基于文本挖掘技術(shù)的高血壓用藥規(guī)律研究*

李艷紅，沈瑞琪，歐敬民

(1．上海財(cái)經(jīng)大學(xué) 信息管理與工程學(xué)院，上海 200433；2．上海交通大學(xué)醫(yī)學(xué)院附屬新華醫(yī)院 普外科，上海 200092)

基于文本挖掘技術(shù)的高血壓用藥規(guī)律研究*

李艷紅1，沈瑞琪1，歐敬民2

(1．上海財(cái)經(jīng)大學(xué) 信息管理與工程學(xué)院，上海 200433；2．上海交通大學(xué)醫(yī)學(xué)院附屬新華醫(yī)院 普外科，上海 200092)

大數(shù)據(jù)時(shí)代的來臨日益凸顯數(shù)據(jù)挖掘技術(shù)的價(jià)值。文本挖掘作為數(shù)據(jù)挖掘的研究分支，對(duì)非結(jié)構(gòu)化數(shù)據(jù)的知識(shí)發(fā)現(xiàn)有重要意義。高血壓患病人群廣，發(fā)病率高，治療藥物種類繁雜，尋找其中的用藥規(guī)律，是臨床醫(yī)學(xué)的一個(gè)重要方向?；谖谋就诰蚣夹g(shù)，從在線醫(yī)療網(wǎng)站獲取醫(yī)患互動(dòng)論壇數(shù)據(jù)，進(jìn)行文本預(yù)處理，基于TF-IDF算法發(fā)現(xiàn)高血壓常用中西藥、非藥物治療、并發(fā)癥用藥特點(diǎn)等，結(jié)合關(guān)聯(lián)規(guī)則算法挖掘“癥-藥”關(guān)系，有益于高血壓的臨床判斷及用藥研究。另外，驗(yàn)證了在線醫(yī)療網(wǎng)站醫(yī)患互動(dòng)數(shù)據(jù)用于疾病研究的可用性和效果。

高血壓；文本挖掘；用藥規(guī)律；TF-IDF；關(guān)聯(lián)規(guī)則

0 引言

文本挖掘能抽取分散在文本數(shù)據(jù)中未被發(fā)現(xiàn)的、有價(jià)值的、能被用戶理解的知識(shí)，從而更好地組織信息，是數(shù)據(jù)挖掘的一個(gè)研究分支。大數(shù)據(jù)時(shí)代的數(shù)據(jù)量龐大，類型繁多，價(jià)值密度低。利用傳統(tǒng)的信息檢索技術(shù)處理如此大量瑣碎的文本數(shù)據(jù)顯然力不從心，文本挖掘漸漸受到重視。大量醫(yī)學(xué)信息以非結(jié)構(gòu)化文本的形式充斥互聯(lián)網(wǎng)，如醫(yī)療新聞、生物醫(yī)學(xué)文獻(xiàn)、在線醫(yī)療網(wǎng)站上的醫(yī)患互動(dòng)論壇等，應(yīng)用文本挖掘知識(shí)以及技術(shù)從中發(fā)現(xiàn)隱含潛在的規(guī)律，已成為醫(yī)學(xué)研究的一個(gè)重要方向。

高血壓是目前最常見的疾病，據(jù)統(tǒng)計(jì)，全國高血壓患者接近2.7億，15歲及以上高血壓發(fā)病率達(dá)四分之一，并有逐漸增多的趨勢。治療使用的中西藥種類繁多，而且不斷有研發(fā)出的新藥用于臨床。尋找高血壓的用藥規(guī)律，是臨床醫(yī)學(xué)的一個(gè)重要任務(wù)。

本文基于文本挖掘技術(shù)，抓取國內(nèi)知名在線醫(yī)療網(wǎng)站上關(guān)于高血壓的醫(yī)患問答文本，獲取高血壓的相關(guān)知識(shí)，所得結(jié)論供醫(yī)生和病人參考，有益于高血壓臨床判斷及用藥研究。

1 文獻(xiàn)綜述

文本挖掘在生物信息和生物制藥領(lǐng)域的應(yīng)用取得成功，為其在中醫(yī)藥領(lǐng)域的應(yīng)用建立了案例。參考文獻(xiàn)[1]指出文本挖掘技術(shù)對(duì)中醫(yī)藥文獻(xiàn)分析是一種很有前景的方法。目前，文本挖掘技術(shù)也確實(shí)在我國的中醫(yī)藥領(lǐng)域被廣泛運(yùn)用，越來越多的學(xué)者基于中醫(yī)藥文獻(xiàn)使用文本挖掘技術(shù)研究某疾病用藥規(guī)律，僅針對(duì)高血壓疾病，文獻(xiàn)[2-3]基于中國生物醫(yī)學(xué)文獻(xiàn)數(shù)據(jù)庫中檢索的高血壓診療相關(guān)文獻(xiàn)，進(jìn)行必要的數(shù)據(jù)清洗后，參考文獻(xiàn)[2]對(duì)每一篇文獻(xiàn)共同出現(xiàn)的關(guān)鍵詞對(duì)構(gòu)建關(guān)鍵詞對(duì)程序算法，合并相同的關(guān)鍵詞對(duì)，根據(jù)出現(xiàn)的頻數(shù)找出常用的中西藥；參考文獻(xiàn)[3]采用基于敏感關(guān)鍵詞頻數(shù)統(tǒng)計(jì)的數(shù)據(jù)分層算法，挖掘高血壓中醫(yī)癥狀、證候以及用藥規(guī)律。目前國內(nèi)尚未見到網(wǎng)絡(luò)數(shù)據(jù)用于醫(yī)學(xué)研究，在國外，有相應(yīng)的工作發(fā)布，如參考文獻(xiàn)[4]認(rèn)為網(wǎng)絡(luò)和社會(huì)媒體數(shù)據(jù)是重要的疾病監(jiān)測資源，基于其上的文本挖掘研究不僅能預(yù)測流感趨勢，還能通過社交網(wǎng)絡(luò)的異常進(jìn)行生物事件的探測；參考文獻(xiàn)[5]試圖建立一個(gè)機(jī)器學(xué)習(xí)方法，從社交媒體中高度非正式的描述性文本中提取藥物不良反應(yīng)信息；參考文獻(xiàn)[6]發(fā)現(xiàn)網(wǎng)絡(luò)和社會(huì)化媒體的謾罵相關(guān)信息可用于監(jiān)控濫用處方藥；參考文獻(xiàn)[7]調(diào)查了是否在線醫(yī)療社區(qū)的社交支持交換有利于患者的心理健康，如憂郁癥；參考文獻(xiàn)[8]針對(duì)twitter用戶使用樸素和日常的語言來描述他們的疾病，經(jīng)常報(bào)告綜合癥狀，而不是一個(gè)疑似或確診等特點(diǎn)，發(fā)現(xiàn)twitter有潛力成為一個(gè)內(nèi)容豐富和低成本的數(shù)據(jù)源，可用于癥狀監(jiān)測。

用藥規(guī)律研究方面，包括參考文獻(xiàn)[1]在內(nèi)的已有文獻(xiàn)都只挖掘出常用中藥及西藥的用藥規(guī)律，鮮有研究“癥-藥”關(guān)聯(lián)。另外，數(shù)據(jù)源都是直接從生物醫(yī)學(xué)文獻(xiàn)數(shù)據(jù)庫檢索的文獻(xiàn)。雖然文獻(xiàn)的數(shù)據(jù)更具權(quán)威性，但已被人為處理過。根據(jù)國外的研究成果，已知網(wǎng)絡(luò)數(shù)據(jù)在醫(yī)學(xué)某方面應(yīng)用的有效性，直接從網(wǎng)上抓取的數(shù)據(jù)更具客觀性、先進(jìn)性以及臨床價(jià)值。所以，本文在研究方法和數(shù)據(jù)源選擇方面進(jìn)行新的嘗試。

2 研究設(shè)計(jì)

本文的研究工作路徑設(shè)計(jì)如下：數(shù)據(jù)爬取→文本預(yù)處理(分詞和過濾)→抽取關(guān)鍵詞→文本向量化→知識(shí)獲取。

數(shù)據(jù)獲取是研究的第一步，使用Python設(shè)計(jì)兩層網(wǎng)絡(luò)爬蟲，使用Scrapy架構(gòu)，采用Spider作為爬蟲設(shè)計(jì)的基類來獲取網(wǎng)絡(luò)數(shù)據(jù)源。中文文本預(yù)處理最基礎(chǔ)的一個(gè)工作就是分詞。非結(jié)構(gòu)化的文本數(shù)據(jù)會(huì)摻雜大量對(duì)結(jié)果沒有影響的無意義的單詞，處理文本時(shí)需要過濾掉。在哈工大擴(kuò)展停用詞表的基礎(chǔ)上手工添加了若干如“疾病”、“醫(yī)生”這些對(duì)研究沒有幫助的高頻詞，導(dǎo)入到結(jié)巴分詞中，完成文本預(yù)處理。由于文本包含的信息和詞條繁雜，直接進(jìn)行文本向量化維數(shù)過大，因此需要先進(jìn)行特征提取降維。使用詞頻-反詞頻(Term Frequency-Inverse Document Frequency, TF-IDF)方法更客觀地權(quán)衡某詞語的重要程度，實(shí)現(xiàn)關(guān)鍵詞的自動(dòng)抽取。文本向量化是把文本數(shù)據(jù)從非結(jié)構(gòu)化轉(zhuǎn)到結(jié)構(gòu)化的重要一步，使用Python機(jī)器學(xué)習(xí)包scikit-learn完成文本向量化的過程。最后，基于詞頻統(tǒng)計(jì)信息和關(guān)聯(lián)規(guī)則的經(jīng)典算法Apriori完成高血壓用藥相關(guān)知識(shí)獲取。

3 實(shí)證分析過程

3.1 獲取數(shù)據(jù)

爬取到2013～2016年尋醫(yī)問藥在線醫(yī)療網(wǎng)站上高血壓相關(guān)醫(yī)患互動(dòng)文本數(shù)據(jù)57 000條。

3.2 文本預(yù)處理

導(dǎo)入自定義詞典，自定義詞典為高血壓相關(guān)的醫(yī)學(xué)專有名詞以及藥名。導(dǎo)入哈工大停用詞典。進(jìn)行分詞。

3.3 獲取關(guān)鍵字

首先使用基于詞頻統(tǒng)計(jì)的方法抓取關(guān)鍵詞，得出病人提問部分主要集中在患者對(duì)血壓(“高壓”、“低壓”)、病史(如“心臟病”、“糖尿病”、“冠心病”等)，以及癥狀(“頭暈”、“頭疼”)的描述。醫(yī)生回答部分主要為藥名。設(shè)置參數(shù)輸出指定詞性的關(guān)鍵詞，抓取名詞關(guān)鍵詞作為特征提取能更高效地挖掘用藥規(guī)律。選用同時(shí)兼顧詞頻和詞重要性的TF-IDF方法自動(dòng)抽取關(guān)鍵詞。

3.4 文本向量化

將TF-IDF結(jié)果轉(zhuǎn)換成對(duì)應(yīng)稀疏矩陣。每行對(duì)應(yīng)一個(gè)文件，共有57 000行，列由關(guān)鍵詞表組成。然后進(jìn)行高血壓用藥相關(guān)知識(shí)獲取。

4 高血壓用藥知識(shí)獲取

4.1 基于詞頻獲取高血壓常用中西藥及非藥物治療

由于中藥種類繁多，量效關(guān)系復(fù)雜，用藥配比規(guī)定嚴(yán)格，在線醫(yī)療網(wǎng)站上醫(yī)生答復(fù)以西藥為主，故所得中藥成分相關(guān)數(shù)據(jù)頻數(shù)普遍較小。選取部分頻數(shù)相對(duì)比較高的，可見治療高血壓常用中藥以丹參、山楂、牛黃、決明子、菊花、天麻、葛根為主，多有祛風(fēng)解毒、清肝補(bǔ)腎之藥效，如圖1所示。文獻(xiàn)[2][3]得出治療高血壓病最常用的中藥是天麻、鉤藤、丹參、地黃，最常用的中成藥是丹參注射液和珍菊降壓片。本研究未細(xì)致區(qū)分中藥和中成藥，導(dǎo)致丹參兼具中藥成分和注射液的雙重身份，故頻數(shù)最多，所以本文結(jié)論與文獻(xiàn)[2][3]類似。

治療高血壓的常用西藥頻數(shù)統(tǒng)計(jì)如圖2?？梢娾}通道拮抗劑類藥物使用較多，繼續(xù)對(duì)其進(jìn)行分析。根據(jù)圖3可知，硝苯地平頻數(shù)最多，是鈣通道拮抗劑中使用最廣的藥物。

表1為ACEI類各藥物的目前使用頻數(shù)表，顯示ACEI類藥物中卡托普利及依那普利應(yīng)用最廣泛，占ACEI藥物的60%和35%。

圖3 鈣通道拮抗劑類藥物頻數(shù)圖

ARB類各藥物的使用頻數(shù)如表2，可見替米沙坦、纈沙坦使用較多，分別占比34%和30%。

利尿劑使用氫氯噻嗪、吲達(dá)帕胺兩種最多，氨苯蝶啶和螺內(nèi)酯也起利尿作用，但頻數(shù)較低，如圖4。

表1 ACEI類各藥物的使用頻數(shù)表

表2 ARB類各藥物的使用頻數(shù)表

圖4 利尿劑類藥物使用頻數(shù)圖

圖5 文獻(xiàn)[2]高血壓病常用西藥使用文獻(xiàn)頻數(shù)圖

如圖5所示為文獻(xiàn)[2]對(duì)高血壓病常用西藥使用情況的研究結(jié)果。本文研究對(duì)目前高血壓西藥的用藥情況結(jié)論與文獻(xiàn)[2]類似，排名前三的藥物是一樣的。本文在高血壓西藥大的分類框架下做了更細(xì)致的分析，提供了更詳細(xì)的信息。硝苯地平是臨床常用的降壓藥，也是一種不可多得的急救藥，特別是舌下含化，療效迅速。根據(jù)資料和專家求證發(fā)現(xiàn)硝苯地平能否作為長期降壓藥，理論和實(shí)踐中存在分歧。從本文研究數(shù)據(jù)中看，它的使用位居榜首，從圖5可見它的使用基本持平卡托普利。圖5結(jié)論基于中國生物醫(yī)學(xué)文獻(xiàn)數(shù)據(jù)庫數(shù)據(jù)，更反映臨床研究。本文研究基于互聯(lián)網(wǎng)醫(yī)患互動(dòng)論壇數(shù)據(jù)，涉及面更廣，反映廣大患者的實(shí)際使用。二者近似相同，證實(shí)了本文研究一定程度的可信性。同時(shí)也提出了疑問，目前硝苯地平如此多的使用，是否存在誤用問題，有待于引發(fā)思考，進(jìn)一步求證。

由圖6可見，除了藥物治療以外，改變生活習(xí)慣，食療和鍛煉也是治療高血壓的常用療法。高血壓患者要注意：低脂低鹽，保持情緒穩(wěn)定，戒煙忌酒，飲食清淡，注意睡眠，多吃蔬菜，補(bǔ)充維生素，多參加體育鍛煉，多喝水等。

圖6 高血壓其他治療方法

4.2 基于關(guān)聯(lián)規(guī)則獲取“癥-藥”關(guān)系

基于詞頻統(tǒng)計(jì)獲得的高血壓癥狀信息如圖7，可見高血壓常見癥狀為頭暈、頭痛、惡心嘔吐、水腫等。頭暈、頭痛為最主要的兩大癥狀，此結(jié)論與文獻(xiàn)[3]一致。根據(jù)圖7，可把高血壓癥狀主要分為3類：影響患者腦部血管引起患者頭痛、頭暈、耳鳴；影響患者心血管機(jī)能造成患者心悸、心絞痛；造成患者四肢乏力、麻木、水腫。

圖7 高血壓癥狀頻數(shù)統(tǒng)計(jì)圖

本文數(shù)據(jù)源并非權(quán)威的文獻(xiàn)，患者癥狀描述或醫(yī)生答復(fù)并不詳盡，數(shù)據(jù)集的稀疏度決定最小支持度不能太高。同時(shí)再次對(duì)數(shù)據(jù)進(jìn)行清洗去噪，把矩陣中不包含關(guān)鍵詞和只包含一個(gè)關(guān)鍵詞的評(píng)論刪除以增加數(shù)據(jù)的密集度。經(jīng)過多次嘗試，降低最小支持度至5%，計(jì)算出滿足置信度50%的強(qiáng)規(guī)則有：

規(guī)則1：頭痛→頭暈，最小置信度為53.1%；

規(guī)則2：頭痛→鈣通道拮抗劑，最小置信度為53.3%；

規(guī)則3：水腫→利尿劑，最小置信度為67.2%。

由規(guī)則1可知，出現(xiàn)頭痛癥狀的高血壓患者通常伴有頭暈，這兩種癥狀都與腦部血管有關(guān)。規(guī)則2和規(guī)則3都是“癥-藥”的強(qiáng)規(guī)則。規(guī)則2說明如高血壓患者出現(xiàn)頭疼，醫(yī)生通常都會(huì)使用鈣通道拮抗劑類的藥。規(guī)則3的置信度接近70%，“癥-藥”關(guān)系比較強(qiáng)，可推斷高血壓患者若出現(xiàn)水腫的癥狀，醫(yī)生通常會(huì)開利尿劑配合降壓藥使用。挖掘出的“癥-藥”規(guī)則較少，可能是由于沒有經(jīng)過面診的文本數(shù)據(jù)質(zhì)量不高，還因?yàn)楦哐獕翰±韽?fù)雜，并發(fā)疾病多，用藥需要結(jié)合患者年齡、病史、并發(fā)疾病以及進(jìn)一步的儀器檢查方能確定，因此單一的“癥-藥”關(guān)聯(lián)較弱。

4.3 基于詞頻獲得高血壓并發(fā)癥用藥特點(diǎn)

高血壓病人常伴有糖尿病、動(dòng)脈硬化、冠心病、腦梗塞、血栓、中風(fēng)或腎臟病等，如圖8。這幾種疾病或者病因是相通的，疾病的危害互相影響。根據(jù)并發(fā)癥的不同，癥狀與治療方法也有所不同。探究高血壓并發(fā)癥用藥特點(diǎn)，以高血壓合并“冠心病”、“糖尿病”、“腎病”為例進(jìn)行研究。篩出包含如上某個(gè)并發(fā)癥的數(shù)據(jù)，比較篩選前后關(guān)鍵詞頻率變化較大的項(xiàng)，可知：高血壓合并冠心病的患者出現(xiàn)“心悸”、“胸悶氣短”、“心絞痛”癥狀更頻繁。與之對(duì)比，單單高血壓的患者出現(xiàn)以上3種癥狀的頻率則低得多，并發(fā)“腦梗塞”、“動(dòng)脈硬化”的頻率也只有并發(fā)冠心病患者的1/2。用藥方面，并發(fā)冠心病的高血壓患者使用鈣通道拮抗劑的頻率為48.3%，接近篩選前的兩倍多，可見并發(fā)冠心病的高血壓患者更傾向于使用鈣通道拮抗劑作為首選降壓藥。由整體數(shù)據(jù)可知，高血壓并發(fā)糖尿病關(guān)鍵字詞頻總體上比高血壓低，說明癥狀與高血壓基本相同。四肢的癥狀如“四肢乏力”、“水腫”、“麻木”頻率稍微比單純高血壓患者高一點(diǎn)，說明高血壓并發(fā)糖尿病后容易出現(xiàn)這些癥狀，可多吃利尿的食物。肥胖的患者更容易出現(xiàn)高血壓并發(fā)糖尿病，高血壓并發(fā)糖尿病患者也更容易出現(xiàn)昏厥，所以高血壓患者要多運(yùn)動(dòng)減肥，防止低糖。對(duì)于高血壓合并腎臟病，“低鹽”、“低脂肪”詞頻高達(dá)70%以上，說明高血壓腎病患者要尤其注重低鹽、低脂肪的飲食，同時(shí)保持情緒穩(wěn)定。在用藥方面，鈣通道拮抗劑是高血壓腎病患者的首選。多喝水、多補(bǔ)充維生素這些對(duì)于單純高血壓需要提倡的非藥物治療方法，對(duì)于高血壓腎病患者不強(qiáng)調(diào)，意圖減輕腎臟負(fù)擔(dān)。

圖8 高血壓相關(guān)疾病頻數(shù)圖

5 結(jié)論

本文基于文本挖掘正規(guī)流程，基于在線醫(yī)療網(wǎng)站醫(yī)患互動(dòng)論壇數(shù)據(jù)，使用TF-IDF算法和關(guān)聯(lián)規(guī)則算法，發(fā)現(xiàn)高血壓常用中西藥、非藥物治療、并發(fā)癥用藥特點(diǎn)、“癥-藥”

關(guān)系等知識(shí)，并與當(dāng)前文獻(xiàn)交互驗(yàn)證，發(fā)現(xiàn)待思考求證的問題，驗(yàn)證了互聯(lián)網(wǎng)數(shù)據(jù)用于疾病研究的可用性和效果。

本文的不足之處及后繼工作是：受當(dāng)前自然語言處理發(fā)展的影響，分詞處理還有提升空間；由于病理復(fù)雜，單一的“癥-藥”關(guān)聯(lián)規(guī)則分析可能無法應(yīng)用于實(shí)際臨床中，需要進(jìn)一步對(duì)“多癥狀-多藥”進(jìn)行聯(lián)合挖掘。

隨著醫(yī)療管理的移動(dòng)化和智能化，數(shù)據(jù)會(huì)更多更好，各種源頭的數(shù)據(jù)聯(lián)合使用，文本挖掘技術(shù)在醫(yī)療領(lǐng)域的應(yīng)用會(huì)展現(xiàn)出蓬勃的生命力。

[1] 楊進(jìn),羅漫,張啟蕊.文本挖掘在中醫(yī)藥文獻(xiàn)分析中的應(yīng)用[J].廣東藥學(xué)院學(xué)報(bào),2010,26(2):216-220.

[2] 王麗穎,鄭光，郭洪濤，等.基于文本挖掘技術(shù)的高血壓病中成藥與西藥用藥規(guī)律分析[J].中華中醫(yī)藥雜志,2013,28(1):60-63.

[3] 賀丹,姜淼,鄭光,等.利用文本挖掘技術(shù)探索高血壓病癥狀、證候以及用藥規(guī)律[J].中國實(shí)驗(yàn)方劑學(xué)雜志, 2014,20(19):214-216.

[4] CORLEY C D,COOK D J, MIKLER A R, et al. Text and structural data mining of influenza mentions in Web and social media[J]. International Journal of Environmental Research & Public Health, 2010, 7(2):596-615.

[5] NIKFARJAM A, SARKER A, O’CONNOR K， et al. Pharmacovigilance from social media: mining adverse drug reaction mentions using sequence labeling with word embedding cluster features[J]. Journal of the American Medical Informatics Association， 2015,22(3):671-681.

[6] SARKER A, O’CONNOR K,GINN R, et al. Social media mining for toxicovigilance: automatic monitoring of prescription medication abuse from twitter[J]. Drug Safety, 2016,39(3):231-240.

[7] YAN L, TAN Y. Feeling blue? go online: an empirical study of social support among patients[J]. Information Systems Research, 2014,25(4): 690-709.

[8] GESUALDO F，STILO G,AGRICOLA E,et al. Influenza-like illness surveillance on twitter through automated learning of naive language[J]. PLoS One, 2013, 8(12): 182.

Medication rules research on hypertension based on text mining

Li Yanhong1, Shen Ruiqi1,Ou Jingmin2

(1. School of Information Management and Engineering, Shanghai University of Finance and Economics，Shanghai 200433，China; 2. Department of General Surgery, Xinhua Hospital Affiliated to Medical Colledge of Shanghai Jiaotong University，Shanghai 200092，China)

The era of big data is coming which increasingly emphasizes the value of data mining technology. As a research branch of data mining, text mining is so important to the discovery of data-unstructured knowledge.Hypertension with the character of high incidence is one of the main diseases which damage human health. Many different kinds of drugs exist and the discovery of medication rules is one of the most important research directions. Based on text mining technology, this paper obtained data from doctor-patient interactive forum on online medical websites and preprocessed the text. Then, found common used Chinese and western medicine, non drug therapy，characteristics of drug use for complication and so on by using TF-IDF method, mined the relationship between symptoms and drugs with association rules algorithm. All the studies will be beneficial to the clinical judgment of hypertension and drug research. In addition, the paper verifies the availability and effectiveness of data from doctor-patient interactive forum used in the medical research.

hypertension; text mining; medication rule; TF-IDF(term frequency-inverse document frequency); association rule

國家自然科學(xué)基金資助項(xiàng)目(71401096,81572673)

TP399

A

10.19358/j.issn.1674- 7720.2017.03.030

李艷紅，沈瑞琪，歐敬民.基于文本挖掘技術(shù)的高血壓用藥規(guī)律研究[J].微型機(jī)與應(yīng)用，2017,36(3)：103-106.

2016-10-02)

李艷紅(1974-)，女，博士，副教授，主要研究方向：文本挖掘、醫(yī)療大數(shù)據(jù)分析。

沈瑞琪(1993-)，女，碩士研究生，主要研究方向：數(shù)據(jù)挖掘。

歐敬民(1972-)，通信作者，男，博士，教授，主要研究方向：血管外科疾病的微創(chuàng)治療。E-mail:jingminou@163.com。