基于電子病歷的疾病關(guān)聯(lián)分析和預(yù)測.pdf

1、隨著醫(yī)療信息化的普及，大型醫(yī)院以及衛(wèi)生機構(gòu)產(chǎn)生了大量的電子醫(yī)療記錄數(shù)據(jù)。在這些海量的數(shù)據(jù)背后蘊含著大量重要的信息，這些信息對于疾病的深層認識、整體健康水平的提高，以及醫(yī)療信息領(lǐng)域的研究都有著積極的意義。本文從病人相似性度量、疾病關(guān)聯(lián)分析和疾病趨勢預(yù)測三個方面開展研究。
　　針對病人相似性度量，文中提出了一種半監(jiān)督學(xué)習(xí)算法。我們稱該算法為Pairwise算法。Pairwise算法選擇真實醫(yī)療記錄作為訓(xùn)練數(shù)據(jù)，學(xué)習(xí)得到病人相似性的度量

2、準(zhǔn)則?？紤]到現(xiàn)有的監(jiān)督學(xué)習(xí)算法難以精確地構(gòu)建標(biāo)記方式，我們采用半監(jiān)督學(xué)習(xí)，在訓(xùn)練數(shù)據(jù)中選擇性加入少量精確的標(biāo)記數(shù)據(jù)。我們用比較兩對病人之間相似度大小的方式標(biāo)記這些數(shù)據(jù)，并且稱這些標(biāo)記的數(shù)據(jù)為成對(Pairwise)的監(jiān)督信息。本文通過對比實驗證明了 Pairwise算法在判定病人相似性的準(zhǔn)確性方面以及合并病人群體的準(zhǔn)確性提高幅度方面均優(yōu)于現(xiàn)有的Local Supervised Metric Learning(LSML)算法。
　　

3、針對疾病關(guān)聯(lián)分析，文中應(yīng)用coupled Latent Dirichlet Allocation模型對電子醫(yī)療記錄中的疾病進行聚類。本文中我們將該模型簡記為cLDA模型。cLDA模型是耦合的LDA模型，不僅關(guān)注患病的種類，同樣考慮患病時間。本文從三方面對實驗結(jié)果進行說明。1).文中說明了疾病種類的聚類結(jié)果具有醫(yī)學(xué)可解釋性。2).時間模式和季節(jié)分布具有一致性。通過計算不同時間模式下疾病發(fā)病率的熵，本文有效證明了cLDA模型應(yīng)用在疾病聚類方

4、面可以得到準(zhǔn)確的季節(jié)性發(fā)病率特征。3).通過和傳統(tǒng)LDA模型實驗結(jié)果的對比，本文證明了cLDA的準(zhǔn)確性高于LDA。
　　針對疾病趨勢預(yù)測，在多維 Hawkes模型的基礎(chǔ)上，我們提出了一種改進的多維Hawkes模型。本文中我們稱該模型為 KLIPI模型。KLIPI模型是基于核函數(shù)學(xué)習(xí)的多維Hawkes模型，并且加入了反映病人體質(zhì)的體質(zhì)因子。根據(jù)KLIPI模型的實驗結(jié)果，我們可以得到疾病的自然發(fā)病率，也可以獲得病史中所有疾病對于將來可