症等因素，推荐最适合的降压药物种类和剂量。
此外，决策树还可以用于病情预测和风险评估。
医生需要对病人的病情发展和治疗效果进行预测，以制定合理的治疗计划和预防措施。
决策树可以根据病人的临床资料和实验室检查结果，预测病情的发展趋势和治疗效果，帮助医生做出更准确的决策。
例如，对于心脏病患者的预后评估，决策树可以根据病人的年龄、心脏功能、合并症等因素，预测病人未来发生心脏事件的概率，指导医生进行个性化的治疗和管理。
有了决策树的辅助，医生可以更科学地进行诊断和治疗决策，减少主观因素的干扰，提高诊断的准确性和治疗的有效性。
然而，决策树在医疗诊断中的应用也面临一些挑战和限制。
首先，决策树模型的建立需要大量的数据支持，而医疗数据的获取和处理往往受到隐私和伦理等方面的限制。
其次，决策树模型的解释性和可解释性较差，对于一些复杂的疾病和病情，可能无法提供令人信服的决策依据。
决策树在医学领域的应用决策树是一种在医学领域被广泛使用的机器学习算法，它能够通过对患者的特征进行分析和判断，帮助医生做出准确的诊断和治疗决策。
本文将介绍决策树在医学领域的应用，并探讨其优势和局限性。
决策树是一种基于树状结构的分类算法，它通过一系列的判断条件对样本进行分类。
在医学领域，决策树可以用来解决各种问题，例如疾病诊断、药物选择、治疗方案制定等。
决策树可以用于疾病诊断。
医生可以根据患者的症状和体征，构建一个决策树模型，通过一系列的问题来判断患者是否患有某种疾病。
例如，对于呼吸道感染的诊断，医生可以通过询问患者是否有发热、咳嗽等症状，以及听诊患者的肺部是否有异常音等信息来判断患者是否患有呼吸道感染。
决策树还可以用于药物选择。
不同的患者对同一种药物可能有不同的反应，因此医生需要根据患者的个体特征来选择合适的药物。
决策树可以通过分析患者的基因型、年龄、性别等特征，来预测患者对不同药物的反应。
例如，对于心脏病患者的药物选择，医生可以根据患者的年龄、性别、基因型等信息，来预测患者对不同抗凝药物的反应，从而选择最合适的药物。
决策树还可以用于制定治疗方案。
在医学领域，很多疾病的治疗方案是复杂的，需要考虑多个因素。
决策树可以帮助医生根据患者的病情、病史、生理指标等信息，制定个性化的治疗方案。
例如，对于癌症患者的治疗，医生可以根据患者的年龄、病期、肿瘤类型等信息，来决定是否进行手术、放疗、化疗等治疗方式，以及各种治疗方式的先后顺序和剂量。
决策树在医学领域的应用具有一些优势。
首先，决策树的结果易于理解和解释，医生可以清晰地看到每个判断条件对结果的影响。
其次，决策树可以处理多个特征之间的相互作用，能够发现隐藏在数据中的规律。
最后，决策树可以处理缺失数据和噪声，具有较强的鲁棒性。
然而，决策树在医学领域的应用也存在一些局限性。
首先，决策树容易过拟合，特别是在数据量较小或特征较多的情况下。
其次，决策树对输入特征的选择敏感，不同的特征选择可能导致不同的决策树结构和结果。
决策树在医疗诊断中的实际应用决策树是一种常见的机器学习算法，它模拟人类决策过程，并通过一系列规则和条件来帮助做出最终决策。
在医疗领域，决策树被广泛应用于辅助医生进行诊断和治疗决策。
本文将探讨决策树在医疗诊断中的实际应用，并对其优势和局限性进行分析。
一、决策树在疾病诊断中的应用决策树在疾病诊断中的应用是其最常见的用途之一。
通过对患者的临床表现、检查结果和病史等信息进行分析，决策树可以帮助医生判断患者可能患有的疾病类型，并给出相应的治疗建议。
例如，对于心脏病的诊断，决策树可以通过分析患者的胸痛类型、心电图结果、年龄等因素来帮助医生做出诊断。
二、决策树在药物治疗中的应用除了疾病诊断，决策树还可以在药物治疗中发挥作用。
在临床实践中，患者可能同时患有多种疾病，需要同时服用多种药物。
决策树可以帮助医生判断患者的药物相互作用，避免不良反应的发生。
同时，决策树还可以根据患者的病情特点和药物代谢情况，为医生提供个性化的治疗方案。
三、决策树在医疗资源分配中的应用在医疗资源有限的情况下，决策树可以帮助医院和政府部门进行资源合理分配。
通过分析患者的病情和治疗需求，决策树可以帮助医院确定治疗优先级，合理安排手术和检查时间，并优化医疗资源的利用效率。
这对于缓解医疗资源紧张的问题具有重要意义。
四、决策树在医疗风险评估中的应用在手术前后和治疗过程中，医生需要对患者的风险进行评估，以便及时采取相应的措施。
决策树可以通过分析患者的临床资料、手术风险因素和术后并发症的概率，为医生提供科学的风险评估依据，帮助医生做出更加准确的决策。
五、决策树的优势和局限性决策树作为一种机器学习算法，具有许多优势，如易于理解和解释、能够处理多种类型的数据、对缺失值不敏感等。
然而，决策树在医疗诊断中也存在一些局限性，如容易出现过拟合、对噪声数据敏感等。
因此，在实际应用中，医生和研究人员需要结合具体情况，综合考虑决策树的优势和局限性，进行合理的选择和应用。
临床决策树模型简介临床决策树模型是一种在医疗领域中常用的预测模型，用于根据患者的特征和历史数据预测其疾病状态或治疗结果。
这种模型通常以树状图的形式呈现，其中树的每个节点代表一个决策点，每个分支代表一个可能的决策结果。
临床决策树模型可以帮助医生根据患者的具体情况制定个性化的治疗方案，提高治疗效果和患者的生存率。
临床决策树模型的解读需要一定的专业知识和经验，以下是一些常见的解读步骤和注意事项：1.理解模型结构：首先，需要了解模型的整体结构和决策流程。
观察决策树的分支和节点，理解每个节点的含义和决策依据。
这有助于理解模型如何根据患者的特征进行疾病预测。
2.分析特征重要性：在决策树中，每个节点都对应一个特征或变量。
通过观察节点分裂的过程，可以了解哪些特征对模型的预测结果影响最大。
这些特征通常是疾病诊断和治疗的关键因素。
3.评估预测结果：在理解了模型结构和特征重要性后，需要评估模型的预测结果。
可以通过查看模型的准确性、灵敏度、特异度等指标来评估预测效果。
这些指标可以帮助医生了解模型在实际情况下的表现。
4.考虑患者特异性：临床决策树模型是根据大规模数据集训练得到的，其预测结果可能不完全适用于每个患者。
医生在解读模型结果时，需要考虑到患者的个体差异和具体情况，如年龄、性别、身体状况等。
5.结合其他诊断信息：临床决策树模型的预测结果只是参考依据之一。
医生在制定治疗方案时，还需要综合考虑患者的病史、体检结果、实验室检查等多种信息。
只有全面了解患者的状况，才能制定出最合适的治疗方案。
6.注意模型局限性：虽然临床决策树模型在医疗领域中具有广泛应用，但其仍然存在一定的局限性。
例如，模型的准确性可能受到数据质量、训练样本大小和模型复杂度等因素的影响。
因此，医生在解读模型结果时需要谨慎对待，避免过度依赖。
7.持续监测与更新：临床决策树模型的预测效果需要在实际应用中进行监测和验证。
随着医学技术的不断发展和新数据的出现，模型可能需要更新和调整。
决策树在医疗诊断中的实际应用引言随着人工智能技术的不断发展，决策树算法作为一种基于数据挖掘的方法，在医疗诊断和治疗中得到了广泛的应用。
本文将探讨决策树在医疗诊断中的实际应用，并分析其优势和局限性。
决策树算法简介决策树是一种基于树形结构的预测模型，它模拟人类在面临决策时的思维过程，从而利用已知的数据集对未知数据进行分类或预测。
决策树算法的核心思想是通过对数据集的特征进行分析，构建一棵树形结构，从根节点开始根据不同的特征进行分支，直到叶子节点得出最终的分类结果或预测值。
决策树在医疗诊断中的应用在医疗领域，决策树算法可以通过对患者的临床信息和检查结果进行分析，帮助医生进行疾病的诊断和预测。
例如，在肿瘤诊断中，医生可以利用决策树算法对患者的肿瘤类型、大小、位置等特征进行分析，从而辅助医生进行准确的诊断和治疗方案制定。
此外，决策树算法还可以用于预测患者的病情发展趋势，帮助医生提前采取相应的治疗措施。
优势分析决策树算法在医疗诊断中具有以下几个优势：1. 可解释性强：决策树算法构建的分类模型可以清晰地展现出特征之间的关系，有助于医生理解疾病的发展规律和预测结果的产生过程，从而更好地指导临床实践。
2. 适用于多种数据类型：决策树算法对于离散型和连续型数据都具有较好的适应性，可以处理多种类型的临床数据，包括病史、体征、实验室检查等信息。
3. 高效性：相比于其他复杂的机器学习算法，决策树算法计算速度较快，可以在较短的时间内对大规模的医疗数据进行分析和预测。
局限性分析然而，决策树算法在医疗诊断中也存在一些局限性：1. 过拟合问题：决策树算法容易过拟合训练数据，导致模型在未知数据上的泛化能力较差。
因此，在应用决策树算法进行医疗诊断时，需要对模型进行适当的剪枝和参数调优，以提高模型的泛化能力。
2. 对异常值敏感：决策树算法对异常值较为敏感，可能导致模型产生误判。
在医疗诊断中，存在一些特殊情况和异常数据，需要对数据进行预处理，以减少异常值对模型的影响。
E-mail:zgqkyx@·2101··调查研究·不同级别医疗机构孕产妇就医行为的决策树分析研究刘贵浩1，杨云滨2*，耿庆山1*，薛允莲1【摘要】 目的 分析广州市孕产妇就医行为特征及就诊医疗机构的选择，为引导孕产妇科学就医及分级诊疗提供参考。
方法 2016年5—9月采用分层典型抽样的方法，选取广州市一级、二级和三级医院〔分别为增城区新塘医院（现更改为二级医院）、增城区妇幼保健院、中山大学孙逸仙纪念医院〕各1家作为调查点，随机选取在调查点就医的675例孕产妇，采用基于Andersen卫生服务利用行为模型设计的问卷进行调查，采用决策树分析方法分析孕产妇选择不同级别医疗机构的影响因素。
结果 选择一级医院207例（30.7%），二级医院219例（32.4%），三级医院249例（36.9%）。
不同年龄、与医院的距离、等候时间、家庭年人均纯收入、产检次数、妊娠次数、流产史、活产子女、婚前检查、不良孕史、产前检查、认为选择的早孕建卡机构费用低、认为选择的早孕建卡机构服务资质优、认为选择的早孕建卡机构距离近、总体满意度的孕产妇选择医院级别比较，差异均有统计学意义（P<0.05）。
决策树分析结果显示，决策树1的一级医院预测正确率高于二级医院（χ2=111.023，P<0.001），决策树2、3的总预测正确率高于决策树1（P<0.05）。
决策树1显示，等候时间、认为选择的早孕建卡机构费用低是决定孕产妇选择一级或二级医院的主要原因；决策树2显示，家庭年人均纯收入、产检次数、妊娠次数、认为选择的早孕建卡机构距离近是决定孕产妇选择二级或三级医院的主要原因；决策树3显示，家庭年人均纯收入、妊娠次数、活产子女、认为选择的早孕建卡机构距离近是决定孕产妇选择一级或三级医院的主要原因。
结论 应加强分级诊疗的政策引导，引导无危险因素的孕产妇去一级或二级医院就诊；引导因家庭收入高去三级医院就诊的孕产妇合理选择医疗机构；一、二级医院应提高对孕产妇定期产检的要求。
【关键词】 孕妇；就医行为；决策树；问卷调查【中图分类号】 R-05 【文献标识码】 A DOI：10.3969/j.issn.1007-9572.2018.00.210刘贵浩，杨云滨，耿庆山，等．不同级别医疗机构孕产妇就医行为的决策树分析研究［J］．中国全科医学，2018，21（17）：2101-2105．［］LIU G H，YANG Y B，GENG Q S，et al．Healthcare-seeking behavior among pregnant and parturient women from medical institutions of Guangzhou：a decision tree-based analysis［J］．Chinese General Practice，2018，21（17）：2101-2105．Healthcare-seeking Behavior among Pregnant and Parturient Women from Medical Institutions of Guangzhou：a Decision Tree-based Analysis LIU Gui-hao1，YANG Yun-bin2*，GENG Qing-shan1*，XUE Yun-lian11.Guangdong General Hospital/Guangdong Academy of Medical Science，Guangzhou 510080，China2.Guangdong Medical University，Dongguan 523808，China*Corresponding authors：YANG Yun-bin，Professor；E-mail：yyb08@GENG Qing-shan，Chief physician；E-mail：gengqsh@【Abstract】 Objective To investigate the characteristics of healthcare-seeking behavior among pregnant and parturient women from medical institutions in Guangzhou，providing a reference for guiding such populations to seek healthcarein a scientific way and for the development of hierarchical medical system.Methods We conducted a survey in 675 randomly selected pregnant and parturient women seeking healthcare in a stratified and typical case sample consisting of a primary hospital （Guangzhou Zengcheng District Xintang Hospital，changed to secondary hospital now），a secondary hospital （ZengchengDistrict Maternal and Child Care Hospital） and a tertiary hospital （Sun Yat-sen Memorial Hospital Sun Yat-sen University）during May to September 2016 with a self-developed questionnaire based on the Andersen healthcare utilization model.A decisiontree-based analysis of the survey results was performed to determine the associated factors for pregnant and parturient women seeking healthcare in the chosen hospital.Results The number of participants seeking healthcare in the primary hospital，基金项目：广东省科技计划项目（2017ZC0276）；广东省医学科研基金项目（B2016090）1.510080广东省广州市，广东省人民医院 广东省医学科学院2.523808广东省东莞市，广东医科大学*通信作者：杨云滨，教授；E-mail：yyb08@ 耿庆山，主任医师；E-mail：gengqsh@·2102· E-mail:zgqkyx@当前，我国医疗资源分配不均、大医院看病难及医患矛盾突出的现象是制约医疗卫生事业发展的重要问题。
孕产妇作为一个特殊群体，其孕检及分娩医疗机构的选择也极大地反映了医疗资源利用情况。
报道显示，2016年“全面二孩”政策实施以后，广州预计在原有的出生规模上，每年将增加3万左右的政策内二孩出生［1］，对产科医疗资源的合理利用提出了巨大的挑战。
本研究期望通过对广州市孕产妇就医行为及就诊医疗机构选择的分析，为孕产妇合理选择就诊医疗机构及分级诊疗提供合理的政策建议。
1 对象与方法1.1 研究对象 2016年5—9月采用分层典型抽样的方法，选取广州市一级、二级和三级医院〔分别为增城区新塘医院（现更改为二级医院）、增城区妇幼保健院、中山大学孙逸仙纪念医院〕各1家作为调查点，随机选取在调查点就医的孕产妇进行现况调查。
本研究经广东省人民医院医学研究伦理委员会批准。
1.2 研究方法 本调查在前期研究的基础上，采用基于Andersen卫生服务利用行为模型设计的问卷进行调查［2］，问卷内容包括年龄、文化程度、居住地、婚姻状况、与医院的距离、等候时间、家庭年人均纯收入、产检次数、初检孕周、妊娠次数、流产史、活产子女、婚前检查、不良孕史、产前检查、选择早孕建卡机构的原因、总体满意度等。
由经过培训的人员在调查前向研究对象阐明本调查的目的及意义，在征得孕产妇同意的前提下以匿名方式进行问卷调查。
1.3 质量控制 由经过培训的调查员严格遵循指定的抽样方法完成逐级抽样并发放调查问卷。
采用EpiData 3.0软件在逐条质控基础上进行双人数据录入与整理。
1.4 统计学方法 采用SPSS 20.0软件进行数据处理与分析。
计数资料的分析采用χ2检验；将单因素分析中差异有统计学意义的变量，纳入决策树分析；预测正确率的比较采用χ2检验。
以P<0.05为差异有统计学意义。
2 结果2.1 基本情况 共发放问卷700份，回收填写完整的有效问卷675份，回收问卷有效率为96.4%。
年龄为20~43岁，平均年龄（29.2±4.4）岁；孕妇349例（51.7%），产妇326例（48.3%）；文化程度：初中及以下151例（22.4%），高中/中专156例（23.1%），大学及以上368例（54.5%）；城市265例（39.3%），农村410例（60.7%）；婚姻状况：已婚663例（98.2%），未婚12例（1.8%）；一级医院207例（30.7%），二级医院219例（32.4%），三级医院249例（36.9%）。
2.2 孕产妇就医行为特征 不同年龄、与医院的距离、等候时间、家庭年人均纯收入、产检次数、妊娠次数、流产史、活产子女、婚前检查、不良孕史、产前检查、认为选择的早孕建卡机构费用低、认为选择的早孕建卡机构服务资质优、认为选择的早孕建卡机构距离近、总体满意度的孕产妇选择医院级别比较，差异均有统计学意义（P<0.05，见表1）。
2.3 孕产妇选择医疗机构的决策树分析 将年龄、与医院的secondary hospital and tertiary hospital was 207（30.7%），219（32.4%），249（36.9%），respectively.The level of hospital selected for obtaining healthcare differed significantly by age，home-to-hospital distance，waiting time for receiving healthcare，annual household net disposable income per capita，history and number of antenatal examination，number of pregnancy，history of abortion，number of live births，history of premarital checkup，history of pregnancy loss，and level of satisfaction with healthcare（P<0.05）．Furthermore，the level of hospital selected for early antenatal registration varied obviously according to medical cost（low or not），quality of care（excellent or not） and home-to-hospital distance（short or not）（P<0.05）．Decision tree analysis found that，the accuracy of No.1 decision tree model for predicting the selected primary hospital was much higher compared with predicting the selected secondary hospital （χ2=111.023，P<0.001）；Both No.2 and No.3 decision tree models had much higher overall predictive accuracy than No.1 decision tree model（P<0.05）．In terms of the causes for choosing the hospital for obtaining healthcare（including early antenatal registration），analysis with No.1 decision tree model demonstrated that those selecting the primary or secondary hospital was mainly due to short waiting time for receiving healthcare and low medical cost，analysis with No.2 decision tree model showed that those choosing the secondary or tertiary hospital was mainly out of annual household net disposable income per capita，number of antenatal examination，number of pregnancy and short home-to-hospital distance，and analysis with No.3 decision tree model presented that those choosing the primary or tertiary hospital was mainly for annual household net disposable income per capita，number of pregnancy，number of live births，and short home-to-hospital distance.Conclusion Policy guidance of the implementation of hierarchical medical system should be strengthened.Pregnant and parturient women without any adverse factors should be guided to seek healthcare in primary or secondary medical institutions.Those choosing tertiary medical institutions just because of high household income should be guided for choosing medical institutions more reasonably.In addition，the importance of undergoing regular prenatal care should be reinforced for pregnant and parturient women seeking healthcare in primary or secondary medical institutions.【Key words】 Pregnant women；Health seeking behavior；Decision trees；Questionnaires·2103· E-mail:zgqkyx@ 表1 不同基本资料的孕产妇选择医疗机构级别比较〔n （%）〕Table 1 Hospital for obtaining healthcare selected by pregnant and parturient women by baseline characteristics and hospital level基本资料例数一级医院二级医院三级医院χ2值P 值基本资料例数一级医院二级医院三级医院χ2值P 值年龄（岁）49.128<0.001婚前检查23.267<0.001<28261106（40.6）101（38.7）54（20.7）做过475125（26.3）149（31.4）201（42.3）≥28414101（24.4）118（28.5）195（47.1）未做过20082（41.0）70（35.0）48（24.0）与医院的距离（km）32.607<0.001不良孕史65.589<0.001<526687（32.7）108（40.6）71（26.7）无547188（34.4）197（36.0）162（29.6）5~1025790（35.0）63（24.5）104（40.5）有12819（14.8）22（17.2）87（68.0）>1015230（19.9）47（31.1）74（49.0）产前检查7.9740.019等候时间（min）a33.915<0.001做过576167（29.0）185（32.1）224（38.9）<159939（39.4）32（32.3）28（28.3）未做过9940（40.4）34（34.3）25（25.3）15~30386136（35.2）112（29.0）138（35.8）认为选择的早孕建卡机构费用低13.1220.00131~6016531（18.8）68（41.2）66（40.0）是10446（44.2）21（20.2）37（35.6）>60241（4.2）6（25.0）17（70.8）否571161（28.2）198（34.7）212（37.1）家庭年人均纯收入（万元）a69.079<0.001认为选择的早孕建卡机构设备条件好1.6400.441<5276117（42.4）107（38.8）52（18.8）是351100（28.5）118（33.6）133（37.9）≥539290（23.0）106（27.0）196（50.0）否324107（33.0）101（31.2）116（35.8）产检次数（次）67.500<0.001认为选择的早孕建卡机构服务资质优11.5370.003<519377（39.9）91（47.1）25（13.0）是36099（27.5）107（29.7）154（42.8）≥5482130（27.0）128（26.5）224（46.5）否315108（34.3）112（35.5）95（30.2）初检孕周（周）2.9260.232认为选择的早孕建卡机构服务内容全2.0200.364≤12545164（30.1）185（33.9）196（36.0）是356104（29.2）124（34.8）128（36.0）>1213043（33.1）34（26.1）53（40.8）否319103（32.3）95（29.8）121（37.9）妊娠次数（次）42.183<0.001认为选择的早孕建卡机构距离近28.730<0.0011336116（34.5）136（40.5）84（25.0）是23393（39.9）85（36.5）55（23.6）≥233991（26.8）83（24.5）165（48.7）否442114（25.8）134（30.3）194（43.9）流产史49.164<0.001认为选择的早孕建卡机构有熟人0.8910.641无395136（34.4）156（39.5）103（26.1）是6720（29.9）25（37.3）22（32.8）有28071（25.4）63（22.5）146（52.1）否608187（30.8）194（31.9）227（37.3）活产子女43.720<0.001总体满意度14.0130.001无28996（33.2）125（43.3）68（23.5）不满意9835（35.7）43（43.9）20（20.4）有386111（28.7）94（24.4）181（46.9）满意577172（29.8）176（30.5）229（39.7）注：a 为数据有缺失距离、等候时间、家庭年人均纯收入、产检次数、妊娠次数、流产史、活产子女、婚前检查、不良孕史、产前检查、认为选择的早孕建卡机构费用低、认为选择的早孕建卡机构服务资质优、认为选择的早孕建卡机构距离近、总体满意度为自变量，分别将一级医院与二级医院、二级医院与三级医院、一级医院与三级医院纳入决策树进行分析，赋值情况见表2。
