基于Apriori算法的個(gè)人醫(yī)療費(fèi)用關(guān)聯(lián)規(guī)則分析

醫(yī)療保健相關(guān)問(wèn)題是當(dāng)今世界最重要的社會(huì)問(wèn)題之一，醫(yī)療費(fèi)用的激增更是加劇了這一問(wèn)題。因此，在眾多與醫(yī)療費(fèi)用相關(guān)的因素中，如何甄選出最核心的影響因素[1]，有效控制醫(yī)療費(fèi)用持續(xù)上漲，提高醫(yī)療資源的利用效率，進(jìn)而提高全民健康水平就變得尤為重要。由于醫(yī)療領(lǐng)域所涉及的相關(guān)因素眾多、數(shù)據(jù)類型復(fù)雜，傳統(tǒng)的統(tǒng)計(jì)分析、調(diào)查研究方法耗時(shí)巨大[2]，以及人工處理大量數(shù)據(jù)時(shí)出錯(cuò)等原因，應(yīng)用新技術(shù)手段解決這一問(wèn)題十分必要。數(shù)據(jù)挖掘技術(shù)能從大量雜亂數(shù)據(jù)中高效、準(zhǔn)確地挖掘出隱含信息[3]。關(guān)聯(lián)規(guī)則中Apriori算法能夠在大量數(shù)據(jù)中挖掘出與高醫(yī)療費(fèi)用有強(qiáng)關(guān)聯(lián)的因素，同時(shí)將結(jié)果可視化，提高數(shù)據(jù)的可讀性，便于直觀理解醫(yī)療費(fèi)用與各因素之間的關(guān)系及關(guān)聯(lián)強(qiáng)度。

國(guó)內(nèi)，李江平采用不同模式的數(shù)據(jù)挖掘方法，對(duì)基層醫(yī)藥衛(wèi)生工作展開研究，通過(guò)對(duì)保健數(shù)據(jù)的研究驗(yàn)證，給提高農(nóng)村衛(wèi)生水平提供了有價(jià)值的意見[4]；余嵐通過(guò)為學(xué)生定制個(gè)人體育鍛煉計(jì)劃提高學(xué)生身體素質(zhì)的研究，應(yīng)用數(shù)據(jù)挖掘的方法，對(duì)干預(yù)措施的有效性進(jìn)行驗(yàn)證從而得出了關(guān)聯(lián)緊密的因素[5]；王帥通過(guò)研究居民健康管理決策和患者臨床合理用藥的依據(jù)，對(duì)基層醫(yī)療衛(wèi)生機(jī)構(gòu)門診用藥規(guī)律進(jìn)行了研究，利用關(guān)聯(lián)算法對(duì)高頻用藥和高頻合并用藥進(jìn)行的研究，促使了基層醫(yī)療合理用藥[6]。孫健對(duì)影響我國(guó)健康保健費(fèi)用支出進(jìn)行的研究，運(yùn)用數(shù)據(jù)挖掘法發(fā)現(xiàn)了相關(guān)強(qiáng)關(guān)聯(lián)因素[7]。

國(guó)外，Gosain、Kumar采用不同數(shù)據(jù)挖掘模式挖掘醫(yī)療保健數(shù)據(jù)，研究了決策樹和關(guān)聯(lián)規(guī)則如何在大量衛(wèi)生健康數(shù)據(jù)中的應(yīng)用；Sivagowry、Durairaj、Persia 對(duì)數(shù)據(jù)挖掘技術(shù)在心臟病分析和預(yù)測(cè)中的應(yīng)用進(jìn)行了實(shí)證研究，通過(guò)應(yīng)用數(shù)據(jù)挖掘技術(shù)，從醫(yī)療保健系統(tǒng)中獲得隱藏的信息[8]；Nagavelli、Guru Rao通過(guò)對(duì)疾病可能性程度的研究和在醫(yī)療保健數(shù)據(jù)挖掘中疾病預(yù)測(cè)統(tǒng)計(jì)測(cè)量方法的研究，發(fā)現(xiàn)能夠通過(guò)對(duì)已有病例記錄的分析能預(yù)測(cè)可能發(fā)生的疾病。

本文擬在前人的研究基礎(chǔ)上，將關(guān)聯(lián)規(guī)則應(yīng)用于醫(yī)療費(fèi)用研究領(lǐng)域中，利用Apriori算法在大量數(shù)據(jù)中挖掘出與高醫(yī)療費(fèi)用有強(qiáng)關(guān)聯(lián)的因素，并分析不同屬性之間的潛在關(guān)聯(lián)性，為醫(yī)藥衛(wèi)生領(lǐng)域相關(guān)政策的制定和相關(guān)科研人員的未來(lái)研究提供參考。

1 關(guān)聯(lián)分析概述

關(guān)聯(lián)分析可以發(fā)現(xiàn)大量數(shù)據(jù)集合中某些事務(wù)(屬性)的關(guān)聯(lián)關(guān)系[9]，通常用支持度和置信度2個(gè)指標(biāo)為依據(jù)判斷一條關(guān)聯(lián)規(guī)則的左項(xiàng)與右項(xiàng)之間是否存在強(qiáng)關(guān)聯(lián)。如果一個(gè)事務(wù)集合的左右項(xiàng)既能滿足最低支持度又能滿足最低置信度要求，則可將其稱之為“左右項(xiàng)存在強(qiáng)關(guān)聯(lián)關(guān)系”，它同時(shí)具有頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則[10]。頻繁項(xiàng)集是指滿足最小支持度的、頻繁出現(xiàn)的事務(wù)集合，一般以支持度作為衡量指標(biāo)。在得到頻繁項(xiàng)集的基礎(chǔ)上，再設(shè)置一定置信度為篩選條件進(jìn)而挖掘出關(guān)聯(lián)規(guī)則；關(guān)聯(lián)規(guī)則是隱藏在數(shù)據(jù)項(xiàng)之間的關(guān)聯(lián)或相互關(guān)系，可以根據(jù)一個(gè)事務(wù)項(xiàng)的出現(xiàn)推導(dǎo)出其他事務(wù)項(xiàng)的出現(xiàn)[11]。

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)來(lái)源與預(yù)處理

本文數(shù)據(jù)來(lái)源于DataFountain平臺(tái)(https：//www.datafountain.cn/)提供的2016年美國(guó)醫(yī)療費(fèi)用數(shù)據(jù)集，該數(shù)據(jù)集共有1 338行。數(shù)據(jù)集合名稱為“醫(yī)療費(fèi)用個(gè)人數(shù)據(jù)集”，數(shù)據(jù)類型包括字符串、數(shù)值型數(shù)據(jù)，有7個(gè)字段，沒有缺失值。7個(gè)字段分別是age(年齡)、 sex(性別)、BMI(身體質(zhì)量指數(shù))、children(保險(xiǎn)覆蓋的兒童數(shù)量)、smoker(是否吸煙)、region(居住地)、charges(保險(xiǎn)承擔(dān)的醫(yī)療費(fèi)用)[12]。

以影響高額醫(yī)療費(fèi)用的因素為探究?jī)?nèi)容，首先用Excel電子表格打開源數(shù)據(jù)，進(jìn)行初步整理分析，清洗變換，完成數(shù)據(jù)預(yù)處理。部分原始數(shù)據(jù)如表1所示。數(shù)據(jù)完整，無(wú)缺失值、異常值，未發(fā)現(xiàn)重復(fù)數(shù)據(jù)。

表1 2016年美國(guó)醫(yī)療費(fèi)用原始數(shù)據(jù)

2.2 離散化處理

Apriori算法可以用于數(shù)據(jù)類型為0/1的布爾類型[13]，也可以用于分類數(shù)據(jù)類型。由于數(shù)據(jù)集中部分屬性的取值是連續(xù)型變量數(shù)據(jù)(如年齡、醫(yī)療費(fèi)用)，無(wú)法直接運(yùn)用算法進(jìn)行挖掘，因此對(duì)這類數(shù)據(jù)要進(jìn)行分層和離散化處理[14]。此外，為了便于后期數(shù)據(jù)處理及關(guān)聯(lián)挖掘，我們使用代碼代替分層離散后的數(shù)據(jù)。

Age(年齡)：將年齡分為5層，用A1代表18～29歲人群，用A2代表30～39歲人群，用A3代表40～49歲人群，用A4代表50～59歲人群，用A5代表60～64歲人群。

比較兩組冠心病心絞痛患者對(duì)護(hù)理服務(wù)滿意度;住院的時(shí)間、患者舒適度(0-100分,得分越高則舒適度越高);護(hù)理前后患者焦慮情緒評(píng)分(20-80分,得分越高則焦慮程度越高)、心功能等級(jí)。

Sex(性別)：用B1代表男性，B2代表女性。

BMI(身體質(zhì)量指數(shù))：用C1代替低體重人群，用C2代替正常體重人群，用C3代替過(guò)重人群，用C4代替一類肥胖人群，用C5代替二類肥胖人群，用C6代替三類肥胖人群。

Children(保險(xiǎn)覆蓋的兒童數(shù)量)：用D0、D1、D2、D3、D4、D5分別替代保險(xiǎn)覆蓋的兒童數(shù)量為0、1、2、3、4、5的人群。

Smoker(是否吸煙)：用E1、E2分別替代不吸煙人群和吸煙人群。

Region(居住地)：用F1、F2、F3、F4分別替代東北區(qū)居民、西北區(qū)居民、東南區(qū)居民、西南區(qū)居民。

Charges(保險(xiǎn)承擔(dān)的醫(yī)療費(fèi)用)：2016年美國(guó)人均醫(yī)療費(fèi)用為9535.9美元，假定以該人均醫(yī)療費(fèi)用為界定標(biāo)準(zhǔn)，用G1、G2分別代替較低醫(yī)療費(fèi)用和高額醫(yī)療費(fèi)用。

2016年美國(guó)醫(yī)療費(fèi)用離散化處理后的部分?jǐn)?shù)據(jù)如表2所示。

表2 2016年美國(guó)醫(yī)療費(fèi)用離散化后數(shù)據(jù)

3 關(guān)聯(lián)分析及可視化

3.1 關(guān)聯(lián)分析

經(jīng)過(guò)運(yùn)算挖掘出45條符合當(dāng)前設(shè)置支持度和置信度的關(guān)聯(lián)規(guī)則，調(diào)用函數(shù)可以展示出所有挖掘出的關(guān)聯(lián)規(guī)則，結(jié)果如表3所示。

表3 根據(jù)當(dāng)前閾值所產(chǎn)生的關(guān)聯(lián)規(guī)則

續(xù)表3

其中，“LHS(left-hand side)”表示左側(cè)屬性項(xiàng)目集，“RHS(right-hand side)”表示右側(cè)屬性項(xiàng)目集，“support”為支持度，“confidence”為置信度，“l(fā)ift”為提升度。用“count”統(tǒng)計(jì)該事務(wù)集合在數(shù)據(jù)集中出現(xiàn)的總頻次[17]。部分規(guī)則具有較高置信度和提升度，如規(guī)則3：{smoker=E2}=>{charges=G2}；部分規(guī)則具有較高支持度，如規(guī)則10：{charges=G1}=>{smoker=E1}，所挖掘出的規(guī)則的提升度均大于1。

3.2 結(jié)果可視化

由于挖掘出的關(guān)聯(lián)規(guī)則較多，難以直接讀出核心信息[18]，因此調(diào)用R軟件中的可視化繪圖函數(shù)，將挖掘結(jié)果繪制成散點(diǎn)圖、氣泡圖和基于圖形的可視化結(jié)果，便于快速準(zhǔn)確讀取信息。

根據(jù)45條規(guī)則繪制的散點(diǎn)圖如圖1所示，圖中的橫軸表示支持度，縱軸表示置信度，彩色條帶用顏色表示提升度的大小。

圖1 基于45條規(guī)則的散點(diǎn)圖繪制效果

通過(guò)觀察圖1可以獲得挖掘出的全部規(guī)則在總體上的分布特征，提升度較高的規(guī)則往往置信度也更加趨近于1，但這些規(guī)則在支持度的分布上并無(wú)明顯特征。同樣，提升度較低的規(guī)則在支持度的分布上也未發(fā)現(xiàn)明顯趨勢(shì)。此外，部分規(guī)則偏離總體分布趨勢(shì)，可能為不合理規(guī)則。在分析挖掘結(jié)果時(shí)應(yīng)關(guān)注到這些異常點(diǎn)，排除潛在的對(duì)結(jié)論的不良影響。但從散點(diǎn)圖中無(wú)法獲得具體關(guān)聯(lián)規(guī)則中左右側(cè)分別是哪些屬性，以及它們之間關(guān)聯(lián)程度的信息。

氣泡圖如圖2所示，其中每個(gè)有顏色的氣泡表示一個(gè)規(guī)則，顏色深淺表示提升度，氣泡大小表示支持度，支持度越大，氣泡尺寸越大[19]。LHS表示左側(cè)屬性項(xiàng)目集，RHS表示右側(cè)屬性項(xiàng)目集。

在圖2所示的氣泡圖中，可以獲取各組規(guī)則中左右側(cè)項(xiàng)之間關(guān)聯(lián)強(qiáng)弱比較，其中規(guī)則{sex =B1，age=A1}=>{smoker=E1}支持度最高，而規(guī)則{smoker=E2，sex=B1}=>{charges=G2}提升度最高。右項(xiàng)中，支持度smoker=E1>charges=G1>charges=G2，提升度charges=G2>charges=G1>smoker=E1。各組關(guān)聯(lián)規(guī)則的提升度從左上方到右下方呈現(xiàn)遞減趨勢(shì)，各組關(guān)聯(lián)規(guī)則的支持度從左上方到右下方呈現(xiàn)遞增趨勢(shì)。此外，左側(cè)屬性項(xiàng)目集(LHS)和右側(cè)屬性項(xiàng)目集(RHS)中所示條件可以讓我們快速了解數(shù)據(jù)中有代表的屬性，如吸煙、年齡等因素均是頻繁出現(xiàn)的項(xiàng)目集，其重要性更為顯著。因此在對(duì)挖掘結(jié)果進(jìn)行分析時(shí)應(yīng)首先關(guān)注這些因素，但氣泡圖未能反映各條規(guī)則的相互關(guān)系以及屬性的共享情況。

圖 2 基于45條規(guī)則的氣泡圖繪制效果

45條關(guān)聯(lián)規(guī)則的圖形可視化結(jié)果如圖3所示。在圖3中，圓形代表各項(xiàng)集，箭頭代表規(guī)則間關(guān)系，圓形大小表示支持度，圓形越大支持度越高，顏色深淺表示提升度，顏色越深提升度越大。

圖3 45條關(guān)聯(lián)規(guī)則的圖形可視化結(jié)果

圖形可視化既能顯示各強(qiáng)關(guān)聯(lián)規(guī)則由哪些屬性組成，又能顯示這些規(guī)則共享了哪些屬性。通過(guò)這些共享的屬性可以找出相似規(guī)則，從而得出更為穩(wěn)健的結(jié)論，便于我們從另一個(gè)角度理解挖掘出的關(guān)聯(lián)規(guī)則，以不同視角展現(xiàn)數(shù)據(jù)特征。

4 討論

對(duì)挖掘出的45條規(guī)則進(jìn)行分析，選取具有代表性的幾條規(guī)則為例，示范分析過(guò)程。

規(guī)則1：{age=A4}=>{charges=G2}支持度為0.1868460，置信度為0.9225092，提升度為1.873016，在整個(gè)事務(wù)集中出現(xiàn)頻次為250次。該規(guī)則的含義為：1 338人中約有18.68%的人同時(shí)具有50～59歲和高額醫(yī)療費(fèi)用的特征；在年齡為50～59歲的前提下，約有92.25%概率會(huì)出現(xiàn)高額醫(yī)療費(fèi)用的特征；年齡為50～59歲這一特征出現(xiàn)后，高額醫(yī)療費(fèi)用的出現(xiàn)概率較原來(lái)提升了1.873016倍。這條規(guī)則的支持度、置信度、提升度3個(gè)指標(biāo)值均為較高水平，因此認(rèn)為這是一條強(qiáng)關(guān)聯(lián)規(guī)則，年齡50～59歲與高額醫(yī)療費(fèi)用之間有較強(qiáng)潛在關(guān)聯(lián)。

規(guī)則23：{sex=B2，region=F2}=>{smoker=E1}支持度為0.1008969，置信度為0.8231707，提升度為1.035153，在整個(gè)事務(wù)集中出現(xiàn)頻次為135次。該規(guī)則含義是：1 338人中約有10.09%的人同時(shí)具有女性、居住在西北區(qū)以及不吸煙的特征；在居住在西北區(qū)的女性中，約有82.31%的概率不吸煙，但該規(guī)則的提升度十分趨近與1，說(shuō)明居住在西北區(qū)的女性的不吸煙屬性不顯著。因此這一規(guī)則并不是強(qiáng)關(guān)聯(lián)規(guī)則，西北區(qū)的女性與不吸煙無(wú)明顯關(guān)聯(lián)。

采取上述方法，對(duì)全部45條關(guān)聯(lián)規(guī)則進(jìn)行分析，得到強(qiáng)關(guān)聯(lián)規(guī)則30條，非強(qiáng)關(guān)聯(lián)規(guī)則15條，綜合30條強(qiáng)關(guān)聯(lián)規(guī)則得出研究結(jié)論。結(jié)論顯示，高齡、吸煙與高額醫(yī)療費(fèi)用有較為顯著關(guān)聯(lián)的屬性(規(guī)則1、3、10、15)，低齡人群中低醫(yī)療費(fèi)用者往往不吸煙(規(guī)則11、12、32、33、39)，且在高齡人群中女性比男性更容易具備高額醫(yī)療費(fèi)用這個(gè)屬性(規(guī)則1、13)，男性中的吸煙者有較高概率出現(xiàn)高額醫(yī)療費(fèi)用(規(guī)則16)。

5 結(jié)語(yǔ)

本文運(yùn)用R軟件中的關(guān)聯(lián)算法研究1 338條個(gè)人醫(yī)療費(fèi)用數(shù)據(jù)集中與高額醫(yī)療費(fèi)用有強(qiáng)關(guān)聯(lián)的屬性。通過(guò)設(shè)置支持度和置信度篩選強(qiáng)關(guān)聯(lián)規(guī)則，挖掘出的關(guān)聯(lián)規(guī)則基本合理，可以作為醫(yī)療費(fèi)用數(shù)據(jù)研究的新方法，對(duì)該領(lǐng)域今后的研究發(fā)展具有參考和借鑒意義。本文仍然存在某些缺點(diǎn)和不足，如受數(shù)據(jù)來(lái)源中原有變量種類和數(shù)據(jù)數(shù)量的限制，只是在有限的數(shù)據(jù)特征中發(fā)現(xiàn)與醫(yī)療費(fèi)用的關(guān)聯(lián)規(guī)則，而這些數(shù)據(jù)特征可能不是醫(yī)療費(fèi)用的重要影響因素或與之具有因果關(guān)系；數(shù)據(jù)所反映的情況可能與真實(shí)情況間存在一定偏差；在數(shù)據(jù)預(yù)處理階段的數(shù)據(jù)離散化步驟中，一些屬性數(shù)據(jù)的分層離散處理可能不盡合理。此外，怎樣合理設(shè)定用于挖掘的支持度和置信度也是值得探討的問(wèn)題，閾值設(shè)定的高低會(huì)導(dǎo)致挖掘結(jié)果的質(zhì)量。