醫(yī)學(xué)數(shù)據(jù)挖掘過程的研究

摘要：本文分析數(shù)據(jù)挖掘的應(yīng)用現(xiàn)狀及醫(yī)學(xué)領(lǐng)域數(shù)據(jù)的特點，針對醫(yī)學(xué)數(shù)據(jù)的特點提出對應(yīng)解決方法，并結(jié)合醫(yī)學(xué)數(shù)據(jù)特征定義了數(shù)據(jù)挖掘的過程。始于問題，建立數(shù)據(jù)挖掘的數(shù)據(jù)倉庫，運用相應(yīng)的數(shù)據(jù)挖掘技術(shù)進行信息或知識的挖掘并確保信息或知識的有效性，最終服務(wù)于應(yīng)用。

關(guān)鍵詞：醫(yī)學(xué)數(shù)據(jù)；數(shù)據(jù)挖掘；數(shù)據(jù)倉庫

1 引言

隨著計算機和數(shù)據(jù)庫先進技術(shù)的不斷涌現(xiàn)并應(yīng)用，無論是科研機構(gòu)、企業(yè)組織以及國家公共服務(wù)部門等，都在過去四十多年間最大程度上實現(xiàn)辦公信息化，日常事務(wù)處理變得更加簡潔和便利。醫(yī)療機構(gòu)計算機信息系統(tǒng)的廣泛應(yīng)用，醫(yī)療設(shè)備的數(shù)字化，提供了大量寶貴的醫(yī)學(xué)信息資源，對于疾病診斷、治療及醫(yī)學(xué)研究有非常重要的價值。而事實上，大部分醫(yī)院對數(shù)據(jù)庫中的數(shù)據(jù)處理僅局限于增刪改查，缺乏對數(shù)據(jù)的集成與分析，運用醫(yī)學(xué)決策和知識的自動獲取也不太現(xiàn)實。這里的問題集中于醫(yī)學(xué)數(shù)據(jù)量的巨大，數(shù)據(jù)結(jié)構(gòu)的多樣性，數(shù)據(jù)的不完整性和數(shù)據(jù)庫技術(shù)的更新?lián)Q代等，使醫(yī)學(xué)數(shù)據(jù)的再利用變得更加困難，大量的數(shù)據(jù)不能在第一時間充分利用，這一現(xiàn)象往往被稱為“數(shù)據(jù)豐富，但信息貧乏”。

數(shù)據(jù)挖掘技術(shù)的發(fā)展在一定程度上解決了這些問題，利用數(shù)據(jù)挖掘技術(shù)可以從海量的醫(yī)學(xué)信息資源中找到有價值的知識和規(guī)則為疾病診斷和治療提供科學(xué)的決策支持，更好地為醫(yī)院的決策管理、醫(yī)療、科研和教學(xué)服務(wù)。

2 數(shù)據(jù)挖掘的應(yīng)用

數(shù)據(jù)挖掘(Data Mining， DM)，又稱數(shù)據(jù)庫中的知識發(fā)現(xiàn)（Knowledge Discovery in Database， KDD），是指從大量的、不完全的、有噪聲的、模糊的數(shù)據(jù)中，提取隱含的、未知的、非平凡的及有潛在的應(yīng)用價值的信息或模式，它是數(shù)據(jù)庫研究中的一個很有應(yīng)用價值的新領(lǐng)域，融合了數(shù)據(jù)庫、人工智能、機器學(xué)習(xí)、統(tǒng)計學(xué)等多個領(lǐng)域的理論和技術(shù)。

在國外，數(shù)據(jù)挖掘技術(shù)在醫(yī)學(xué)中已經(jīng)有相應(yīng)的應(yīng)用案例，從20世紀90年代起，就開始對醫(yī)學(xué)數(shù)據(jù)進行挖掘研究，隨著計算機技術(shù)的發(fā)展，醫(yī)學(xué)數(shù)據(jù)方面的挖掘發(fā)展的更加完善。目前對醫(yī)學(xué)的數(shù)據(jù)挖掘應(yīng)用主要集中在以下5個方面[4]：

（1）在醫(yī)院管理部門方面的應(yīng)用。以醫(yī)院信息系統(tǒng)（Hospital Information System，HIS）為中心對醫(yī)院財務(wù)、住院病人信息以及藥品庫存等信息進行數(shù)據(jù)挖掘。如醫(yī)院住院人數(shù)的趨勢走向和藥品儲備狀態(tài)等，所獲得的這些結(jié)果可以有效地協(xié)助提高醫(yī)院資源在各單位分配和調(diào)度的效率。

（2）在基礎(chǔ)醫(yī)學(xué)領(lǐng)域方面的應(yīng)用。其中包括DNA序列分類排序、基因組測序數(shù)據(jù)進行分析、腫瘤分類基因的選取以及遺傳數(shù)據(jù)的分析等研究。

（3）在疾病的臨床診斷和治療方面的應(yīng)用。一方面，對大量的病人病歷和治療手段的數(shù)據(jù)挖掘，如進行預(yù)測、分類和歸類等，挖掘出具有價值的診斷規(guī)則，為臨床提供決策支持服務(wù)；另一方面，建立專家經(jīng)驗的關(guān)聯(lián)規(guī)則，輸入患者的癥狀信息，給出判斷結(jié)果協(xié)助醫(yī)生進行疾病診斷，在一定程度上預(yù)防醫(yī)生的主觀判斷錯誤。

（4）在疾病預(yù)測趨勢和行為方面的應(yīng)用。對流行病的防治和疾病危險因素進行篩選，對大量的健康體檢資料數(shù)據(jù)進行體檢參數(shù)之間的相似度挖掘分析，對某群體或區(qū)域的健康狀況及疾病的發(fā)病情況和流行趨勢進行統(tǒng)計分析，為疾病預(yù)防控制和衛(wèi)生政策法規(guī)制定等提供科學(xué)依據(jù)。

（5）在藥物研究開發(fā)方面的應(yīng)用。新藥的計算機輔助藥物設(shè)計系統(tǒng)的利用，縮短了先導(dǎo)化合物發(fā)現(xiàn)的周期，降低了新藥的開發(fā)周期及成本，有助于提高藥物療效，降低毒副作用的新藥設(shè)計。

3 醫(yī)學(xué)數(shù)據(jù)的特點及解決方法

目前醫(yī)院里的電子醫(yī)療數(shù)據(jù)主要集中在醫(yī)院信息系統(tǒng)（Hospital Information System，HIS）、電子病歷（Electronic Medical Record，EMR）、臨床信息系統(tǒng)（Clinical Information System，CIS）里面的各個系統(tǒng)以及社區(qū)居民健康檔案。

3.1 醫(yī)學(xué)數(shù)據(jù)的特點

醫(yī)學(xué)數(shù)據(jù)的復(fù)雜性決定了數(shù)據(jù)的特殊性，與其他行業(yè)數(shù)據(jù)相比，醫(yī)學(xué)數(shù)據(jù)具有自身的特征，其中包括如下4點[1，3]：

（1）隱私性：醫(yī)學(xué)數(shù)據(jù)不可避免地涉及病人的一些隱私信息，如病歷號、病人姓名和聯(lián)系方式等。當(dāng)這些隱私信息泄漏并給病人的日常生活帶來侵擾時，就成了隱私性侵犯問題。再者，醫(yī)學(xué)數(shù)據(jù)中關(guān)于人的身體特征資料，還涉及到倫理、法律及社會方面的問題。因此在醫(yī)學(xué)數(shù)據(jù)被用作醫(yī)學(xué)研究前務(wù)必進行隱私保護處理，作為醫(yī)學(xué)數(shù)據(jù)挖掘者也有義務(wù)和職責(zé)在保護居民隱私的基礎(chǔ)上進行科學(xué)研究，并確保所研究醫(yī)學(xué)數(shù)據(jù)的安全性和保密性。

（2）模式多態(tài)性：醫(yī)學(xué)信息包括體征參數(shù)和化驗結(jié)果的純文本數(shù)據(jù)、腦電和肌電的信號數(shù)據(jù)、B超和CT等醫(yī)學(xué)成像設(shè)備的檢測結(jié)果的圖形數(shù)據(jù)，病人的身份記錄、特征描述、檢測和診斷結(jié)果的文字數(shù)據(jù)，以及一些特殊應(yīng)用的語音和視頻數(shù)據(jù)。不同數(shù)據(jù)庫技術(shù)也是產(chǎn)生醫(yī)學(xué)數(shù)據(jù)模式多態(tài)性重要原因之一。醫(yī)學(xué)數(shù)據(jù)的多模式特性是它區(qū)分其它領(lǐng)域數(shù)據(jù)的最顯著特征之一，多屬性模式并存加大了醫(yī)學(xué)數(shù)據(jù)挖掘的難度。

（3）不完整性：醫(yī)學(xué)數(shù)據(jù)的某些表達和記錄本身就具有不確定性和模糊性的特點，再者，疾病信息所體現(xiàn)出的客觀不完整和描述疾病的主觀不確切，形成了醫(yī)學(xué)信息的不完整性以及由于人為操作錯誤或機械故障原因使數(shù)據(jù)庫中的記錄不完整，記錄屬性值有缺失。

（4）冗余性：醫(yī)學(xué)數(shù)據(jù)庫是一個龐大的數(shù)據(jù)資源，每天都會有大量相同的或部分相同的信息存儲在其中。比如某些疾病的體檢，病人表現(xiàn)出的癥狀、化驗的結(jié)果及采取的治療措施都可能完全類似，不同的就是各個居民個體所持有的特征。

3.2 醫(yī)學(xué)數(shù)據(jù)的解決方法

在數(shù)據(jù)挖掘技術(shù)的發(fā)展過程中，數(shù)據(jù)隱私保護逐漸引起人們的注意。隱私保護主要是由實際應(yīng)用中不同的隱私保護需求決定的，其中通用的隱私保護技術(shù)致力于在較低應(yīng)用層次上保護數(shù)據(jù)的隱私，一般通過引入統(tǒng)計模型和概率模型來實現(xiàn)；而面向數(shù)據(jù)挖掘的隱私保護技術(shù)主要解決在高層數(shù)據(jù)應(yīng)用中，根據(jù)不同數(shù)據(jù)挖掘操作的特性，實現(xiàn)對隱私的保護；基于隱私保護的數(shù)據(jù)發(fā)布原則是為了提供一種在各類應(yīng)用可以通用的隱私保護方法，進而使得在此基礎(chǔ)上設(shè)計的隱私保護算法也具通用性。隱私保護技術(shù)主要分為3類：基于數(shù)據(jù)失真的技術(shù)是使敏感數(shù)據(jù)失真但同時保持某些數(shù)據(jù)或數(shù)據(jù)屬性不變的方法；基于數(shù)據(jù)加密的技術(shù)是采用加密技術(shù)在數(shù)據(jù)挖掘過程中隱藏敏感數(shù)據(jù)的方法；基于限制發(fā)布的技術(shù)是根據(jù)具體情況條件地發(fā)布數(shù)據(jù)。隱私保護技術(shù)需要在保護隱私的同時，兼顧對應(yīng)用的價值以及計算資源的開銷上，表1對隱私保護技術(shù)進行了比較分析[5]:

模式的多態(tài)性的主要解決方法是采用分類處理，主要包括：文字符號類、圖像類、信號類和其他類。如文字符號的記錄使用XML語言進行格式化，建立同義詞匯字段庫，在數(shù)據(jù)比較分析時，不但可以進行字形的匹配，而且可以進行字意匹配，增加系統(tǒng)的精確度。

數(shù)據(jù)庫數(shù)據(jù)的不完整的處理主要體現(xiàn)，當(dāng)目標(biāo)存在于海量的數(shù)據(jù)并且不完整記錄所占比例極小，可以采取刪除不完整或缺失的記錄后對最終所獲得統(tǒng)計結(jié)果和數(shù)據(jù)內(nèi)部的結(jié)構(gòu)影響甚微，否則，必須進行標(biāo)準(zhǔn)化和填補缺失。填補的最好效果是由相應(yīng)的領(lǐng)域?qū)＜腋鶕?jù)經(jīng)驗手動進行填補，但數(shù)據(jù)缺失嚴重的手工填補的工作量巨大，目前主要使用的填補空缺字段方法分為4類[7，8]：①常量法，對于同一個屬性，所有的缺失數(shù)據(jù)用相同的常量進行填補；②均值法，用所有樣本的或同類樣本的均值填補；③標(biāo)準(zhǔn)偏差一致法，在確保所有樣本或同類樣本的標(biāo)準(zhǔn)差不變情況下，填入相應(yīng)數(shù)據(jù)；④回歸法，通過與其他屬性間的內(nèi)在聯(lián)系，缺失的屬性作為未知樣本，對已知數(shù)據(jù)用線性或非線性回歸總結(jié)該屬性與其他屬性的相關(guān)性，進而以預(yù)報未知的方式對缺失進行填補。

數(shù)據(jù)挖掘中的源數(shù)據(jù)冗余分為兩種，一種是可刪除，另一種是不可刪除。而前者的處理方法相對容易，在數(shù)據(jù)處理過程中保留相似的記錄中的一條，其余的不予考慮；后者數(shù)據(jù)的冗余對數(shù)據(jù)挖掘結(jié)果有影響或價值，換句話說，冗余的參與運算使最終獲得的結(jié)果具有更加可信度和合理性。如某一地區(qū)，某一年齡段的哮喘病患人群，從記錄的屬性值看，其中大部分值都是一樣，或稱為冗余數(shù)據(jù)，但其研究價值卻是不能忽略。

4 醫(yī)學(xué)數(shù)據(jù)挖掘的過程

數(shù)據(jù)挖掘是指一個完整的過程，該過程從大型數(shù)據(jù)庫中挖掘先前未知的、有效的、可實用的信息，并使用這些信息做出決策或豐富知識。數(shù)據(jù)挖掘主要流程如下[2，6，8]：

（1）問題定義：在開始數(shù)據(jù)挖掘之前最先的也是最重要的要求就是熟悉背景知識，弄清用戶的需求。缺少了背景知識，就不能明確定義要解決的問題，就不能為挖掘準(zhǔn)備優(yōu)質(zhì)的數(shù)據(jù)，也很難正確的解釋得到的結(jié)果。如果要充分發(fā)揮數(shù)據(jù)挖掘的價值，那么必須對目標(biāo)要有一個清晰明確的定義，即決定到底想干什么；

（2）建立數(shù)據(jù)倉庫：數(shù)據(jù)資源是進行數(shù)據(jù)挖掘的基礎(chǔ)，一般建議把要挖掘的數(shù)據(jù)都收集到一個數(shù)據(jù)庫中，而不是采用原有的事務(wù)型數(shù)據(jù)庫或數(shù)據(jù)倉庫，這是因為大部分情況下需要修改要挖掘的數(shù)據(jù)，而且通常會遇到采用外部數(shù)據(jù)的情況；另外，數(shù)據(jù)挖掘還要對數(shù)據(jù)進行各種紛繁復(fù)雜的統(tǒng)計分析，必須依靠先進的數(shù)據(jù)倉庫技術(shù)支持，具體結(jié)構(gòu)如圖1所示[3]：

（3）數(shù)據(jù)預(yù)處理：由于醫(yī)學(xué)數(shù)據(jù)具有模式的多樣性、不完整性和冗余性等特點，在進行挖掘之前必須針對各種類型的數(shù)據(jù)采取相應(yīng)的數(shù)據(jù)預(yù)處理方法；

（4）分析數(shù)據(jù)：指所進行的對數(shù)據(jù)深入調(diào)查的過程，從數(shù)據(jù)集中找出規(guī)律和趨勢，用聚類分析區(qū)分類別，最終要達到的目的就是理順多因素相互影響的、錯綜復(fù)雜的關(guān)系，發(fā)現(xiàn)因素間的相關(guān)性；

（5）調(diào)整數(shù)據(jù)：通過上述步驟的操作，對數(shù)據(jù)的狀態(tài)和趨勢有了進一步的了解，這時要盡可能對問題解決的要求能進一步明確化、量化，并針對問題的需求對數(shù)據(jù)進行增刪，按照對整個數(shù)據(jù)挖掘過程的信任，將決定是組合或生成一個新的變量，以體現(xiàn)對狀態(tài)的有效描述；

（6）數(shù)據(jù)挖掘（也稱模型化）：在問題被進一步明確化，以及數(shù)據(jù)結(jié)構(gòu)和內(nèi)容進一步調(diào)整的基礎(chǔ)上，就可以建立形成知識的模型，這一步是數(shù)據(jù)挖掘的核心環(huán)節(jié)，一般運用神經(jīng)網(wǎng)絡(luò)、決策樹、數(shù)理統(tǒng)計、時間序列分析等方法來建立模型；

（7）評價和解釋：上面得到的模型，有可能是沒有實際意義或沒有使用價值的，也有可能是其不能準(zhǔn)確反映數(shù)據(jù)的真實意義，甚至在某些情況下是與事實相違背的，因此需要評論，確定哪些是有效的、有用的模式。評估的一種辦法是直接使用原先建立的挖掘數(shù)據(jù)庫中的數(shù)據(jù)來進行檢驗，另一種辦法是另找一批數(shù)據(jù)并對其進行檢驗，再者就是在實際運行的環(huán)境中取出新鮮的數(shù)據(jù)進行檢驗；

（8）應(yīng)用所發(fā)現(xiàn)的模型：在應(yīng)用所得模型的過程中，要有計劃地實施和控制，發(fā)現(xiàn)和解決實施過程的出現(xiàn)的問題，并對應(yīng)用情況進行階段總結(jié)，為今后的工作提供參考。

5 結(jié)論

本文介紹了數(shù)據(jù)挖掘技術(shù)在醫(yī)學(xué)數(shù)據(jù)上的應(yīng)用，側(cè)重于研究醫(yī)學(xué)數(shù)據(jù)的特征并且對相應(yīng)特征提出解決方案。數(shù)據(jù)挖掘是一個多專家合作的過程，也是一個在資金上和技術(shù)上高投入的過程，這一過程要反復(fù)進行，在反復(fù)過程中，不斷地趨近事物的本質(zhì)，不斷地優(yōu)化問題的解決方案。醫(yī)學(xué)數(shù)據(jù)本身的特點決定了其使用數(shù)據(jù)挖掘技術(shù)的艱巨性，但隨著理論研究的深入和進一步的實踐摸索，醫(yī)學(xué)數(shù)據(jù)挖掘在醫(yī)療資源分配、疾病預(yù)測與控制、基礎(chǔ)醫(yī)學(xué)和藥物研究等方面將提供更加可靠的信息。

參考文獻

[1] 王華，江啟成，胡學(xué)剛. 數(shù)據(jù)挖掘在醫(yī)學(xué)上的應(yīng)用. 安徽醫(yī)藥. 2008

[2] 焦李成，劉芳等. 智能數(shù)據(jù)挖掘與知識發(fā)現(xiàn). 西安電子科技大學(xué)出版社. 2006

[3] 徐元熙，張杰. 數(shù)據(jù)挖掘在醫(yī)院信息系統(tǒng)中的應(yīng)用研究. 微計算機信息. 2008

[4] 陳功，范曉薇等. 數(shù)據(jù)挖掘與醫(yī)學(xué)數(shù)據(jù)資源開發(fā)利用. 北京生物醫(yī)學(xué)工程. 2010

[5] 周水庚，李豐，陶宇飛，肖小奎. 面向數(shù)據(jù)庫應(yīng)用的隱私保護研究. 計算機學(xué)報. 2009

[6] 梁循. 數(shù)據(jù)挖掘算法與應(yīng)用. 北京大學(xué)出版社. 2006

[7] 楊杰，姚莉秀. 數(shù)據(jù)挖掘技術(shù)及其應(yīng)用. 上海交通大學(xué)出版社 2011

[8] 范明，范宏建譯. 數(shù)據(jù)挖掘?qū)д? 人民郵電出版社. 2011