臨床醫(yī)學(xué)中數(shù)據(jù)挖掘技術(shù)的研究與應(yīng)用.pdf

1、隨著醫(yī)院信息化的發(fā)展以及醫(yī)院信息系統(tǒng)和電子病歷的應(yīng)用,醫(yī)院數(shù)據(jù)庫的數(shù)據(jù)容量不斷膨脹。這些寶貴的醫(yī)學(xué)數(shù)據(jù)對于疾病的診斷、治療和醫(yī)學(xué)研究都是非常有價值的。然而,目前大多數(shù)醫(yī)院對數(shù)據(jù)庫的處理僅限于數(shù)據(jù)的錄入、修改、查詢和刪除等平凡過程,屬于醫(yī)學(xué)數(shù)據(jù)庫的低端操作,缺乏數(shù)據(jù)的集成和分析,更談不上輔助醫(yī)學(xué)決策和自動獲取知識。另一方面,面對海量數(shù)據(jù),傳統(tǒng)的數(shù)據(jù)分析工具只能進(jìn)行一些表層的處理,而無法獲得數(shù)據(jù)之間的內(nèi)在關(guān)聯(lián)和隱藏信息,從而陷入“數(shù)據(jù)豐富,

2、知識貧乏”的困境。為了擺脫這種困境,一種能夠智能地、自動地把數(shù)據(jù)轉(zhuǎn)換成有用信息和知識的技術(shù)應(yīng)運而生。它就是數(shù)據(jù)挖掘(DataMining)技術(shù)。數(shù)據(jù)挖掘是指從數(shù)據(jù)庫中識別出有效的、新穎的、潛在有用的、并且最終可理解的模式和知識的非平凡過程。
　　本文首先在深入研究數(shù)據(jù)挖掘理論的基礎(chǔ)上,根據(jù)臨床實際應(yīng)用需求的調(diào)研,對需要用到的兩種數(shù)據(jù)挖掘技術(shù)——樸素貝葉斯方法和BP神經(jīng)網(wǎng)絡(luò)——進(jìn)行了改進(jìn)。對傳統(tǒng)的樸素貝葉斯方法進(jìn)行的改進(jìn)包括:基于邏

3、輯回歸Wald值的屬性加權(quán)和基于核密度估計法計算類條件概率,而對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行的改進(jìn)則有:添加動量項和自適應(yīng)調(diào)整學(xué)習(xí)速率。然后分別采用ICU數(shù)據(jù)集和輸血數(shù)據(jù)集對它們在臨床醫(yī)學(xué)中的應(yīng)用進(jìn)行了測試驗證。針對ICU數(shù)據(jù)集,本文建立了預(yù)測ICU患者死亡概率的樸素貝葉斯模型。通過與Logistic回歸模型的對比,表明樸素貝葉斯模型在分辨度方面存在明顯優(yōu)勢。而對于輸血數(shù)據(jù)集,我們利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測紅細(xì)胞輸注患者輸血后的生命體征和Hb指標(biāo)數(shù)