基于風(fēng)險處理機制的醫(yī)療數(shù)據(jù)挖掘算法研究

范爍楠

(廣東省第二中醫(yī)院，廣東 廣州510095)

近年來，針對醫(yī)療IT信息化系統(tǒng)產(chǎn)生的海量數(shù)據(jù)信息無法得到高效利用的問題，為了提高醫(yī)療IT系統(tǒng)中對病情數(shù)據(jù)信息的高效深度控制，國內(nèi)外學(xué)者們做了深入研究與分析，提出一系列醫(yī)療數(shù)據(jù)處理算法，形成一些新型的、高效的醫(yī)療數(shù)據(jù)挖掘結(jié)構(gòu)模型，例如應(yīng)用于醫(yī)療結(jié)構(gòu)診斷分析的C4.5決策控制樹算法。然而過于精確地衡量尺碼的缺陷阻礙了此算法在醫(yī)療IT系統(tǒng)數(shù)據(jù)挖掘領(lǐng)域的應(yīng)用與拓展。另一種是在醫(yī)療數(shù)據(jù)挖掘領(lǐng)域研究較深的關(guān)聯(lián)規(guī)則算法，此算法的原理是利用不同特征關(guān)系的數(shù)據(jù)信息規(guī)則項進(jìn)行挖掘研究，現(xiàn)已廣泛應(yīng)用于醫(yī)學(xué)臨床領(lǐng)域。目前典型的關(guān)聯(lián)規(guī)則算法主要有Apriori和FP-growth方法。但在低符合率的條件下，關(guān)聯(lián)規(guī)則算法會產(chǎn)生過多無用或冗余規(guī)則信息，而且存在可識別程度與效率過低的問題。

目前，基于安全風(fēng)險參數(shù)與比值概率的醫(yī)療數(shù)據(jù)挖掘也已經(jīng)應(yīng)用于IT系統(tǒng)模型中。在此前提下，參考文獻(xiàn)[1-2]都已設(shè)計出基于最優(yōu)化安全風(fēng)險結(jié)構(gòu)模型數(shù)據(jù)挖掘算法，然而其缺陷都是冗余數(shù)據(jù)信息過多，且數(shù)據(jù)模型與信息展示過于復(fù)雜。

在上述研究成果的基礎(chǔ)之上，本文設(shè)計出一種基于風(fēng)險處理機制的醫(yī)療數(shù)據(jù)挖掘算法MRPM（Medical Risk Processing Mechanism），引入病情特征碼值，使用權(quán)重參數(shù)抽取及病情有關(guān)的安全風(fēng)險、預(yù)防與診斷因素。該算法在醫(yī)療IT系統(tǒng)數(shù)據(jù)挖掘與分析中數(shù)據(jù)信息冗余度較低、效率高，并且展現(xiàn)方式更加立體、直觀。

1 相關(guān)研究

1.1 相關(guān)算法

1.1.1 最優(yōu)化安全風(fēng)險模型算法

病情種類情況從醫(yī)療數(shù)據(jù)信息角度可以分為惡性與良性兩種。模型一般被說明為：特征碼值的集合，最優(yōu)化安全風(fēng)險模型獲取的結(jié)果是惡性，而其預(yù)防與診斷模型出現(xiàn)的結(jié)果是良性。針對此種情況，參考文獻(xiàn)[3]提出了一種MORE算法，用于得到最優(yōu)化安全風(fēng)險與預(yù)防數(shù)據(jù)結(jié)構(gòu)模型。

MORE算法一方面采取部分支持度挖掘使用頻率較高的數(shù)據(jù)結(jié)構(gòu)模型，再采用病理學(xué)中對應(yīng)于安全風(fēng)險指標(biāo)項得到最優(yōu)化安全風(fēng)險與預(yù)防數(shù)據(jù)結(jié)構(gòu)模型。為了使模型更加直觀，本文通過病情特征碼值的長度設(shè)置操作模型坐標(biāo)值項，該模型滿足反單調(diào)原則。

1.1.2 醫(yī)療數(shù)據(jù)挖掘算法

基于最優(yōu)化安全風(fēng)險與預(yù)防數(shù)據(jù)結(jié)構(gòu)模型盡管能識別典型病情數(shù)據(jù)結(jié)構(gòu)，但其結(jié)構(gòu)存在明顯的誤區(qū)，影響醫(yī)療IT系統(tǒng)病情診斷環(huán)節(jié)。針對這一缺陷，本文設(shè)計了一種基于風(fēng)險處理機制(包含最優(yōu)化安全風(fēng)險與預(yù)防能力)的醫(yī)療數(shù)據(jù)挖掘算法。此算法創(chuàng)造性地加入病情特征碼值，形成了最優(yōu)化風(fēng)險集合與預(yù)防集合。并采用權(quán)重參數(shù)對每個集合進(jìn)行度量，使集合中每個病情特征碼值的權(quán)重參數(shù)與病情數(shù)據(jù)信息使用頻率構(gòu)成正比函數(shù)關(guān)系，從而體現(xiàn)出每個病情特征碼值對醫(yī)療診斷與預(yù)防方面貢獻(xiàn)程度[4]。

1.2 MRPM算法

相關(guān)符號的定義如下：m1是最優(yōu)化安全風(fēng)險結(jié)構(gòu)模型的數(shù)量；m2是最優(yōu)化預(yù)防結(jié)構(gòu)模型的數(shù)量；spt是部分支持度的參數(shù)值；m1*spt是初始化安全風(fēng)險集合的期望使用頻率參數(shù)標(biāo)準(zhǔn)值；m2*spt是初始化預(yù)防集合期望使用頻率參數(shù)標(biāo)準(zhǔn)值；R1、R2是初始化安全風(fēng)險與預(yù)防集合中病情特征碼值數(shù)量；R1′、R2′是非初始化安全風(fēng)險與預(yù)防集合中病情特征碼值數(shù)量。為了方便，分別使用 IRS、IPS、RS、PS代表初始化安全風(fēng)險與預(yù)防集合以及非初始化狀態(tài)的安全風(fēng)險與預(yù)防集合，RFS、PFS分別表示安全風(fēng)險與預(yù)防使用頻率指標(biāo)項，RSM、PSM分別表示安全風(fēng)險分?jǐn)?shù)矩陣與預(yù)防分?jǐn)?shù)矩陣 (RSM、PSM分別對應(yīng)RS、PS中每個病情特征碼值參數(shù)項)。

若 IRS=[IRi1，IRi2，…，IRiR1]T、IPS=[IPi1，IPi2，…，IPiR2]T，對應(yīng)的 IRFS=[IRf1，IRf2， …，IRfR1]T、IPFS=[IPf1，IPf2， …，IPfR2]T。其中集合滿足以下特性：

(1)IRf1≥IRf2≥…≥IRfR1≥m1*spt

(2)IPf1≥IPf2≥…≥IPfR2≥m2*spt

若IRS與IPS有交集，且不為空，因為 IRS與 IPS彼此矛盾，因而需要將其公共特征值參數(shù)鏟除，則可以得到包括RS、PS、RFS、PFS集合，它們之間的相互關(guān)系如下：RS?IRS；RFS?IRFS；PS?IPS 以 及 PFS?IPFS。 若RS=[Ri1，Ri2，… ，RiR1]T、PS=[Pi1，Pi2，… ，PiR2]T， 對 應(yīng) 于 RS、PS 的 RFS=[Rf1，Rf2，…，RfR1]T、PFS=[Pf1，Pf2，…，PfR2]T。 其中滿足以下特性：

(3)Rf1≥Rf2≥…≥RfR1≥m1*spt

(4)Pf1≥Pf2≥ … ≥PfR2≥m2*spt

RSM與PSM則滿足以下特性：

若病情特征碼值權(quán)重參數(shù)≥式(5)中第一項與第二項之和，則可以判定病者存在一定安全風(fēng)險，與之相對應(yīng)，當(dāng)病情特征碼值權(quán)重參數(shù)≥式(6)中第一項與第二項之和，則可以判定病者暫無安全風(fēng)險。

MRPM算法中包含兩個核心函數(shù)機制，一個產(chǎn)生（IRS、IPS），另一個產(chǎn)生帶有病情特征碼值權(quán)重參數(shù)的（RS、PS）。這兩個函數(shù)的機制原理分析如下。

1.2.1 函數(shù) 1：產(chǎn)生（IRS、IPS）

輸入?yún)?shù)：最優(yōu)化安全風(fēng)險與預(yù)防數(shù)據(jù)結(jié)構(gòu)模型、m1*spt、m2*spt；輸出參數(shù)：IRS 與 IPS。

（IRS、IPS）輸出過程如下：

(1)得到最優(yōu)化安全風(fēng)險與預(yù)防數(shù)據(jù)結(jié)構(gòu)模型，計算出初始化與非初始化安全風(fēng)險集合的期望使用頻率參數(shù)標(biāo)準(zhǔn)值 m1*spt、m2*spt。

(2)對病情特征碼值進(jìn)行使用頻率統(tǒng)計，過濾其中期望使用頻率值小于期望使用頻率參數(shù)標(biāo)準(zhǔn)值。

(3)對統(tǒng)計的期望使用頻率值進(jìn)行降序排列，其中IRS由最優(yōu)化安全風(fēng)險數(shù)據(jù)結(jié)構(gòu)模型中病情特征碼值參數(shù)項構(gòu)成，IPS由最優(yōu)化預(yù)防數(shù)據(jù)結(jié)構(gòu)模型中病情特征碼值參數(shù)項構(gòu)成。

盡管函數(shù)1得到(IRS、IPS)，然而它們之間的公共特征參數(shù)項會給安全風(fēng)險與預(yù)防機制帶來數(shù)據(jù)誤差，因此需要預(yù)先鏟除。

1.2.2 函數(shù) 2：產(chǎn)生（RS、PS）

輸 入 參 數(shù) ： （IRS、IPS）； 輸 出 參 數(shù) ： （RS、PS、RSM、PSM）。 （RS、PS、RSM、PSM）輸出的過程如下：

(1)鏟除（IRS、IPS）的公共特征參數(shù)項。

(2)重新對病情特征碼值進(jìn)行使用頻率統(tǒng)計，且降序排列，得到 RS=IRS、PS=IPS。

(3)依次計算RS和PS的病情特征碼值權(quán)重參數(shù)，獲取 RSM、PSM。

步驟(3)過程是通過 1.2節(jié)的步驟(5)、(6)推導(dǎo)得出的，其中100為總權(quán)重參數(shù)值。

2 測試結(jié)果與應(yīng)用分析

本文使用了兩組UCI數(shù)據(jù)庫中取得的醫(yī)療數(shù)據(jù)信息基準(zhǔn)集合以及最典型的最優(yōu)化安全風(fēng)險與預(yù)防數(shù)據(jù)結(jié)構(gòu)模型[5]，采用對比論證方式進(jìn)行測試應(yīng)用與分析，其中數(shù)據(jù)信息說明如表1所示。

表1 UCI醫(yī)療數(shù)據(jù)信息說明

2.1 安全風(fēng)險與預(yù)防模型對比分析

由UCI醫(yī)療數(shù)據(jù)信息說明中可知，本文依次使用了類比率為30的免疫系統(tǒng)功能衰退與類比率為4的淋巴癌示例進(jìn)行測試，為了保證實驗的廣泛性，使用了不同的類比分布概率。兩種醫(yī)療數(shù)據(jù)信息集合分別進(jìn)行了最小熵離散化與隔離分布處理，數(shù)據(jù)信息集合中的spt的最小值分別為7%和33%，病情特征碼參數(shù)值度量分別為L=6、L=7,相對安全風(fēng)險參數(shù)最小值為1.2。

在取得最優(yōu)化安全風(fēng)險與預(yù)防數(shù)據(jù)結(jié)構(gòu)模型以及從核心函數(shù)機制中輸出的病情特征碼參數(shù)項的前提下，采用MRPM算法在醫(yī)療數(shù)據(jù)信息中深度挖掘帶有權(quán)重參數(shù)值的安全風(fēng)險與預(yù)防集合。

為了對比最優(yōu)化安全風(fēng)險與預(yù)防數(shù)據(jù)結(jié)構(gòu)模型、最典型的安全風(fēng)險和預(yù)防數(shù)據(jù)結(jié)構(gòu)模型以及 (RS、PS)中的病情特征碼參數(shù)值，當(dāng)數(shù)據(jù)源為免疫系統(tǒng)功能衰退時，與最優(yōu)化安全風(fēng)險和預(yù)防數(shù)據(jù)結(jié)構(gòu)模型相關(guān)的病情特征碼值分別是334和194，典型性安全風(fēng)險與預(yù)防數(shù)據(jù)結(jié)構(gòu)模型涉及的病情特征碼值分別是13和4。相類似，當(dāng)數(shù)據(jù)源為淋巴癌時，與最優(yōu)化安全風(fēng)險與預(yù)防數(shù)據(jù)結(jié)構(gòu)模型相關(guān)的病情特征碼值分別是714和296，典型性安全風(fēng)險與預(yù)防數(shù)據(jù)結(jié)構(gòu)模型涉及的病情特征碼值分別是45和57，而RS、PS中涉及的病情特征碼值分別是13和4。

上述病情特征碼值對比結(jié)果說明：在最優(yōu)化安全風(fēng)險與預(yù)防數(shù)據(jù)結(jié)構(gòu)模型相關(guān)的病情特征碼值、典型性安全風(fēng)險與預(yù)防數(shù)據(jù)結(jié)構(gòu)模型涉及的病情特征碼值遠(yuǎn)遠(yuǎn)大于（RS、PS）中的相關(guān)病情特征碼值。其中帶有權(quán)重參數(shù)值越大，病情特征碼值影響程度就越高，對病情影響也越大，反之一樣。從而表達(dá)了（RS、PS）能夠深度挖掘出與病情最具有關(guān)聯(lián)[6]的安全風(fēng)險及預(yù)防因子。

2.2 （RS、PS）中每個病情特征碼值的權(quán)重參數(shù)

對于病情特征碼值而言，其內(nèi)部的權(quán)重參數(shù)出自于（RS、PS）中的百分比率。它能夠判定其病情特碼值的影響程度，并且也能夠通過它來觀察病者病情的安全風(fēng)險權(quán)重參數(shù)與預(yù)防權(quán)重參數(shù)。MRPM算法在免疫系統(tǒng)功能衰退數(shù)據(jù)信息集合中的 RS、PS如圖 1、圖 2所示，其中spt=0.06，L=5，圖中下面一欄統(tǒng)一是病情特征碼值。

圖1 RS中病情特征碼值權(quán)重參數(shù)

從圖1可以得出結(jié)論：RS中最大的兩個病情特征碼值權(quán)重參數(shù)是immune_surgery=r(18.315 0)和query_hypoimmune=r(12.087 9)。所以，相對于免疫系統(tǒng)功能衰退，兩個最大的病情特征碼值的權(quán)重之和為30.402 9。依據(jù)上述推理論證說明此病者的病情特征碼值的權(quán)重參數(shù)之和≥30.402 9，此病情患有免疫系統(tǒng)功能衰退的安全風(fēng)險；但是在PS中，最大的兩個病情特征碼值權(quán)重參數(shù)分別是 immune_surgery=p(23.7 624)、immunty=p(20.792 1)?？芍錂?quán)重參數(shù)之和為44.554 5。因此，若病者病情特征碼值的權(quán)重參數(shù)＜44.554 5，則患有免疫系統(tǒng)功能衰退的概率較高。

圖2 PS中病情特征碼值權(quán)重參數(shù)

在最優(yōu)化安全風(fēng)險與預(yù)防數(shù)據(jù)結(jié)構(gòu)模型及最具典型的安全風(fēng)險與預(yù)防數(shù)據(jù)結(jié)構(gòu)模型的基礎(chǔ)之上，本文在醫(yī)療數(shù)據(jù)挖掘中創(chuàng)造性地引入了病情特征碼值，并對其設(shè)置相關(guān)權(quán)重參數(shù)，且通過權(quán)重參數(shù)判定其病情特征碼值的安全風(fēng)險與預(yù)防影響程度，對醫(yī)療數(shù)據(jù)信息進(jìn)行深度挖掘。測試結(jié)果顯示，所設(shè)計出的MRPM算法可以深度挖掘具有典型性質(zhì)的病情特征碼值，且展示立體、直觀，對醫(yī)療工作者提供了更加有效的參考價值。

[1]Wang Guoyin.Rough reduction in algebra view and information view[J].International Journal of Intelligent System，2003，18(3)：679-688.

[2]葉明全，伍長榮，胡學(xué)剛.基于粗糙集的醫(yī)療數(shù)據(jù)挖掘研究與應(yīng)用[J].計算機工程與應(yīng)用，2010，46（21）：232-237.

[3]邵峰晶，于忠清.數(shù)據(jù)挖掘原理與算法[M].北京：中國水利水電出版社，2003.

[4]KANTARDZIC M.Data mining concept，models，methods and algorithms[M].IEEE Press，2002，12(4)：223-263.

[5]張俊鵬，賀建峰，馬磊.基于最優(yōu)風(fēng)險與預(yù)防模型的醫(yī)療數(shù)據(jù)挖掘算法[J].計算機工程，2011，37（22）：33-37.

[6]Li Jiuyong，F(xiàn)u Waichee，F(xiàn)AHEY P.Mining risk patterns in medical data[C].Proceeding of the 7thACM SIGKDD International Conference on Knowledge Discovery in Data Mining，New York，USA：ACM Press，2005：770-775.