基于PC—Simple算法的醫(yī)院病案首頁數(shù)據(jù)挖掘

易三莉+楊靜+姚旭升+謝穎夫+賀建峰

摘 要：使用數(shù)據(jù)挖掘中的因果關(guān)系技術(shù)，分析某甲級醫(yī)院住院首案中記錄的高血壓及其它協(xié)同疾病之間是否存在因果性。PC-Simple算法作為一種國內(nèi)較少使用的因果分析算法，將其應(yīng)用在對醫(yī)學(xué)數(shù)據(jù)的因果關(guān)系挖掘中，能高效地得出變量之間的因果性。分析平臺采用IBM SPSS Statistics進行數(shù)據(jù)預(yù)處理，以及R Studio進行數(shù)據(jù)建模分析。實驗結(jié)果表明，高血壓與冠狀動脈粥樣硬化、腦梗死、頸動脈粥樣硬化、不穩(wěn)定型心絞痛和急性心肌梗死之間存在著因果關(guān)系。使用PC-Simple算法得到的結(jié)果與實際醫(yī)學(xué)理論相吻合，驗證了該算法的有效性。

關(guān)鍵詞：數(shù)據(jù)挖掘；PC-Simple；因果關(guān)系

DOIDOI：10.11907/rjdk.172291

中圖分類號：TP392

文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2018）002-0175-04

0 引言

關(guān)聯(lián)規(guī)則挖掘作為數(shù)據(jù)挖掘的重要研究內(nèi)容之一，主要研究事務(wù)數(shù)據(jù)庫、關(guān)系數(shù)據(jù)庫和其它信息存儲中大量數(shù)據(jù)項之間隱藏的有趣規(guī)律。1993年，美國著名學(xué)者R Agrawal等[1]首次提出了挖掘布爾關(guān)聯(lián)規(guī)則，之后提出了著名的基于頻繁項集的Apriori算法。關(guān)聯(lián)規(guī)則挖掘最初僅限于事務(wù)數(shù)據(jù)庫的布爾型關(guān)聯(lián)規(guī)則，近年來廣泛應(yīng)用于關(guān)系數(shù)據(jù)庫。因此，積極開展關(guān)系數(shù)據(jù)庫中挖掘關(guān)聯(lián)規(guī)則的相關(guān)研究具有重要意義[2]。然而，產(chǎn)生的關(guān)聯(lián)規(guī)則有時也是不正確的，某些時候變量之間看似具有相關(guān)性，但它有可能是由某些共同原因?qū)е碌摹Ｋ詾榱吮苊膺@些不確定因素，在相關(guān)性分析基礎(chǔ)上進一步分析它們的因果關(guān)系，以確定變量之間的強關(guān)聯(lián)性。

PC算法是一個學(xué)習(xí)因果貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的算法，它是以開發(fā)者Peter Spirts和Clark Glymour的姓命名的[3]。PC算法使用條件獨立性檢驗確認(rèn)兩個變量之間的關(guān)聯(lián)性是否為因果性。給出一個目標(biāo)變量和預(yù)測變量的集合，判斷預(yù)測變量集合中其中一個變量與目標(biāo)變量是否有因果關(guān)系，都需要對預(yù)測變量集合的每個子集進行一次條件獨立性判斷。在一個最壞的情況下，比如有m個預(yù)測變量，則需要進行條件獨立性測試的次數(shù)為2m-1。因此，PC算法僅適用于預(yù)測變量個數(shù)較少的數(shù)據(jù)集。

為了解決PC算法這個缺點，M Kalisch和P Buehlmann等[4]提出了PC-Simple算法。PC-Simple最初是為了在高維線性回歸模型中進行有效的變量選擇而開發(fā)的。在國外，PC-Simple算法也被用來分析變量之間的因果關(guān)系[5]。但是在國內(nèi)，將該方法應(yīng)用于因果關(guān)系分析的研究還很少，人們分析因果關(guān)系通常采用貝葉斯網(wǎng)絡(luò)。本文將PC-Simple應(yīng)用于分析疾病間的因果關(guān)系上，在真實數(shù)據(jù)中驗證了其實用性。

1 貝葉斯網(wǎng)絡(luò)

1.1 貝葉斯網(wǎng)絡(luò)概念

貝葉斯網(wǎng)絡(luò)應(yīng)用于人工智能的幾大細(xì)分領(lǐng)域包括因果推理、不確定性知識表示、模式識別和分類等，它結(jié)合了人工智能、概率理論以及圖形理論，是一種將因果知識和概率知識相結(jié)合的信息表示框架[6]。它是基于概率推理的圖形化網(wǎng)絡(luò)，也是表現(xiàn)和推理因果關(guān)系的主要方式。給定一組表示域的變量，貝葉斯網(wǎng)絡(luò)給出一個有向無環(huán)圖（DAG）的完整聯(lián)合概率。該有向無環(huán)圖包含了代表節(jié)點和弧的變量，繪制出變量之間的依賴關(guān)系[7]。

1.2 貝葉斯網(wǎng)絡(luò)簡介

貝葉斯網(wǎng)絡(luò)包括一個有向無環(huán)圖（DAG）和一個條件概率表集合。DAG中每一個節(jié)點表示一個隨機變量，可直接觀測變量或隱藏變量，而有向邊表示隨機變量間的條件依賴；條件概率表中的每一個元素對應(yīng)DAG中的唯一節(jié)點，存儲此節(jié)點對于其所有直接前驅(qū)節(jié)點的聯(lián)合條件概率。

如圖1所示為一個簡單的貝葉斯網(wǎng)絡(luò)模型，A獨立于它的非后代D、E和H；B、C變量相互獨立并且它們都獨立于D、E和H；D和E都沒有雙親，此外它們還相互獨立，并且都獨立于A、B、C、Z和H；G的有條件雙親為D、Z和E，獨立于A、B、C和H；F獨立于除了其父節(jié)點以外的變量；H是一個孤立節(jié)點，所以它獨立于所有節(jié)點；Z獨立于A、D、E和H，它的雙親為B和C。V為一個貝葉斯網(wǎng)絡(luò)的變量集合，聯(lián)合概率分布為：

在一個數(shù)據(jù)集中可以通過因果貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)發(fā)現(xiàn)變量之間的因果關(guān)系，但這不能說明因果關(guān)系的方向問題，誰是因誰是果不能僅從貝葉斯網(wǎng)絡(luò)的邊緣方向來判斷，因為依靠數(shù)據(jù)集不能完全確定邊緣方向。因此從數(shù)據(jù)集中學(xué)習(xí)貝葉斯網(wǎng)絡(luò)，只能得出兩個變量之間有因果關(guān)系，但是誰是原因、誰是結(jié)果還無法確定，此時則需要用到PC-Simple算法。

2 PC-Simple算法

2.1 PC-Simple算法定義

PC算法是一種學(xué)習(xí)因果貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的常用方法[8]。在數(shù)據(jù)集中，對于一對變量或節(jié)點（X， Y），PC算法用于檢測目標(biāo)變量是否條件獨立于給定的其它變量。如果沒有繪制X和Y的邊緣，則X和Y之間不存在因果關(guān)系，換言之，為了確定X和Y之間是否存在持久性關(guān)聯(lián)，PC算法對除X和Y外的所有變量都要進行關(guān)聯(lián)條件測試。只有給定條件集存在關(guān)聯(lián)時，這種關(guān)聯(lián)才被認(rèn)為是因果關(guān)系。

PC-Simple使用與PC算法相同的思想來檢測變量之間的持久性關(guān)聯(lián)，此外它還對一對節(jié)點的條件集進行分級搜索。然而，與因果DAG不同的是，PC-Simple不僅能找出所有給定變量之間的因果關(guān)系，還能發(fā)現(xiàn)給定的響應(yīng)或目標(biāo)變量周圍的局部關(guān)系。比如，給定D為變量（X1，X2，…，Xm，Z）的集合，Z是目標(biāo)變量，PC-Simple能識別出與Z相關(guān)的原因和結(jié)果。在DAG術(shù)語中，這些原因和結(jié)果表示為Z的雙親和孩子。

2.2 條件獨立性

定義1 2個隨機變量（事件）X和Y 相互獨立，即變量X不影響變量Y，變量Y也不影響變量X，則有式（1）成立：

可以理解為：對變量Y的了解不會影響變量X的信度；同樣，對變量X的了解也不會影響變量Y的信度。endprint

定義2 設(shè)有3個隨機變量X、Y、Z，其中P（Z = z）>0，則X、Y在給定Z的條件下相互獨立，有式（2）成立：

條件獨立性可以用貝葉斯網(wǎng)結(jié)構(gòu)方便地表示出來。用貝葉斯網(wǎng)表示的條件獨立在知識表示、推理、學(xué)習(xí)方面起到了簡化作用，使貝葉斯網(wǎng)的計算復(fù)雜性得到降低，可用性和實用性大大增強。

在貝葉斯網(wǎng)中，2個變量X和Y如果直接相連，則表示它們之間有直接依賴關(guān)系，對X的了解會影響對Y的信度；如果2個變量X和Y不直接相連，信息則需要通過它們之間的其它變量才能在兩者間傳遞；如果X和Y之間的所有信息通路都被阻塞，信息則無法在他們之間傳遞。這時，對其中一個變量的了解不會影響對另一個變量的信度，因而X和Y相互條件獨立。

2.3 部分相關(guān)性

對于有限的數(shù)據(jù)集，需要找出目標(biāo)變量與預(yù)測變量的部分相關(guān)性，定義如下：

2.4 PC-Simple算法實現(xiàn)步驟

PC-Simple算法步驟如下：

D為輸入數(shù)據(jù)集，預(yù)測變量X1，X2，…，Xm和目標(biāo)變量Z通過PC-Simple算法，生成Z的雙親和孩子集合PC。α參數(shù)是用于條件獨立性測試的顯著性水平。

最初PC集合包括所有預(yù)測變量，然后通過條件獨立性測試，PC-Simple算法將不是Z的雙親和孩子集合的變量從PC中移除。從一個空的條件集合開始，根據(jù)條件集合設(shè)置的基數(shù)逐級測試。While循環(huán)的每次迭代都將PCk-1賦值給PCk，從PCk-1中移除與Z獨立的變量。

具體而言，在第一次循環(huán)迭代中，k=1，PC-Simple首先讓PC1=PC0（第5行），然后判斷PC0是否符合條件（第6～11行），如果在PC0中有一個獨立于Z的變量則給出一個空集（第7行，當(dāng)k=1時，|S|=0），PC1通過獨立性測試移除與Z獨立的變量。在第一次迭代之后，PC1中則只包含與Z有關(guān)的變量。在第二次迭代中，PC-Simple首先讓PC2=PC1，在PC1中給出任意其它單變量，通過獨立性測試移除與Z獨立的變量來更新PC2。之后的迭代與之類似，直到PCk中的變量不超過k個則迭代結(jié)束，并且PCk作為最后的一個PC集合輸出。

3 PC-Simple算法在醫(yī)學(xué)數(shù)據(jù)挖掘中的應(yīng)用

3.1 醫(yī)學(xué)數(shù)據(jù)挖掘

隨著電子病歷和病案的大量應(yīng)用，以及醫(yī)療設(shè)備和儀器的數(shù)字化，使醫(yī)院數(shù)據(jù)庫的信息容量不斷膨脹。這些寶貴的醫(yī)學(xué)信息資源對于疾病的診斷、治療和醫(yī)學(xué)研究都非常有價值。如何利用這些海量的信息資源，為疾病的診斷和治療提供科學(xué)、準(zhǔn)確的決策，以更好地促進遠(yuǎn)程醫(yī)療和社區(qū)醫(yī)療發(fā)展[9]，需要運用醫(yī)學(xué)數(shù)據(jù)挖掘技術(shù)。在數(shù)據(jù)挖掘之前，必須對這些信息進行清理和過濾，以確保數(shù)據(jù)的一致性和確定性，將其變成適合挖掘的形式。醫(yī)學(xué)數(shù)據(jù)挖掘的主要目的是為醫(yī)療活動和管理提供科學(xué)的決策，因此必須保證挖掘算法提供的知識具有較高的準(zhǔn)確性和可靠性。

3.2 數(shù)據(jù)來源

數(shù)據(jù)源：2013～2015年某三甲醫(yī)院住院部的數(shù)據(jù)，提取出“主要診斷”中患有高血壓疾病類型的個案，總共有5 940例。疾病編碼是依據(jù)國際疾病分類編碼的，疾病名稱有很多，在本次分析中只選取了疾病數(shù)量大于400的疾病種類，高血壓協(xié)同病種的排名如表1所示。

3.3 分析結(jié)果

分析環(huán)境：本文數(shù)據(jù)首先在IBM SPSS Statistics中進行數(shù)據(jù)預(yù)處理，然后將清洗后的數(shù)據(jù)納入數(shù)據(jù)分析軟件R Studio建模實現(xiàn)。

分析目的：分析高血壓的協(xié)同疾病與高血壓是否有因果關(guān)系。

數(shù)據(jù)經(jīng)過PC-Simple算法分析之后，實驗結(jié)果如表2所示，其中0表示預(yù)測變量與目標(biāo)變量之間沒有因果關(guān)系，1表示預(yù)測變量和目標(biāo)變量之間有因果關(guān)系。部分相關(guān)系數(shù)越大，代表兩個疾病之間的部分相關(guān)性越強。

如表2所示，疾病之間通過條件獨立性判斷是否獨立于高血壓，獨立于高血壓的疾病部分相關(guān)系數(shù)較弱。本文中相關(guān)系數(shù)大于6的疾病類型被判定為與高血壓有因果關(guān)系。例如表中第一行表示2型糖尿病與高血壓沒有因果關(guān)系，所以它們之間的部分相關(guān)性較弱，為3.508 379 57。

根據(jù)分析結(jié)果可知，高血壓與冠狀動脈粥樣硬化、腦梗死、頸動脈粥樣硬化、不穩(wěn)定型心絞痛和急性心肌梗死有因果關(guān)系。因果關(guān)系的相關(guān)系數(shù)分別為：9.874 980 64、8.080 510 41、6.572 002 53、19.323 492 70和13.176 818 72。

與高血壓有因果關(guān)系的疾病如圖1所示，其中高血壓會導(dǎo)致腦梗死、不穩(wěn)定型心絞痛和頸動脈粥樣硬化的發(fā)生，高血壓合并2型糖尿病會導(dǎo)致冠狀動脈粥樣硬化，冠狀動脈粥樣硬化會導(dǎo)致急性心肌梗死。這些與文獻(xiàn)[10]～[13]中介紹的一致，說明PC-Simple算法在數(shù)據(jù)挖掘的研究上與醫(yī)學(xué)實際相符合，驗證了該算法的有效性。

4 結(jié)語

本文對PC-Simple算法的背景知識、實現(xiàn)步驟和實際運用3方面進行了介紹。在實際運用中，通過PC-Simple算法得出的實驗結(jié)果表明，高血壓會導(dǎo)致多種疾病發(fā)生。該方法在數(shù)據(jù)挖掘的研究上與醫(yī)學(xué)實際相符合，驗證了PC-Simple算法的有效性。在之后的學(xué)習(xí)中，可以運用PC-Simple算法在醫(yī)院其它科室，比如一些臨床科室中，分析某類疾病的影響因素，為臨床醫(yī)生的輔助診斷提供參考。

參考文獻(xiàn)：

[1] AGRWAL R， SRIKAN R. Fast algorithms for mining association rules in large databases[C]. Proceedings of the 20th International Conference on Very Large Data Bases. San Francisco： Morgan Kaufmann Publishers，1994： 487-499.endprint

[2] 何軍，劉紅巖，杜小勇.挖掘多關(guān)系關(guān)聯(lián)規(guī)則[J]. 軟件學(xué)報， 2007，18（11）：2752-2765.

[3] P SPIRTES， C GLYMOUR，R SCHEINES. Causation， predication， and search[M]. The MIT Press， 2000.

[4] M KALISCH，P BUEHLMANN，M H MAATHUIS. Variable selection for high-dimensional linear models： partially faithful distributions and the PC-simple algorithm[J]. Biometrika， 2010，97：261-278.

[5] CF ALIFERIS， A STATNIKOV， I TSAMARDINOS， et al. Local causal and Markov blanket induction for causal discovery and feature selection for classification part I： algorithms and empirical evaluation[J]. Journal of Machine Learning Research， 2010，11：171-234.

[6] 李軍，熊飛，鈕焱.基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)風(fēng)險評估研究[J].軟件導(dǎo)刊，2017，16（4）：197-200.

[7] D KOLLER， N FRIEDMAN. Probabilistic graphical models： principles and techniques[M]. The MIT Press， 2009.

[8] J PEARL. Causality： models， reasoning， and inference[M]. Cambridge University Press， 2000.

[9] 朱凌云，吳寶明，曹長修.醫(yī)學(xué)數(shù)據(jù)挖掘的技術(shù)、方法及應(yīng)用[J].生物醫(yī)學(xué)工程學(xué)雜志，2003，20（3）：559-562.

[10] 劉坤申.高血壓與腦卒中[J].中國實用內(nèi)科雜志，2002，22（4）：201-202.

[11] 伍衛(wèi).高血壓與冠狀動脈粥樣硬化性心臟病[J].新醫(yī)學(xué)，2003，34（3）：139-139.

[12] 安全宇.老年患者高同型半胱氨酸高血壓與不穩(wěn)定型心絞痛的關(guān)系研究[J].首都醫(yī)藥，2014（10）：32-34.

[13] 馬爾娃，庫拉西汗.冠心病與心肌梗塞的麻醉[J].世界最新醫(yī)學(xué)信息文摘：電子版，2013（7）：93-94.endprint