數(shù)據(jù)挖掘在醫(yī)學大數(shù)據(jù)研究中的應用

孫雪松 王曉麗

醫(yī)院信息化的發(fā)展及云計算、大數(shù)據(jù)、物聯(lián)網(wǎng)、人工智能等在醫(yī)療領域的應用，為醫(yī)學數(shù)據(jù)的獲取、存儲及處理提供了極大便利。數(shù)據(jù)挖掘也隨著計算機技術得到了廣泛應用，從而提高了數(shù)據(jù)利用效率，拓展了知識發(fā)現(xiàn)的廣度與深度。目前，醫(yī)院已積累了大量醫(yī)療相關數(shù)據(jù)。醫(yī)學大數(shù)據(jù)與數(shù)據(jù)挖掘的結(jié)合，能夠幫助人們從存儲的大體量、高復雜的醫(yī)學數(shù)據(jù)中提取有價值信息，加速醫(yī)學成果轉(zhuǎn)化，為醫(yī)療行業(yè)開拓新的時代。

數(shù)據(jù)挖掘是指從數(shù)據(jù)庫中，提取隱含在其中的人們事先未知、潛在的有用的信息和知識的過程。數(shù)據(jù)挖掘已有較多成熟方法，并在醫(yī)學大數(shù)據(jù)挖掘中取得了一定成果。

數(shù)據(jù)挖掘分類及常用算法

預測型數(shù)據(jù)挖掘是從歷史數(shù)據(jù)中發(fā)現(xiàn)的已知結(jié)果，推斷或預測未知數(shù)據(jù)的可能值，有預測和回歸兩種類型。常用算法有線性回歸、Logistic回歸、K-NN算法、決策樹（DT）、人工神經(jīng)網(wǎng)絡（ANN）、支持向量機（SVM）及各種集成算法等。

回歸是指確定響應變量和一個或多個自變量之間依賴關系以構建預測模型。Kirkland等利用Logistic回歸建立模型，對采集的病人臨床指標等數(shù)據(jù)建立了疾病惡化預警模型，可對病人未來2-12小時可能出現(xiàn)的疾病惡化風險進行預測。

分類是指基于已知所屬類別的歷史數(shù)據(jù)的特征描述預先定義好的類別，構建預測類別的模型，再根據(jù)待查數(shù)據(jù)的相關特征與這些類別相應特征之間的相似程度，確定待查數(shù)據(jù)應劃歸的類別，可用于預測性研究。

描述型數(shù)據(jù)挖掘是識別數(shù)據(jù)中的模式或關系，旨在探索被分析數(shù)據(jù)的內(nèi)在性質(zhì)，常用方法有關聯(lián)規(guī)則、序列規(guī)則和聚類。

關聯(lián)規(guī)則通過從大量數(shù)據(jù)中，發(fā)現(xiàn)數(shù)據(jù)之間某些未知的、潛在的且有實際意義的關聯(lián)或聯(lián)系，并以關聯(lián)規(guī)則的形式表現(xiàn)出來。關聯(lián)規(guī)則應用于醫(yī)學研究，可以從醫(yī)療信息中揭示疾病發(fā)生、發(fā)展規(guī)律以及醫(yī)學診斷、醫(yī)學圖像、癥狀與用藥等某些內(nèi)在聯(lián)系，為疾病診斷和健康管理提供參考。李準等基于Apriori算法，對某綜合性醫(yī)院電子病歷中不同的冠心病診斷結(jié)果與用藥情況進行關聯(lián)規(guī)則挖掘，發(fā)現(xiàn)不同藥品對不同診斷的治療效果及冠心病危險因素。Qin Li等將Apriori算法用于高血壓、房顫、血脂異常等8項高風險因素與中風之間關聯(lián)性挖掘，提供了可行的中風預防、早期診斷和早期治療方式。

序列規(guī)則可挖掘相對時間或其他模式出現(xiàn)頻率較高的模式，通過對時間序列數(shù)據(jù)挖掘，可獲得與時間密切相關的信息，實現(xiàn)知識獲取。王晨等將非線性時間序列分析中的算法引入胎兒心電信號處理，成功實現(xiàn)胎兒心電信號與母體生物電信號的分離，對提高胎兒心電監(jiān)護有很好的輔助作用。馮冰等認為時間序列在預測傳染病發(fā)病中較好的效果，并建立了兩種季節(jié)時間序列模型對某市細菌性痢疾月發(fā)病率預測效果進行對比研究，預測效果與實際情況基本一致。

聚類可將整個數(shù)據(jù)集分成幾個數(shù)據(jù)組，屬于同一組的實例盡可能地相似，而屬于不同組的實例則盡可能不同，常用算法如K-means和TwoStep等。張勃等將K-means應用于冠脈光學相干斷層成像的圖像斑塊分割，實現(xiàn)多區(qū)域斑塊精確分割，為醫(yī)生快速精確地讀取圖像和評估患者病情提供依據(jù)。TwoStep相比其他聚類的一個突出優(yōu)點是，能夠自動選擇最佳分組數(shù)而無需預先設置。

數(shù)據(jù)挖掘的過程

數(shù)據(jù)挖掘過程大致包括6個步驟：數(shù)據(jù)選擇、數(shù)據(jù)清洗、數(shù)據(jù)賦值、數(shù)據(jù)轉(zhuǎn)化、數(shù)據(jù)挖掘和結(jié)果解釋與評估。數(shù)據(jù)選擇包括數(shù)據(jù)源、數(shù)據(jù)類型、特征變量等的選擇，其中，特征變量選擇至關重要，許多分析建模探索往往始于數(shù)以百計甚至更多的變量。但通常來說，只有少數(shù)變量真正與目標變量有關，有助于降低模型訓練時間和存儲空間，提高模型的精度。研究者在建立預警模型時，以Logistic回歸從眾多變量中篩選了特異性較高的變量用于模型建立。

數(shù)據(jù)挖掘在醫(yī)學大數(shù)據(jù)

研究中的應用

數(shù)據(jù)挖掘在醫(yī)學大數(shù)據(jù)研究中已取得了較多成果，通過文獻檢索，總結(jié)了三方面的應用現(xiàn)狀。

疾病早期預警？醫(yī)療領域往往需要更精確的實時預警工具，而基于數(shù)據(jù)挖掘的疾病早期預警模型的建立，有助于提高疾病的早期診斷、預警和監(jiān)護，同時，也有利于醫(yī)療機構采取預防和控制措施，減少疾病惡化及并發(fā)癥的發(fā)生。

疾病早期預警。首先要收集與疾病相關的指標數(shù)據(jù)或危險因素，然后建立模型，從而發(fā)現(xiàn)隱含在數(shù)據(jù)之中的發(fā)病機制和病情之間的聯(lián)系。Forkan等采集日常監(jiān)測的心率、舒張壓、收縮壓、平均血壓、呼吸率、血氧飽和度等生命體征數(shù)據(jù)，以J48決策樹、隨機森林樹及序列最小優(yōu)化算法等建立疾病預警模型，用于遠程家庭監(jiān)測，識別未曾診斷過的疾病發(fā)生，并將監(jiān)測結(jié)果發(fā)送到醫(yī)療急救機構，實現(xiàn)生命體征大數(shù)據(jù)、病人及醫(yī)療機構的完整銜接，以降低突發(fā)疾病及死亡的發(fā)生率。Easton等利用貝葉斯分類算法建立了中風后遺癥死亡預測模型，認為中風后遺癥死亡概率與中風發(fā)生后的時間長短成函數(shù)關系，有助于中風后遺癥患者的后續(xù)監(jiān)護。Tayefi等基于決策樹算法建立了冠心病預測模型，該模型發(fā)現(xiàn)hs-CRP作為新的冠心病預測標志物，比傳統(tǒng)的標志物更具特異性。

糖尿病、高血壓、心血管疾病等慢性病正在影響著人們的健康，識別慢性病危險因素并建立預警模型有助于降低慢性疾病并發(fā)癥的發(fā)生。Alagugowr等建立的心臟病預警系統(tǒng)，從心臟病大數(shù)據(jù)庫中提取特征指標，通過K-means聚類算法識別出心臟病危險因素，又以Apriori算法挖掘高頻危險因素與心臟病危險等級之間的關聯(lián)規(guī)則。Ilayaraja等則以高頻項集尋找心臟病危險因素并識別病人風險程度，該方法能夠回避無意義項集的產(chǎn)生，從而解決以往研究中項集數(shù)量多、所需存儲空間大等問題。CH Jen等對慢性疾病并發(fā)癥風險識別的研究分三個步驟。首先，選擇健康人群體檢數(shù)據(jù)和慢性病患者相關疾病數(shù)據(jù)，以帶有序列前項選擇的線性判別分析來尋找相關疾病的特征變量；然后，以K-NN對特征變量進行分類處理；最后，將K-NN算法的分類結(jié)果應用于慢性疾病預警模型的建立。Aljumah等先后以回歸分析和SVM用于預測和判斷糖尿病不同治療方式與不同年齡組之間的最佳匹配，為患者選擇最佳治療方式提供依據(jù)。Perveen等對糖尿病的預測研究，采用患者人口學數(shù)據(jù)和臨床指標數(shù)據(jù)，并分別用Adaboost集成算法、Bagging算法及決策樹三種算法來建立預測模型，認為Adaboost集成算法的精確性更高。

輔助醫(yī)學診斷，醫(yī)學數(shù)據(jù)不僅體量大，而且錯綜復雜、相互關聯(lián)。對大量醫(yī)學數(shù)據(jù)的分析，挖掘出有價值的診斷規(guī)則，將對疾病診斷提供參考。Yang等基于決策樹算法和Apriori算法，對肺癌病理報告與臨床信息之間的關聯(lián)性進行了研究，為肺癌病理分期診斷提供依據(jù)，從而可回避診斷中需要手術方法獲取病理組織。Becerra-Garcia等應用SVM、K-NN和CART三種算法對眼球電圖進行信號預處理、脈沖檢測和脈沖分類，為研究臨床眼球電圖檢查中非自發(fā)掃視眼球運動的識別提供依據(jù)。彭玉蘭等對某醫(yī)院5年的乳腺超聲數(shù)據(jù)進行了關聯(lián)規(guī)則挖掘，建立乳腺病理診斷與超聲診斷之間的關聯(lián)規(guī)則，并開發(fā)了乳腺超聲數(shù)據(jù)庫數(shù)據(jù)檢索系統(tǒng)，便于醫(yī)生快速獲得超聲診斷和病理診斷的各種診斷信息和病例信息。

麥肯錫在其報告中指出，大數(shù)據(jù)分析可以幫助美國醫(yī)療服務業(yè)一年創(chuàng)造3000億美元的附加價值，而美國醫(yī)療協(xié)會也稱，改善醫(yī)療衛(wèi)生事業(yè)的關鍵在于大數(shù)據(jù)。目前，醫(yī)院大數(shù)據(jù)中心、區(qū)域性衛(wèi)生信息平臺、國家醫(yī)療大數(shù)據(jù)中心的建立以及衛(wèi)生信息互聯(lián)互通標準和共享規(guī)范的制定，為數(shù)據(jù)存儲和共享、推動醫(yī)學大數(shù)據(jù)的應用提供了更多支撐。