这篇文档属于类型a，即报告了一项原创性研究。以下是对该研究的学术报告：
该研究由Ingy Shafei、Jonathan Karnon和Maria Crotty共同完成，分别来自澳大利亚的阿德莱德大学（The University of Adelaide）和弗林德斯大学（Flinders University）。研究于2024年4月8日发表在期刊《Digital Health》上，文章标题为“Process Mining and Customer Journey Mapping in Healthcare: Enhancing Patient-Centred Care in Stroke Rehabilitation”。
该研究的主要科学领域是医疗信息学，特别是流程挖掘（Process Mining）和客户旅程映射（Customer Journey Mapping, CJM）在医疗健康中的应用。研究的背景是澳大利亚医疗体系中以患者为中心的护理和提升患者体验的优先需求。中风康复（Stroke Rehabilitation）是一个涉及多个患者接触点的复杂过程，通过对患者旅程的深入理解，可以优化护理流程，提升患者体验和康复效果。
流程挖掘是一种从现有信息系统的事件日志中提取流程数据的技术，能够发现患者旅程中的关键节点，监控指南的合规性，并揭示不符合标准的行为。客户旅程映射则通过可视化患者的互动和接触点，帮助医疗服务提供者更好地理解患者体验。尽管流程挖掘在医疗领域的应用逐渐增多，但尚未有研究将其应用于中风康复的患者旅程分析。因此，本研究旨在填补这一空白，通过流程挖掘技术分析中风康复患者旅程，以提升患者护理质量。
研究主要分为以下几个步骤：
数据收集与匹配
研究使用了来自澳大利亚康复结果中心（Australasian Rehabilitation Outcomes Centre, AROC）的数据集和住院中风患者数据集。共匹配了168例AROC数据集中的案例和6291例住院中风数据。最终，研究纳入了130例中风康复患者，从转诊到出院的全过程进行了分析。
事件日志构建
研究构建了事件日志，包括事件ID、活动属性（如住院时长、功能独立性评分变化等）和时间戳。数据经过提取、合并和格式化后，上传至流程挖掘工具Disco进行分析。
流程挖掘与变体分析
研究使用流程挖掘技术，提取了中风康复患者的流程模型，并通过变体分析（Variant Analysis）探索了不同患者旅程的差异。变体分析主要关注患者的年龄、性别、住院时长（Length of Stay, LOS）和功能独立性评分（Functional Independence Measure, FIM）变化等变量。
数据分析
研究通过描述性统计分析，展示了患者旅程的平均时长、变体频率及其与患者特征和结果变量的关系。研究还使用了控制流、时间和案例视角，分析了患者旅程中的关键节点和流程变化。
研究的主要结果包括：
患者旅程时长
130例患者的平均住院时长为49.5天，中位数为44天。其中，4例患者的住院时长超过100天，值得进一步调查。
流程变体
研究发现了9种不同的流程变体，78.46%的患者（102例）遵循了预期的活动序列。其余变体显示了患者在旅程中的不同活动顺序，例如在某些变体中，患者的FIM评分开始时间早于团队计划时间。
患者特征与结果的关系
研究发现，年龄、性别、住院时长和FIM变化之间存在明显关系。93.1%的患者年龄超过50岁，其中83%的住院时长少于50天。在FIM变化方面，3.31%的患者在康复后功能下降，91.91%的患者功能有所改善。
异常案例分析
研究详细分析了4例住院时长超过100天的患者，发现这些患者的康复旅程存在延迟转诊或延长康复治疗的情况，可能与个体需求或年龄因素有关。
研究表明，流程挖掘技术能够有效可视化和分析患者旅程，揭示服务质量的差距，从而为提升患者护理质量和康复效果提供支持。通过流程变体分析，研究发现了中风康复患者旅程中的关键变化点，为优化康复流程和制定个性化护理方案提供了依据。
创新性
这是首次将流程挖掘技术应用于中风康复患者旅程的研究，填补了该领域的空白。
实用性
研究展示了如何利用现有医疗数据构建事件日志，并通过流程挖掘工具Disco进行分析，为医疗机构提供了可行的技术路径。
多维度分析
研究不仅关注流程模型，还结合了患者特征和结果变量，提供了全面的分析视角。
研究还提出了未来研究的方向，包括扩展患者旅程的分析范围（如从急诊到出院后的全过程），以及结合患者满意度调查和利益相关者视角，进一步优化护理流程。此外，研究强调了数据共享和整合的重要性，为医疗信息系统的改进提供了参考。
这项研究为流程挖掘在医疗健康领域的应用提供了重要案例，展示了其在优化患者护理和提升康复效果方面的潜力。