基于HITON—PC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HITON-PC算法分析某甲級(jí)醫(yī)院2015年住院首案中記錄的非胰島素依賴型糖尿病及其它協(xié)同疾病之間是否存在因果性。HITON-PC算法是一種運(yùn)用條件獨(dú)立性檢驗(yàn)處理高維數(shù)據(jù)的因果分析算法，將其應(yīng)用于醫(yī)學(xué)數(shù)據(jù)挖掘中，能高效得出變量之間的因果關(guān)系。非胰島素依賴型糖尿病與冠狀動(dòng)脈粥樣硬化、高血脂、高血壓、高血壓II期和高血壓III期之間有著因果關(guān)系。通過因果關(guān)系分析，可以很好地從大量臨床數(shù)據(jù)中發(fā)現(xiàn)疾病間的潛在因果性，為相關(guān)疾病的臨床診斷提供輔助，具有很強(qiáng)的實(shí)用性。

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

DOI：10.11907/rjdk.172708

中圖分類號(hào)：TP391

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2018）004-0188-03

Abstract：HITON-PC is an algorithm of causal analysis， and it is used to analyze the causal relationship between non-insulin dependent diabetes mellitus（NIDDM） and its cooperative diseases in the medical record data； it is also an algorithm of causal analysis which conducts high-dimensional data employed conditional independence test. HITON-PC is applied in medical data mining and it can effectively determine the causality between variables in medical data mining. There are a lot of causal relationships among NIDDM， hyperlipidemia and hypertension. Causality analysis is a good way to detect the potential causality between diseases from a large amount of clinical data.It can provide an auxiliary method for the clinical diagnosis of related diseases and plays a practical role in medical data mining.

Key Words：data mining； HITON-PC； causal relationship

0 引言

近年來，大數(shù)據(jù)已成為科技界和企業(yè)界關(guān)注的熱點(diǎn)，其可對(duì)數(shù)量巨大的數(shù)據(jù)作搜索、比較、聚類和分類等分析歸納，找出數(shù)據(jù)之間的關(guān)聯(lián)性。相關(guān)分析的目的是找出數(shù)據(jù)集里隱藏的相互關(guān)系網(wǎng)（關(guān)聯(lián)網(wǎng)），一般用支持度、可信度和興趣度等參數(shù)反映相關(guān)性[1]。大數(shù)據(jù)分析具有較高的容錯(cuò)性，其目的在于發(fā)現(xiàn)整體數(shù)據(jù)中某些指標(biāo)之間的相關(guān)性，然后用分析結(jié)論改善因果關(guān)系分析的前提假設(shè)，并運(yùn)用大數(shù)據(jù)分析具有的預(yù)測功能解決現(xiàn)實(shí)社會(huì)中的實(shí)際應(yīng)用問題[2]。

因果關(guān)系闡釋了事物間的本質(zhì)聯(lián)系，在日常生活中，人們更多依靠經(jīng)驗(yàn)判定事物間的因果關(guān)系，比如抽煙會(huì)導(dǎo)致肺癌。雖然目前因果關(guān)系還沒有一個(gè)能被廣泛接受的嚴(yán)格定義，對(duì)其到底是客觀世界本身的屬性，還是人的意識(shí)為理解世界而創(chuàng)造出來的主觀概念，人們還未達(dá)成共識(shí)。但隨著大數(shù)據(jù)時(shí)代的來臨，人們依然希望能從已有數(shù)據(jù)中客觀分析事物間的因果關(guān)系[3]。如何利用已有信息判定事物間的因果關(guān)系是科學(xué)領(lǐng)域的一個(gè)基本問題，

HITON-PC即是一個(gè)經(jīng)典的因果分析方法，它能高效地分析高維數(shù)據(jù)的因果性[4]。

1 HITON-PC

1.1 HITON-PC算法概念

HITON-PC基于因果馬爾可夫假設(shè)發(fā)現(xiàn)變量間的因果關(guān)系，應(yīng)用條件獨(dú)立性測試識(shí)別出變量間的強(qiáng)關(guān)聯(lián)與持久關(guān)聯(lián)。該算法可靠性的關(guān)鍵在于完全覆蓋條件獨(dú)立性測試，使持續(xù)的關(guān)聯(lián)性可以被正確識(shí)別。然而，進(jìn)行所有條件獨(dú)立測試通常是不可行的，因?yàn)槠溥\(yùn)算量較大、效率低。因此，約束算法設(shè)計(jì)的一個(gè)主要目標(biāo)就是減少條件獨(dú)立性測試數(shù)量，同時(shí)生成可靠結(jié)果。HITON-PC即作為一種約束算法被提出，該算法可運(yùn)用隊(duì)列的方法減少條件獨(dú)立性測試數(shù)量[5]。

1.2 HITON-PC算法實(shí)現(xiàn)步驟

HITON-PC算法步驟如下：

輸入：集合D，用于存儲(chǔ)預(yù)測變量集X={X1，X2，… ，Xm}和目標(biāo)Z；maxkα為條件獨(dú)立測試的顯著性水平。

輸出：集合PC，由Z的雙親和孩子組合{X1，X2，… ，Xm}的子集。

1：let PC=

2：let OPEN包含與Z相關(guān)的變量

3：while OPEN≠ do

4：從OPEN中移除第一個(gè)變量X

5：將X插入到PC的最后

6：for每個(gè)SPC＼＼{X} and S≤maxk do

7： if X和Z在顯著水平α下獨(dú)立于給定的S then

8： 從PC 中移除X并且回到while循環(huán)

9： end if

10：end for

11：end while

12：對(duì)于每個(gè)在PC中的變量X do

13：for 每個(gè) SPC＼＼{X}和SPC

14： if X和Z在顯著水平α下獨(dú)立于給定的S then

15：從 PC 中移除 X

16： end if

17：end for

18：end while

19：output PC

（1）最初PC集為空（行1），創(chuàng)建OPEN列表用于保存與目標(biāo)變量Z（行2）相關(guān)的預(yù)測變量。OPEN中的變量根據(jù)關(guān)聯(lián)強(qiáng)度以降序排序，隊(duì)列總是移除第一個(gè)變量（其在當(dāng)前OPEN隊(duì)列中具有最高的關(guān)聯(lián)強(qiáng)度）。因此，OPEN作為優(yōu)先隊(duì)列運(yùn)行。

（2）排序的目的是盡可能包括PC集合中會(huì)成為雙親或孩子的變量，以便算法可以更早且有效地修剪其它變量。HITON-PC利用預(yù)測變量與Z之間的關(guān)聯(lián)強(qiáng)度作為第一準(zhǔn)則，與Z相關(guān)性高的變量排名將靠前。另一個(gè)準(zhǔn)則是判斷預(yù)測變量和Z之間的條件依賴強(qiáng)度[6]。給定一對(duì)變量，這對(duì)變量有很多條件用來測試條件依賴性，并且使用最小依賴度排序。文獻(xiàn)[5]、[7]中的關(guān)聯(lián)強(qiáng)度即是一個(gè)簡單而有效的標(biāo)準(zhǔn)。

（3）在初始化階段之后，算法將包含和消除策略交織到OPEN隊(duì)列中的變量，以達(dá)到擴(kuò)展PC集的效果（行3～11）。

（4）在while循環(huán)的每次迭代期間，OPEN隊(duì)列前的變量被刪除后保存在PC集中（行4和5），然后消除步驟（行6～10）立即測試新添加的變量X是否獨(dú)立于當(dāng)前給定PC列表中的目標(biāo)變量。一旦發(fā)現(xiàn)X與給定PC子集（不包括X）的目標(biāo)變量無關(guān)，則從PC集中消除X，并且開始新的迭代。如果在PC隊(duì)列中的每個(gè)子集小于或等于maxk變量，則X依賴于目標(biāo)變量，且暫時(shí)保持在PC集中。

（5）當(dāng)OPEN為空時(shí)，HITON-PC再次執(zhí)行消除步驟，但此時(shí)要判斷PC集中的每個(gè)變量是否滿足條件（行12～18）。也即是說，對(duì)于當(dāng)前PC集的每個(gè)變量X，如果有子集S，子集S儲(chǔ)存小于maxk的變量，則符合條件變量，X獨(dú)立于目標(biāo)變量將會(huì)從PC集中消除；如果X不存在這樣的子集，則X將永久保持在PC集中。注意，在該步驟期間，調(diào)節(jié)集合SPC＼＼{X}，但SPC

2 HITON-PC復(fù)雜性

在HTION-PC算法中，花費(fèi)的時(shí)間可大致分為兩部分：①初始化時(shí)間（行2）；②在while與for循環(huán)中進(jìn)行的條件獨(dú)立性測試時(shí)間。

3 HITON-PC算法在醫(yī)學(xué)數(shù)據(jù)挖掘領(lǐng)域的應(yīng)用

3.1 醫(yī)學(xué)數(shù)據(jù)挖掘

醫(yī)學(xué)數(shù)據(jù)挖掘是計(jì)算機(jī)技術(shù)、人工智能、統(tǒng)計(jì)學(xué)等與現(xiàn)代醫(yī)療相結(jié)合的產(chǎn)物，也是提高醫(yī)療服務(wù)質(zhì)量和醫(yī)院管理水平的需要，具有廣闊的應(yīng)用前景。與僅限于某一專項(xiàng)領(lǐng)域知識(shí)的醫(yī)療專家系統(tǒng)不同，醫(yī)學(xué)數(shù)據(jù)挖掘面向整個(gè)醫(yī)學(xué)數(shù)據(jù)庫或醫(yī)學(xué)信息集合提供知識(shí)和決策，是醫(yī)療決策支持系統(tǒng)的重要組成部分[8]。將數(shù)據(jù)挖掘理論應(yīng)用于醫(yī)學(xué)，通過對(duì)海量醫(yī)學(xué)數(shù)據(jù)進(jìn)行分析，總結(jié)各種醫(yī)治方案的療效，提取隱含其中的有價(jià)值的信息，可更好地為醫(yī)院的決策管理、醫(yī)療、科研和教學(xué)服務(wù)，對(duì)于醫(yī)生明確診斷、病患治療以及疾病研究等都具有極其重要的意義[9]。

3.2 數(shù)據(jù)來源

數(shù)據(jù)源：2015年某三甲醫(yī)院住院部首案的數(shù)據(jù)，提取出“主要診斷”中患有2型糖尿病疾病類型的個(gè)案，總共3 724例。疾病編碼是依據(jù)國際疾病分類進(jìn)行編碼的，疾病名稱有很多，在本次分析中只選取疾病數(shù)量大于300的疾病種類。

分析字段：“病案號(hào)”、“疾病編碼”、“主要診斷”、“疾病編碼1”、“其它診斷”、“疾病編碼2”、“其它診斷2”、“疾病編碼3”……

3.3 分析結(jié)果

分析環(huán)境：本文數(shù)據(jù)首先在IBM SPSS Statistics、IBM SPSS Modeler中進(jìn)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(shí)現(xiàn)。

分析目的：分析2型糖尿病的協(xié)同疾病與2型糖尿病是否有因果關(guān)系。

數(shù)據(jù)經(jīng)過HITON-PC算法分析之后，實(shí)驗(yàn)結(jié)果如表1所示。其中0為預(yù)測變量與目標(biāo)變量之間沒有因果關(guān)系，1為預(yù)測變量與目標(biāo)變量之間有因果關(guān)系。

整理結(jié)果可知，2型糖尿病與冠狀動(dòng)脈粥樣硬化、高血脂、高血壓II期、高血壓III期有因果關(guān)系。

變量之間的關(guān)系如圖1所示，該圖能全面反映出各變量之間的因果關(guān)系。

4 結(jié)語

數(shù)據(jù)挖掘技術(shù)的迅速發(fā)展為人們的生活帶來了巨大便利，數(shù)據(jù)挖掘技術(shù)也被越來越多行業(yè)采用，并取得了很好的效果。HITON-PC算法是一種運(yùn)用條件獨(dú)立性檢驗(yàn)處理高維數(shù)據(jù)的因果分析算法，將其應(yīng)用于醫(yī)學(xué)數(shù)據(jù)挖掘中，能高效得出變量之間的因果關(guān)系，從而發(fā)現(xiàn)疾病間的潛在因果性，為相關(guān)疾病的臨床診斷提供輔助。隨著理論研究的不斷深入，數(shù)據(jù)挖掘技術(shù)在疾病診斷和治療、醫(yī)學(xué)科研與教學(xué)以及醫(yī)院管理等方面必將發(fā)揮越來越重要的作用。

參考文獻(xiàn)：

[1] 李國杰，程學(xué)旗.大數(shù)據(jù)研究：未來科技及經(jīng)濟(jì)社會(huì)發(fā)展的重大戰(zhàn)略領(lǐng)域——數(shù)據(jù)的研究現(xiàn)狀與科學(xué)思考[J].中國科學(xué)院院刊，2012，27（6）：647-657.

[2] 孫海龍，于劍光.大數(shù)據(jù)環(huán)境下相關(guān)關(guān)系分析改善因果關(guān)系分析[J].科技展望，2016，26（20）：12.

[3] Pearl J. Causality： models， reasoning，and inference[M]. England：Cambridge University Press，2000.

[4] ALIFERIS C F， STATNIKOV A， TSAMARDINOS I， 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.

[5] LI J， LIU L， LE T D. Practical approaches to causal relationship exploration[J].Springerbriefs in Electrical and Computer Engineering，2015，35（1）：13-24.

[6] TSAMARDINOS I， BROWN L E， ALIFERIS C F. The max-min hill-climbing Bayesian network[J].structure learning algorithm. Machine Learning，2006，65（1）：31-78.

[7] ALIFERIS C F， STATNIKOV A， TSAMARDINOS I， et al. Local causal and Markov blanket induction for causal discovery and feature selection for classification part II：analysis and extensions[J]. Journal of Machine Learning Research，2010（11）：235-284.

[8] 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.

[9] 汪菊琴.醫(yī)學(xué)數(shù)據(jù)挖掘綜述[J].電腦知識(shí)與技術(shù)，2011，7（15）：3495-3497.

（責(zé)任編輯：黃 健）