基于時(shí)序圖的醫(yī)療風(fēng)險(xiǎn)預(yù)測(cè)研究.pdf

1、隨著信息技術(shù)的快速發(fā)展以及醫(yī)療信息系統(tǒng)的逐步健全，醫(yī)療與每個(gè)人的日常生活已息息相關(guān)，并產(chǎn)生了越來(lái)越多可利用的醫(yī)療大數(shù)據(jù)。在醫(yī)療領(lǐng)域，包括的醫(yī)療數(shù)據(jù)和信息類型非常廣泛，可以大致分為以下三種:臨床數(shù)據(jù)(Clinical Data)、體檢數(shù)據(jù)(Biometric Data)、醫(yī)保數(shù)據(jù)(Medicare Data)?；谏鲜鲠t(yī)療數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)模型研究是當(dāng)今一個(gè)很熱的醫(yī)學(xué)研究趨勢(shì)，例如預(yù)測(cè)病人是否會(huì)患某種特定的疾病、預(yù)測(cè)病人未來(lái)會(huì)患不同疾病的概

2、率風(fēng)險(xiǎn)等都屬于醫(yī)療風(fēng)險(xiǎn)預(yù)測(cè)范疇。若可以利用醫(yī)學(xué)數(shù)據(jù)進(jìn)行有效的醫(yī)療風(fēng)險(xiǎn)預(yù)測(cè)模型研究，則可以大大降低醫(yī)療浪費(fèi)，從而提高醫(yī)療質(zhì)量，擁有更好的醫(yī)療服務(wù)。
　　病人的電子健康檔案(EHRs)以電子的形式系統(tǒng)性收集了病人在不同時(shí)間點(diǎn)的醫(yī)療健康信息，是指導(dǎo)數(shù)據(jù)驅(qū)動(dòng)醫(yī)療研究的主要載體之一。鑒于原始EHRs數(shù)據(jù)的異構(gòu)性、稀疏性等特點(diǎn)，直接使用未加工的EHRs去指導(dǎo)個(gè)性化醫(yī)療是非常具有挑戰(zhàn)性的，因此，在進(jìn)行具體的疾病風(fēng)險(xiǎn)預(yù)測(cè)應(yīng)用之前需要對(duì)原始EHRs

3、數(shù)據(jù)進(jìn)行一致性表示，將未加工的電子健康檔案數(shù)據(jù)轉(zhuǎn)化為臨床相關(guān)的特征信息是一個(gè)值得研究的問(wèn)題。現(xiàn)已有一些工作基于EHRs數(shù)據(jù)提出了不同的預(yù)測(cè)方法，并對(duì)醫(yī)療數(shù)據(jù)進(jìn)行了一致性表示，但使用圖以及考慮不同醫(yī)療事件之間時(shí)序關(guān)系的表示形式研究的比較少，然而圖具有直觀易理解性并且時(shí)序關(guān)系能夠捕捉到疾病未來(lái)發(fā)展趨勢(shì)的重要信號(hào)，本文將上述兩點(diǎn)進(jìn)行結(jié)合，為每位病人構(gòu)建一個(gè)醫(yī)療時(shí)序圖，時(shí)序圖的表示形式壓縮了原始數(shù)據(jù)使其更緊湊，從而有效解決了醫(yī)療數(shù)據(jù)的稀疏性問(wèn)題

4、，并且為每位病人的分散數(shù)據(jù)提供了一種全景概括視圖。
　　本文主要在不同類型的醫(yī)療數(shù)據(jù)下，基于構(gòu)建的病人時(shí)序圖，針對(duì)現(xiàn)有風(fēng)險(xiǎn)預(yù)測(cè)工作存在的一些不足，對(duì)不同的醫(yī)療風(fēng)險(xiǎn)預(yù)測(cè)模型進(jìn)行一系列研究。本文的具體工作和貢獻(xiàn)概括如下:
　　1.提出一種基于病人時(shí)序圖的疾病風(fēng)險(xiǎn)預(yù)測(cè)方法(A Data-Driven Approach toPredictMedical Risk Based on Temporal Profile Graph，MTP

5、Graph)。首先對(duì)每位病人的原始電子健康檔案數(shù)據(jù)(EHRs)進(jìn)行一致性表示，即提出一種時(shí)序圖的表示形式;其次運(yùn)用改進(jìn)的Apriori頻繁項(xiàng)集挖掘算法TRApriori，基于病人時(shí)序圖挖掘頻繁特征圖;根據(jù)圖的重構(gòu)原理，每位病人的時(shí)序圖可由時(shí)序特征圖重新構(gòu)成，最終獲得針對(duì)不同病人的重構(gòu)系數(shù)（即特征向量），對(duì)病人是否會(huì)患某種特定疾病進(jìn)行有效預(yù)測(cè)。通過(guò)對(duì)兩種真實(shí)臨床場(chǎng)景的實(shí)驗(yàn)驗(yàn)證并與傳統(tǒng)方法比較，結(jié)果顯示該疾病風(fēng)險(xiǎn)預(yù)測(cè)方法可達(dá)到更好的預(yù)測(cè)效果

6、。
　　2.提出一種基于病人時(shí)序圖表示的協(xié)同評(píng)估預(yù)測(cè)模型(Collaborative PredictionModel of Disease Risk by Mining Electronic Health Records，CAPM)，僅需依賴病人EHRs數(shù)據(jù)中的疾病ICD-10編碼來(lái)對(duì)病人未來(lái)會(huì)患不同疾病的概率風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)。首先將每位病人的原始EHR數(shù)據(jù)表示為時(shí)序圖;其次提出一種混合協(xié)同過(guò)濾方法，基于個(gè)人醫(yī)療歷史記錄和與其相似病人

7、的醫(yī)療數(shù)據(jù)對(duì)每位病人的患病風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè);另外，為了能夠進(jìn)行早期預(yù)防，提出一種計(jì)算對(duì)應(yīng)疾病開(kāi)始時(shí)間的方法。通過(guò)在真實(shí)的EHR數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)，結(jié)果證明CAPM能更好的對(duì)病人未來(lái)會(huì)患哪些疾病及對(duì)應(yīng)疾病可能的開(kāi)始時(shí)間進(jìn)行預(yù)測(cè)。
　　3.提出一種基于多類型醫(yī)療數(shù)據(jù)的疾病風(fēng)險(xiǎn)預(yù)測(cè)模型。首先將病人的三類醫(yī)療數(shù)據(jù)（臨床EHRs、體檢數(shù)據(jù)、醫(yī)療保險(xiǎn)數(shù)據(jù)）進(jìn)行有序鏈接，為每位病人構(gòu)建一個(gè)醫(yī)療時(shí)序圖;其次提出改進(jìn)的AGM算法，基于所有病人的醫(yī)療時(shí)序