2型糖尿病(T2DM)是一种慢性疾病，可导致并发症和严重的健康相关后果[ 1］．该病约占全球成年人口的9.1%，预计到2040年将达到10% [ 2］．在拉丁美洲，2型糖尿病的患病率为9.4%，而在智利为11.4% [ 2- 5］．因此，2型糖尿病在全球范围内构成了一个重要的公共卫生问题，对中低收入国家的影响更大[ 6］．因此，大量资源被分配用于治疗，特别是在智利[ 7］．

当T2DM未得到控制时，可出现一系列影响患者生活质量并增加死亡风险的并发症，如心血管并发症、糖尿病性视网膜病变、周围神经病变和肾衰竭[ 8， 9］．通过良好的代谢控制可以预防这些并发症[ 10]通过使用药物及适当的饮食[ 1， 11］．在智利初级卫生保健系统中，只有36%的2型糖尿病患者被归类为控制良好或稳定的人群[ 4］．

诊断为2型糖尿病的患者有多种生物医学、心理和社会需求，必须由多个学科的专业人员以协调一致的方式满足这些需求。从这个意义上说，多学科合作，即由来自不同学科的专业人员围绕特定患者进行的联合工作，已成为提高临床结果的关键[ 4， 6， 12- 14］．虽然临床方案确立了治疗指南，但每个患者的保健过程各不相同，往往偏离标准适应症[ 15］．治疗团队的组织和组成可能是患者演变的一个影响因素，以及不同学科之间的协调。有证据表明，与慢性疾病相关的最成功的干预措施包括由非医生执行某些关键功能，而由整合良好的团队进行的干预措施与更高的患者满意度有关[ 16］．以智利为例，初级卫生保健方面的医生严重短缺[ 17］．了解如何组织多学科合作有助于设计更高效和有效的治疗方案。

信息系统记录与提供给病人的服务有关的数据。过程挖掘是一个相对较新的研究学科，已用于医疗保健，从信息系统中提取知识，以分析过程设计[ 18， 19］．在这门学科中开发的算法从流程的实际执行中创建模型的图形表示，这可以被来自广泛学科的个人轻松理解[ 20.］．这些模型经常表明，现实与直接参与卫生保健过程的各方所持有的看法、意见和信念不同[ 21］．过程挖掘还有助于从组织的角度分析过程，这可能有助于提高对处理团队内部协作如何发生的理解[ 22］．

本研究旨在验证是否有可能使用电子临床记录(ECR)的数据确定某些协作模式，并研究这些模式是否与患者的临床结果相关。因此，我们提出了一种基于过程挖掘工具应用的方法来分析卫生保健专业人员(HCPs)之间的协作，以:(1)确定初级保健中T2DM患者治疗中的协作模式，即治疗团队内部不同的交互网络;(2)评估所发现的模式的性能，确认它们是否与患者的临床演变相关(以糖化血红蛋白，HbA为代表)_{1 c}测量)。这种方法使用的是相关保健机构已经记录的信息，因此不需要收集新的数据。

为了更好地理解这项研究的背景和框架我们的结果的含义，接下来，我们简要描述了智利的初级卫生保健系统。

智利的医疗保健系统由公共和私营保险公司组成。该法律规定，每个就业人员必须向健康保险公司支付至少7%的收入。大约74.4%的人口由公共系统投保，收入低于最低工资的人，以及儿童、学生和失业者，在公共提供者网络中享有免费医疗保健[ 40］．

初级卫生保健中心是用户与公共卫生保健网络的第一个接触点。这些中心采用家庭医学模式，患者被分组，由多学科卫生保健人员组成的团队治疗最多10,000名患者。CESFAM治疗可以解决或转到更复杂的中心的急性疾病和需要定期评估的慢性疾病，例如糖尿病、高血压和慢性肺部疾病。智利卫生部为每一种疾病制定了治疗方案，并作为临床指南发布(例如，[ 42型糖尿病)。CESFAM面临的主要问题是缺乏资源，即没有足够的保健儿童。在智利，每1000名居民平均拥有1.9名医生，而在经济合作与发展组织(oecd)成员国，这一数字为3.3名[ 17］．

智利卫生部于2005年制定了一项方案，优先考虑80种健康状况，确保及时和免费获得治疗[ 40］．T2DM就是这样一种情况。这与卫生部的2型糖尿病治疗指南一起，意味着对于公共卫生保健系统的受益者来说，治疗是同质的:所有患者都可以获得相同的方案和药物。

本文基于在三个CESFAM中收集的诊断为T2DM的患者的历史信息。这三个中心位于智利圣地亚哥的低收入、高社会脆弱性地区。总的来说，在过去5年里，他们平均每年治疗8000人，每年接受治疗的患者中约30%患有2型糖尿病。这三个中心根据临床指南使用相同的流程图[ 4]，以确定T2DM患者的治疗方法。收集的数据对应于2012年至2016年期间。

在获得机构审查委员会批准后，数据集从三个医疗保健中心使用的信息系统中提取。它的数据库存储了与患者相关的信息，包括他们的预约、诊断和测试结果。每次到保健中心就诊，系统都会记录日期、预约类型和负责该事件的专业人员。重要的是，这项工作只考虑了2型糖尿病患者和与定期心血管预约(心血管定期预约，CVPA)相关的活动，这些活动由医生、护士和营养师组成的专业三位一体团队的专家进行。每次这些专业人员完成CVPA时，他们必须指定学科和患者下一次预约的大致日期。

HbA的百分比_{1 c}被选为代表患者演变的指标。HbA_{1 c}测试测量患者过去120天的血糖史[ 41也是用于监测糖尿病患者的测试之一。检查的频率取决于患者的补偿状况、所使用的治疗方法和医学判断。虽然具体的治疗目标应该因人而异，但美国糖尿病协会建议治疗的目标应该是减少HbA_{1 c}低于7%。对于高于这一数值，智利卫生部临床指南的临床指南和本研究所包括的卫生保健中心的内部指南为患者确定了两类失代偿:中度失代偿，数值在7%至9%之间(包括)，高度失代偿，数值高于9% [ 4］．病人接受检查的日期和检查结果都记录在记录中。

在三个卫生保健中心共确定了3369例2型糖尿病患者。随后，为了测量他们各自的进化，我们纳入了至少有两个HbA记录的个体_{1 c}测试结果。共有2843名患者符合这些条件。

为了分离可能影响患者进化的外部因素，超出临床团队的合作模式，我们纳入了没有合并症或糖尿病相关并发症，并良好地遵守规定的预约和检查的糖尿病患者。我们使用糖尿病并发症严重程度指数和具有复杂性指数的慢性疾病作为共病和并发症的衡量指标[ 1， 42， 43]以及规定的预约与实际预约之间的间隔不超过4个月，作为合理的依从性指标。

坚持随访预约对患者的发展很重要，因为专业人员可以通过随访预约干预患者的习惯和自我护理[ 44］．更高的失诊率与更高的HbA相关_{1 c}测量( 45］．此外，如果患者不坚持治疗，治疗的效果就会打折扣，他们可能会出现并发症[ 46］．一般而言，糖尿病患者对药物的依从性较低，也没有按时赴约[ 47］．为了分离对预约坚持的影响，那些不坚持HbA的患者_{1 c}排除测试。然而，必须考虑一段时间，以确定病人是否准时赴约[ 48］．保健中心的方案规定，失代偿程度较高的患者应更定期地进行HbA_{1 c}测试。在分析期间，所研究的保健中心认为以下情况是可以接受的:处于补偿状态的患者接受HbA_{1 c}在他们最后一次测量后1年进行测试，中度失代偿的患者在长达6个月后进行了同样的测试，高度失代偿的患者在长达3个月后进行了同样的测试。

考虑到所研究的卫生保健中心的情况，特别是资源稀缺、预约限制(一般来说，患者不能提前1个月以上预约)以及考试时间的限制，出现超出患者责任范围的延误是正常的。为了解决这些依赖于医疗保健中心的限制，使用HbA的容忍期最长为4个月_{1 c}考虑测试。这一时间框架已与卫生保健中心讨论并提出建议。

最后是接受HbA测试的患者_{1 c}根据补偿程度，考虑到4个月的耐受性，如果间隔大于临床方案确定的间隔，则不考虑在分析中。这一限制确保了数据演变方面的更完整的信息和更大的一致性，因为测试之间的时间间隔越长，就越难以确定在此期间患者补偿方面的可变性。在579名既没有严重病情也没有合并症的患者中，319名患者的依从性达到了可接受的水平。

为了规范所有纳入病例的研究周期，本文考虑了一年半的时间跨度来分析多学科合作对患者治疗的影响。第一次测量HbA_{1 c}对于病人来说这是研究阶段的零点。要确定时间段的结束，需要后续HbA卡_{1 c}测量应尽可能接近零点后18个月。在一年半之前和之后考虑了8个月的公差期，也就是说，最后的测量必须在第10个月到第26个月(18±8)的范围内，考虑到在这段时间内可能进行了其他先前的测量。在319例患者中，231例患者的最低可接受研究期为10个月。由于该研究分析了患者在规定的时间框架内对干预和专业人员三位一体组织的反应，因此不需要与患者一生中完整进化相关的详细信息。 图1显示病人选择过程。

在样本方面，231例患者中男性133例(57.6%)，女性98例(98)。总体而言，50%(115/231)年龄在60岁或以上，81%(187/231)年龄在50岁或以上(平均年龄59.7岁;范围:20 - 89)。cvpa的平均数量为4.8 /例(范围:1-15)。 表1概述这些信息。

图2概述所考虑的学习期间。x轴显示了分析中包含的月数，而y轴显示了与相应水平相关的患者数量。

使用临床记录构建日志，每个CVPA包含以下信息:患者的ID、时间戳和相关的主治学科(医生、护士或营养师)。时间戳用于识别规程介入的顺序或顺序。

定义1(纪律日志)． 设V代表医师(P)、护士(N)、营养师(D)这三个学科的集合，H= { h₁、…… h_n｝ 病人的集合。让c_嗨 为V中照顾病人h的学科序列_我 ．我们将规程日志L定义为L= { c_嗨}∀ h_我∈ H。

利用来自学科日志的信息，可以创建一个协作网络，以显示治疗患者的临床学科之间的关系。具体来说，与一组患者相关的协作网络被定义为有向图，其中节点指的是干预疾病治疗的不同临床学科，而弧线代表每个患者的情况下学科之间现有的派生。应该注意的是，在患者的CVPA之后，专业人员可以将后续的预约分配给来自不同学科或同一学科的专业人员。因此，生成的图形可以包含自循环。

定义2(协作网络)。设V代表医师(P)、护士(N)、营养师(D)这三个学科的集合，H= { h₁、…… h_n｝ 病人的集合。一个协作网络是图G^W =(V, E)，其中V={P, D, N}是构成H和E患者治疗的一部分的不同学科的集合⊆ {V × V}为弧，表示在考虑集合H的所有患者时发生的所有不同的推导。

图3展示了一个协作网络的例子，它代表了一组患者接受治疗的多学科结构。在这种情况下，这三个学科相互推荐，营养师(D)为某些cvpa进行自我推荐。

为协作网络的节点和弧线定义了三个指标:

参与指数:某一学科所执行的注册会计师占注册会计师总数的比例。它是为每个规程(节点)计算的。它的范围从0%(表示该学科不参与治疗)到100%(表示所有预约都由特定学科进行)。这一价值可以解释为临床学科在患者干预方面的突出地位。

Self-referral指数:被转诊到同一学科的注册会计师占某一学科所转诊的注册会计师总数的比例。它是为每个规程(自循环)计算的。它的范围从0%(表示该学科没有自我推荐)到100%(即一个学科的所有专业人员都推荐到同一学科)。

推荐指数:某一学科指另一学科的注册会计师占该学科转介注册会计师总数的比例。它是为每一对规程(不同节点之间的弧)计算的。它的范围从0%(表示没有转介到其他学科)到100%(表示所有由一个学科的专业人员转介到另一个学科)。这个值可以解释为不同学科之间的支持水平。

用于发现的过程挖掘算法是PALIA，由西班牙瓦伦西亚大学Politècnica de València的信息与通信技术研究所(ITACA)实现[ 49]，使用PALIA Web [ 20.)应用程序。PALIA Web是一个流程发现应用程序，用于分析灵活的非结构化工作流。选择此工具是因为它接收事件日志作为输入和输出可视化，这对于不是流程挖掘专家的人来说很容易理解。此外，它还具有可以在执行发现之前应用于数据的过滤器，例如，包括基于表现出相似行为的患者组创建不同模型的跟踪聚类。

确定治疗患者的不同形式的第一步是将PALIA过程挖掘算法应用于学科日志，并辅以跟踪聚类。这包括流分解功能的使用，它对相似的痕迹进行分组(处理每个病人的规程序列)，以及应用PALIA算法来创建不同组或痕迹集群的可视化。

PALIA算法在以下流分解参数下执行:相似度为15%，异常值为3%。相似度百分比表示通过进行轨迹聚类，根据算法使用的不相似度度量，同一组的个体无法区分超过15%，该算法基于启发式拓扑编辑距离[ 50］．因此，来自不同群体的个体差异超过15%。相反，异常值的百分比表示可以分组在单个集群下的最小个体比例。如果算法识别出的群体比在该参数下建立的群体更小，那么这些患者就会与异常值一起被分组。在这种情况下，确定的3%相当于7名患者。此外，热图应用于图表(弧和节点)，红色到绿色的比例，其中红色表示高频，绿色表示低频。

用于监测和控制患者状态的测试是HbA_{1 c}．卫生保健中心使用的智利卫生部临床指南提出了三类HbA_{1 c}值:小于7%(称为 补偿为患者的临床目标)，介乎7%至9%及9%以上，各对应不同的行动方案及跟进时间范围[ 4］．在我们的数据中，我们对每个患者都进行了多次测量，我们建议根据患者的时间趋势对其进行分割[ 51］．在HCPs的帮助下，我们尝试了几种不同的细分，直到我们实现了如下所述的四段分类。HCPs表示，他们最感兴趣的患者类别是高HbA的患者_{1 c}世卫组织在规定时间内设法达到了临床目标(低于7%)。

根据HbA的演变，患者被分为四个部分_{1 c}结果如下:

例如, 图4显示每个定义部分的一名患者的图形表示。HbA_{1 c}7%和9%的值分别用绿色和红色虚线标记。可以看出，即使补偿患者的一次测量值为7%，但其测量值的平均值低于7%。在改善患者的情况下，尽管他或她的HbA_{1 c}增加了，HbA的总体趋势_{1 c}减少，患者以代偿状态完成研究期。中度失代偿的患者从未超过9%，但未能达到改善或代偿的标准。最后，高度失代偿的患者在大多数时间内的值都超过9%，并且在研究结束时未能达到补偿状态。

收集231例患者的CVPA数据，共1116例CVPA。使用比例检验进行了分析，以研究确定的模式和患者演变之间是否存在统计上显著的关系。当评价样本太小时，采用Fisher检验。对于每一种模式，以特定方式进化的患者的比例与研究总人口中以相同方式进化的患者的比例进行了比较。所有试验均设统计学显著性为0.05，并使用R进行分析。

PALIA创建了12个不同的模型和7.8%(231例患者中有18例)的异常值(见 图5- 7)．正如卫生保健过程的常态一样，所获得的结果有很大的可变性。最常发生的行为出现在23.4%的病例中(231例中有54例)，其次是第二组的11.3%(231例中有26例)，最后一组的3.0%(231例中有7例)。在12个模型中，6个(模型A、B、C、D、E和F)有3个节点，4个(模型G、H、I和J)有2个节点，2个(模型K和L)只有1个节点。

通过更详细地检查模型，可以观察到所识别的行为之间的某些相似性。为了识别协作模式，对算法创建的12个聚类在参与和自我推荐指标上的异同进行了分析。该分析根据每个模型中存在的节点数量(参与干预的学科)分别进行。

有两组患者在整个研究期间只接受一种学科的治疗。其中一种是由医生单独治疗(模型K)，另一种是由护士单独治疗(模型L)。这两种行为都被归类在我们称之为的一种模式下 自包含的因为，在这种情况下，只有一个学科照顾病人。

相反，在有两个节点的模型中，可以观察到集群G和H有一个节点主导治疗，在这两种情况下参与百分比都超过65%(医生68%，护士66%)。此外，领导者在大约一半的cvpa中进行自我推荐(分别为52%和44%)，并将另一半推荐给不同的学科。反过来，第二个节点相对于第一个节点起着重要的辅助作用，它将大多数cvpa推荐给学科领导者(超过70%的案例)，而很少进行自我推荐。这些行为被分类为 隐性领导模式，因为一个学科有更大的参与，因为另一个学科将他们的大多数案例引用到前者。特别地，可以观察到，在模型G中，医生是领导者，而在模型H中，领导者的角色由护士来扮演。

在另外两个具有两个节点的集群(集群I和集群J)中，明显的相似性也使它们能够分组到单个模式中。两个集群的每个节点的参与指数相同，两个学科的参与指数在50%±10%(59%和41%)范围内，即学科参与公平。通过回顾cvpa的转诊情况，可以看到自我转诊的水平低于上述情况。在收到CVPA后，每个学科都倾向于将患者转到其他学科(每种模型中超过60%的病例)。这种模式被称为 共享，因为两个学科的参与更加公平，没有明确的领导者，因此不同学科之间的推荐比自我推荐更普遍。

随后，对三个节点的图进行比较。在聚类A和B中，尽管营养师的参与程度较低，但从参与指数来看，这三个学科的参与更为公平。参与度最高的节点参与指数为40%。因此，没有单一的学科可以作为领导者。无论交互的方向如何，所有学科之间都存在交互作用。总的来说，这两个组以综合的方式工作，并以比其他组更公平的方式进行转诊。因此，这些集群被分组在一个称为 参与．

聚类C和D的特征是医生在协作中占据中心角色，参与指数分别为51%和54%，而护士和营养师的参与指数较低。然而，我们可以看到，C组的整合程度高于D组，在D组中，护士和营养师之间几乎没有互动(在任何一个方向上)。相反，在大多数cvpa中，护士进行自我转诊，与c组相比，几乎没有病例转诊给营养师。因此，它们被认为是两种不同的模式。集群C被称为 公平为中心，因为医生是合作的中心，其他两个学科公平参与。医生占据了唯一的领导者的角色，因为他或她自我推荐了很大一部分病例(46%，相比之下，护士为6%，营养师为9%)。集群D被标识为a 为中心的等级制度模式，因为护士通过自我转诊的cvpa占据了医生之后的次要领导者的角色。此外，护士和营养师之间几乎没有互动。

最后，聚类E和F是相关的，因为两者的医生几乎完全控制所有治疗。该医生的参与指数超过了所有其他病例(两组均为76%)，这可以解释为该学科的高自我转诊指数(超过65%)。在两个聚类中，主要的交互作用发生在医生和营养师之间，而护士的参与指数在两个聚类中都低于5%。E组和F组已归入a组 自我被领导者模式。中总结了七个确定的模式 表2．

将上述临床结果分割应用于231例研究患者，得到4个患者段。这些部分概述在 表3．

图8显示段的演变，显示HbA的值_{1 c}对每个病人进行测试。每个病人都用一条线表示，这条线对应于他或她各自的测试值。x轴显示了根据研究周期(对所有患者来说不是相同的日历日期)，自第一次测量每位患者以来所经过的时间。

所提出的方法的最后一步是进行统计分析，以评估确定的不同模式与患者的演变之间是否存在统计学上的显著关系。采用比例检验，当评价样本过小时采用Fisher检验。对于每一种模式，以特定方式进化的患者的比例与研究总人口中以相同方式进化的患者的比例进行了比较。所有试验均设统计学显著性为0.05，并使用R进行分析。

在进行比例检验时，在每种合作模式下分组的患者被视为不同的亚人群。对于每个亚人群，按照上述四个补偿段计算以特定方式进化的患者比例。由于每个亚人群的患者数量不同，因此将以前的比例与总人口的比例进行比较。 表4分别概述了每个子种群和总种群的总体频率和百分比。

比例检验显示某些模式与所研究的总人口有统计学上的显著差异。在独立模式下治疗的患者中观察到的差异最大，其中24%的患者与总人口相比仍有补偿(73%对49%， P< . 01)。第二个差异出现在参与式模式中，与总人口相比，高度失代偿的患者比例较低(3% vs 16%， P= 03)。最后，自我推荐领导模式下的治疗结果最差，高度失代偿的患者比总人口多19% (35% vs 16%)。 P= . 05)。

所获得的结果最初提交给初级保健医生。这位医生指出，自成体系和参与式模式与她的经历相吻合。补偿患者与自成模式的关系可以理解为:如果患者病情稳定，则由较少的学科提供医疗服务更为常见。相反，参与式模式提供的证据表明，拥有一个多学科团队来监督患者护理的重要性，也支持营养师在治疗过程中发挥的重要作用，因为他们是患者生活方式改变的主要推动者。

在初步评估之后，我们与三组不同的初级保健医生(每个研究涉及的卫生保健中心一组)一起评估结果。在每次会议上，一名研究人员展示结果并回答问题。然后，医生填写了一份知情同意书，并回答了一份问卷，旨在了解我们的结果是否与他们的经验相符，并收集他们对结果的看法、观察和担忧。最后，我们进行了一次简短的讨论，参与者可以自由表达自己的观点，一位研究人员做了笔记。

共有23名医生参与了评估。首先，参与者陈述他们是否观察到了每个模式和每个部分。他们还能说出研究中没有发现的模式和片段。然后，参与者回答一系列5分李克特量表的陈述和几个开放性问题(例如，“模式和细分之间的关系有多大用处?”)。以下是从西班牙语翻译过来的一些答案。本文对研究结果进行了总结 表5而且 6．

参与者表示，在他们的经验中，T2DM患者的治疗是参与性的或公平的。一位参与者写道， 我惊讶于一个独立模式的存在。他们没有确定其他模式，但确实指出了他们的中心存在其他干预措施，例如教育研讨会(教患者如何处理2型糖尿病)，以及其他可能解释患者总是由医生治疗的因素(一位患者写道: 不听话的模式。尽管被明确告知去看其他专业医生，但患者还是去看医生(或拒绝转诊))．

至于患者细分，参与者更容易识别这些细分——23名参与医生中至少有18名(78%)观察到了所有细分。当被问及我们的提案中是否缺少其他部分时(根据他们的经验)，4提到了 恶化段，4提到了a 波动段(两者都被高度失代偿段所覆盖)。

总体而言，HCPs的评价是积极的。医生们提到，研究结果可以帮助他们改进方案、患者治疗和人力资源管理。有些人提到，由于没有建立因果关系，他们不能肯定这些改变会带来改善。

将过程挖掘技术应用于医疗保健中心的ecr，可以分析医疗保健中心之间的协作。所选算法的优点是它为hcp创建了易于理解的模型。通过这些可视化，相关专业人员可能能够查看医疗保健中心所进行的工作，并理解他们的协议是如何实际发生的。

利用数据的可用性来控制和改进流程可以帮助发现与既定协议的偏差。这方面的一个具体例子是，不遵守在一年的时间内确定三个学科的任命的规范。可以看出，36.8%(85 / 231)的患者在研究期间预约了两个学科，而17.7%(41 / 231)的患者只预约了一个学科。了解专业人员如何协作，有助于根据现有需求分配资源。应该注意的是，要监视过程，有必要建立与专业人员正在寻求控制和改进的指标相一致的指标。

特别是，通过图拓扑使用聚类技术促进了对医疗保健过程固有的可变性的全面管理，从而进一步理解该过程。PALIA有助于观察患者护理的可变性，并且在这种可变性中，那些将某些行为与其他行为区分开来的特征。

通过对比临床演变与确定的模式，可以观察到一些差异。某些比较显示出统计学上的显著差异，这可能表明合作模式和整体患者演变之间的关系。具体而言，自给模式的补偿患者比例高于总人口。这种情况可能是可以解释的，因为得到补偿的患者由唯一的专家治疗，考虑到他们的病情状况，这种类型的医疗预约通常足以使他们保持稳定。其他论文发表了合作与临床结果相关的研究结果，如随机合作研究与对照组研究[ 33， 35， 52]，或透过合作分类[ 34］．然而，这些研究无法通过定量分析的方法提供合作模式的客观证据及其与患者进化的相关性。

参与式模式下的治疗与经历进化改善的患者呈正相关，也与保持高度失代偿的患者比例较低相关。如果将显著性水平放宽到0.1，两个特征都具有统计学意义。这一结果与Uddin [ 32]，因此他在分析中只考虑了医生之间的整合，而本文则结合了学科评估。

等级中心型和自我参照型领导模式与高度失代偿的患者比例相关。这与博世[ 34)，他没有发现等级合作类型之间有统计学上的显著差异。博世引入的类型学是基于定性分析和自我报告的，这可能会产生解释差异的偏差。在这些模式下工作的团队可能认为自己提供的治疗无法将失代偿患者的数量减少到所需的程度。在自我推荐的领导的情况下，这种差异在统计上是显著的。相反，与总人口相比，共享和公平中心的模式在统计上没有显着差异。因此，结论是这些特定类型的治疗方法不能解释2型糖尿病患者的演变。最后，与研究的总人口相比，隐性领导者模式显示补偿患者的比例较低( P= 0。06)。可以推断，这种类型的治疗侧重于表现出某种类型的失代偿的患者。

根据上述情况，可以观察到，具有积极和消极表现的模式之间的主要区别是不同学科之间的参与分布，在最好的情况下，这与更公平的参与有关。它还涉及到不同学科之间更加整合的相互作用。更多参与性的工作形式比只有一个领导者对治疗有重大控制的工作形式更好。主要由医生(自我推荐的领导者)控制的治疗与HbA增加之间的相关性_{1 c}与自给式治疗及其各自与补偿患者的相关性相比，尤为有趣。有理由认为，一个专家就足以监测病情得到良好控制的患者的状态，而多学科干预可能对病情更严重的患者更有益。

本文介绍了与卫生保健团队的组织及其患者对2型糖尿病治疗的反应有关的初步经验结果。与博世[ 34]，其中团队组织自己的方式是自我报告的，在本文中使用的方法涉及从ecr中获取数据，以确保协作类型更客观地可验证。然而，尽管他们使用了完全不同的方法论，但与博世类型化存在某些相似之处，博世类型化将群体分为群体文化、发展文化、等级文化、理性文化、文化平衡和团队气候。确定的模式和患者的演变之间的关系并不一定构成因果关系。事实上，相反方向的关系是可能的。的确，某些外部因素和患者的个体特征可能会影响比较。例如，生活方式、临床适应症依从性、运动量、营养习惯等都是影响T2DM患者演变的因素。

所提议的方法的主要限制是所使用的分析程序和信息将取决于信息系统所收集数据的可用性和质量。接收不完整和不一致的数据是面临的主要问题之一。尽管该领域的专业专家是能够指导分析目标的个人，但数据的可用性是决定为实现这些目标必须采取的步骤的因素。一些可能影响患者预后的相关数据无法获得，例如，一些保健中心以讲习班的形式开展教育工作。此外，没有关于药物依从性的可用信息。因此，如果要将本文中描述的某些步骤扩展到具有更多(或更少)数据的其他情况，则可能需要进行调整。在分析中没有使用的一个可用变量是年龄(例如，HbA的临床目标)_{1 c}在中心，80岁以上的病人是8%，而不是7%)。

进一步的限制是，多学科性仅在心血管团队层面进行测量，不包括其他类型的专业人员。此外，数据只在学科层面进行分析，而不考虑提供护理的特定专业。

这项研究基于2012年以后的数据，因此一些结果可能不具有当今的代表性。本研究中包括的临床预约与在信息系统中明确登记为cvpa的计划访问有关。比较不同卫生保健中心之间的合作也可能是有益的，尽管相关样本中的患者比例非常小，无法产生统计学意义上的结果。在未来，使用更大的样本来执行这种分析将是有用的。最后，未来的研究建议将患者病情的严重程度及其共病作为变量，通过这些指标随时间的变化来衡量患者的演变，而不是将它们作为过滤器。

流程挖掘的使用为医疗保健中心提供了一个机会，可以了解他们的流程是如何执行的，以及哪种形式的协作可以改善结果。简单的基于临床的分割的定义对于促进结果的解释至关重要。本研究中使用的过程挖掘工具PALIA Web允许分析不同HCPs如何在灵活和非结构化的过程中协作，例如2型糖尿病患者的治疗。通过结合跟踪聚类(管理日志中出现的患者的多样性)和协作模式发现技术，它能够在患者治疗中识别HCPs之间的几种协作模式。它还允许轻松地可视化获得的协作模式，以便hcp可以解释它们之间的差异。本研究中使用的方法可以分析这些合作模式与患者临床演变之间的关系，从而确定最成功的模式。最后，卫生保健中心可以在其专业人员中推广最成功的模式，从而改善2型糖尿病患者的治疗。