肺癌患者檢驗(yàn)項(xiàng)目數(shù)據(jù)可視化及關(guān)聯(lián)分析

王曉東，孫安琪，趙托亞，李佳欣，吳雅琴

（內(nèi)蒙古醫(yī)科大學(xué)計(jì)算機(jī)信息學(xué)院，內(nèi)蒙古 呼和浩特 010110）

健康醫(yī)療大數(shù)據(jù)已被國家列為重要的基礎(chǔ)性戰(zhàn)略資源進(jìn)行大力發(fā)展和推進(jìn)[1]。健康醫(yī)療大數(shù)據(jù)中蘊(yùn)含著大量非常有價(jià)值的信息，但是目前很多醫(yī)療衛(wèi)生機(jī)構(gòu)還沒有將這些大數(shù)據(jù)充分利用起來，無法完全發(fā)掘數(shù)據(jù)的潛在價(jià)值，導(dǎo)致數(shù)據(jù)資源浪費(fèi)。如何讓服務(wù)器中的數(shù)據(jù)發(fā)揮作用，這是很多管理者和科研工作者需要面對的問題。此外，目前對于疾病的診斷與治療很多情況下依賴于臨床醫(yī)師的經(jīng)驗(yàn)，缺乏大量歷史病例提供的數(shù)據(jù)參考。根據(jù)國家癌癥中心發(fā)布的最新全國癌癥統(tǒng)計(jì)數(shù)據(jù)顯示，肺癌位居我國惡性腫瘤發(fā)病首位，死亡率最高[2]，大約每5 位癌癥死亡患者中就有1 位死于肺癌[3]。肺癌預(yù)后較差，在我國人群中其5 年生存率仍不超過20%[4]，其診治產(chǎn)生的醫(yī)療費(fèi)用對患者家庭和社會(huì)造成了嚴(yán)重負(fù)擔(dān)。檢驗(yàn)項(xiàng)目是可以反映疾病變化的重要檢測手段。探索檢驗(yàn)項(xiàng)目復(fù)雜組合與疾病之間的聯(lián)系，有利于優(yōu)化治療措施，避免患者承受更大的痛苦[5]。本研究針對肺癌患者在醫(yī)院診療期間檢驗(yàn)項(xiàng)目數(shù)據(jù)進(jìn)行采集、處理以及可視化，以圖形、圖表形式直觀呈現(xiàn)數(shù)據(jù)結(jié)果。使用FP-growth 算法構(gòu)建FP 樹，對數(shù)據(jù)集進(jìn)行關(guān)聯(lián)分析，遞歸挖掘頻繁項(xiàng)集，抽取肺癌患者檢驗(yàn)項(xiàng)目中相關(guān)數(shù)據(jù)實(shí)體及各實(shí)體間關(guān)系。

1 開發(fā)語言與環(huán)境

本研究使用Python 程序設(shè)計(jì)語言對數(shù)據(jù)集進(jìn)行處理分析，Python 版本3.8.2，采用Anaconda3 5.1.0（64-bit）的Jupyter Notebook 作為開發(fā)環(huán)境，導(dǎo)入xlrd、jieba、matplotlib、wordcloud、numpy、pandas、sklearn 等包完成Excel 數(shù)據(jù)讀取、分詞、繪圖、詞云圖、科學(xué)計(jì)算、統(tǒng)計(jì)、機(jī)器學(xué)習(xí)等功能。

2 數(shù)據(jù)采集

以某醫(yī)院診斷結(jié)果為肺癌、肺癌術(shù)后、肺癌術(shù)后化療、肺癌轉(zhuǎn)移、肺癌晚期的54 例患者，在醫(yī)院診療期間（2017 年10 月16 日-2018 年10 月15 日）的檢驗(yàn)項(xiàng)目數(shù)據(jù)作為研究對象。

肺癌患者檢驗(yàn)項(xiàng)目原始數(shù)據(jù)保存于ORACLE數(shù)據(jù)庫中，相關(guān)數(shù)據(jù)涉及12 個(gè)數(shù)據(jù)表，使用表聯(lián)接和查詢操作后，生成的數(shù)據(jù)結(jié)果集含有47 個(gè)字段，同時(shí)對其進(jìn)行數(shù)據(jù)脫敏處理，保護(hù)患者隱私。為了便于使用Python 進(jìn)行數(shù)據(jù)處理和分析，將數(shù)據(jù)結(jié)果導(dǎo)出為Excel 文件。

3 數(shù)據(jù)預(yù)處理

3.1 數(shù)據(jù)歸約 在不影響數(shù)據(jù)完整性和數(shù)據(jù)分析結(jié)果正確性的前提下，根據(jù)本研究的數(shù)據(jù)特點(diǎn)，對數(shù)據(jù)集進(jìn)行維歸約[6]，降維后的數(shù)據(jù)集包含就診號(hào)、年齡、性別、檢驗(yàn)項(xiàng)目編號(hào)、檢驗(yàn)項(xiàng)目名稱、檢驗(yàn)項(xiàng)目結(jié)果值、檢驗(yàn)項(xiàng)目結(jié)果參考標(biāo)準(zhǔn)、所屬種類等21 個(gè)字段。

3.2 數(shù)據(jù)清洗 由于原始數(shù)據(jù)可能存在“臟數(shù)據(jù)”，故需構(gòu)建Python 數(shù)據(jù)檢測程序，過濾掉冗余數(shù)據(jù)，將存在噪聲數(shù)據(jù)與缺失數(shù)據(jù)的記錄刪除。經(jīng)過數(shù)據(jù)清洗后，數(shù)據(jù)集共含有8921 條檢驗(yàn)項(xiàng)目數(shù)據(jù)記錄，此數(shù)據(jù)集記為“原始數(shù)據(jù)集”。

4 數(shù)據(jù)集生成

4.1 年齡性別數(shù)據(jù)集 構(gòu)建Python 程序，提取就診號(hào)、年齡和性別字段，過濾掉數(shù)據(jù)集內(nèi)重復(fù)記錄，生成年齡性別數(shù)據(jù)集。

4.2 關(guān)聯(lián)分析數(shù)據(jù)集 為了使用FP-growth 算法能夠準(zhǔn)確對肺癌患者檢驗(yàn)項(xiàng)目進(jìn)行關(guān)聯(lián)分析，構(gòu)建Python 程序?qū)υ紨?shù)據(jù)集按照以下標(biāo)準(zhǔn)進(jìn)行篩選與排除，處理后共計(jì)2174 條數(shù)據(jù)記錄，此數(shù)據(jù)集記為“關(guān)聯(lián)分析數(shù)據(jù)集”。

4.2.1 按檢驗(yàn)次數(shù)與其他基礎(chǔ)疾病檢驗(yàn)項(xiàng)目進(jìn)行篩選與排除 根據(jù)相同檢驗(yàn)項(xiàng)目求和得到總次數(shù)并降序排列，排除草酸鈣結(jié)晶、血氨等16 項(xiàng)檢驗(yàn)次數(shù)是1 的項(xiàng)目，排除肺癌患者其他基礎(chǔ)疾?。ㄈ缣悄虿?、高血壓等）的檢驗(yàn)項(xiàng)目，如空腹血糖、糖類抗原CA19-9、收縮壓、舒張壓等。

4.2.2 按檢驗(yàn)結(jié)果進(jìn)行篩選與排除 肺癌患者檢驗(yàn)項(xiàng)目數(shù)據(jù)集字段RESULT_FLAG（檢驗(yàn)結(jié)果）有H（高于標(biāo)準(zhǔn)值）、L（低于標(biāo)準(zhǔn)值）、M（介于標(biāo)準(zhǔn)值區(qū)間之內(nèi)）3 個(gè)結(jié)果。排除結(jié)果為M 的檢驗(yàn)項(xiàng)目，即檢驗(yàn)結(jié)果為正常值的數(shù)據(jù)。保留結(jié)果值為H 和L 的檢驗(yàn)項(xiàng)目，即檢驗(yàn)結(jié)果為異常值的數(shù)據(jù)。

5 數(shù)據(jù)可視化

5.1 按性別、年齡統(tǒng)計(jì) 對年齡性別數(shù)據(jù)集中不同性別年齡字段的最大值、最小值和均值進(jìn)行統(tǒng)計(jì)計(jì)算。數(shù)據(jù)集中男34 例，女20 例。統(tǒng)計(jì)發(fā)現(xiàn)男性患者最低年齡45 歲，平均年齡63.9 歲；女性患者最低年齡48歲，平均年齡64.6 歲。男女患者平均年齡差別不大?？傮w上男性罹患肺癌發(fā)病率高于女性，在高齡人群中表現(xiàn)更加明顯[7]。對本研究肺癌患者樣本數(shù)據(jù)集不同年齡段、不同性別人數(shù)進(jìn)行統(tǒng)計(jì)，60 歲以下患者17 例，占樣本全部患者的31.5%。肺癌呈現(xiàn)低齡化態(tài)勢較為明顯，見圖1、圖2。

圖1 肺癌患者不同性別、年齡統(tǒng)計(jì)

圖2 肺癌患者不同年齡段人數(shù)統(tǒng)計(jì)

5.2 按檢驗(yàn)項(xiàng)目分類統(tǒng)計(jì) 統(tǒng)計(jì)數(shù)據(jù)發(fā)現(xiàn)，原始數(shù)據(jù)集內(nèi)檢驗(yàn)項(xiàng)目分為尿液、靜脈血漿、痰液、胸水、靜脈全血、靜脈血清、動(dòng)脈血7 個(gè)大類，每個(gè)大類中又包含若干種檢驗(yàn)項(xiàng)目。按檢驗(yàn)項(xiàng)目分類統(tǒng)計(jì)結(jié)果見表1。

表1 按檢驗(yàn)項(xiàng)目分類統(tǒng)計(jì)結(jié)果

靜脈血清包含檢驗(yàn)項(xiàng)目種類最多，達(dá)到76 項(xiàng)。靜脈全血次之，包含檢驗(yàn)項(xiàng)目59 項(xiàng)。尿液包含35項(xiàng)。三者在肺癌患者所有體液檢驗(yàn)項(xiàng)目中占74.23%，檢驗(yàn)總次數(shù)占全部的94.95%?？梢婌o脈血清、靜脈全血以及尿液等體液檢驗(yàn)項(xiàng)目是除了胸部X 線、CT、MRI、超聲、核素顯像、PET-CT 等影像學(xué)方法之外，對肺癌治療效果監(jiān)測及預(yù)后評(píng)估的有效手段。

5.3 檢驗(yàn)項(xiàng)目詞云圖 詞云圖可以將數(shù)據(jù)集中出現(xiàn)頻率較高的關(guān)鍵詞予以視覺化呈現(xiàn)[8]。設(shè)計(jì)Python程序，構(gòu)建自定義語料庫，對肺癌患者檢驗(yàn)項(xiàng)目數(shù)據(jù)集的檢驗(yàn)項(xiàng)目字段進(jìn)行分詞以及詞頻統(tǒng)計(jì)，自動(dòng)過濾冗余無效內(nèi)容，設(shè)置詞云圖背景顏色、隨機(jī)生成狀態(tài)等參數(shù)，生成檢驗(yàn)項(xiàng)目詞云圖。

檢驗(yàn)項(xiàng)目按出現(xiàn)次數(shù)從多到少有白細(xì)胞、紅細(xì)胞、血紅蛋白、紅細(xì)胞分布寬度SD、紅細(xì)胞壓積、平均血小板體積、淋巴細(xì)胞百分比等，白細(xì)胞在所有檢驗(yàn)項(xiàng)目中出現(xiàn)次數(shù)最多，為276 次。紅細(xì)胞次之，為215 次。對數(shù)據(jù)集所有檢驗(yàn)項(xiàng)目字段，經(jīng)去除重復(fù)項(xiàng)處理后得到186 種。肺癌患者檢驗(yàn)項(xiàng)目數(shù)據(jù)集出現(xiàn)次數(shù)最多的是白細(xì)胞，患者人均達(dá)到5.1 次。肺癌化療時(shí)，外周血中的白細(xì)胞常常會(huì)出現(xiàn)異常[9，10]。紅細(xì)胞人均檢驗(yàn)達(dá)到3.98 次，紅細(xì)胞對于腫瘤細(xì)胞具有極強(qiáng)的親和作用[11，12]，紅細(xì)胞的補(bǔ)體受體則對腫瘤細(xì)胞發(fā)揮黏附及攻擊作用[13]。檢驗(yàn)項(xiàng)目詞云圖見圖3。

圖3 檢驗(yàn)項(xiàng)目詞云圖

6 關(guān)聯(lián)分析

6.1 基本定義 從大規(guī)模數(shù)據(jù)集中尋找實(shí)體間的隱含關(guān)系被稱作關(guān)聯(lián)分析[14]。頻繁項(xiàng)集是指出現(xiàn)頻率較高實(shí)體的集合[15]，關(guān)聯(lián)規(guī)則可以找出存在強(qiáng)關(guān)系實(shí)體之間的規(guī)則[16]。關(guān)聯(lián)分析是從大規(guī)模數(shù)據(jù)集中尋找事務(wù)之間的隱含關(guān)系。

關(guān)聯(lián)規(guī)則X?Y 的支持度記為support（X?Y），表示在所有事務(wù)中，項(xiàng)集X 和項(xiàng)集Y 同時(shí)出現(xiàn)的頻繁程度[17]，如公式（1）所示。項(xiàng)集X 的支持度大于或等于預(yù)先設(shè)定的最小支持度閾值，則項(xiàng)集X 為頻繁項(xiàng)集。

關(guān)聯(lián)規(guī)則X?Y 的置信度記為confidence（X?Y），表示在事務(wù)數(shù)據(jù)庫Z 中，包含項(xiàng)集X 的事務(wù)中包含項(xiàng)集Y 的百分比[18]，如公式（2）所示。關(guān)聯(lián)分析的目的就是找出同時(shí)滿足最小支持度閾值和最小置信度閾值的強(qiáng)關(guān)聯(lián)規(guī)則。

項(xiàng)集X 和項(xiàng)集Y 之間的提升度記為lift（X，Y），是表示項(xiàng)集X 和項(xiàng)集Y 的相關(guān)性度量[19]，如公式（3）所示。

目前較常用的關(guān)聯(lián)分析算法有Apriori 算法和FP-growth 算法，Apriori 算法只要增加頻繁項(xiàng)集，就會(huì)重新掃描整個(gè)數(shù)據(jù)集。如果數(shù)據(jù)集規(guī)模很大時(shí)，會(huì)顯著降低頻繁項(xiàng)集挖掘速度。FP-growth 算法相比較于Apriori 算法，采用了優(yōu)化的數(shù)據(jù)結(jié)構(gòu)，只需要掃描兩次數(shù)據(jù)集[20]，加快了挖掘速度。鑒于此，本研究采用FP-growth 算法進(jìn)行關(guān)聯(lián)分析。

6.2 主程序構(gòu)建與算法優(yōu)化 關(guān)聯(lián)分析之前，需要構(gòu)建Python 主程序，將關(guān)聯(lián)分析數(shù)據(jù)集內(nèi)每名肺癌患者若干條檢驗(yàn)項(xiàng)目數(shù)據(jù)記錄中的檢驗(yàn)項(xiàng)目字段轉(zhuǎn)化為列表形式，然后將所有肺癌患者檢驗(yàn)項(xiàng)目列表轉(zhuǎn)化為一個(gè)二維列表，作為FP-growth 關(guān)聯(lián)算法的輸入?yún)?shù)。主程序在調(diào)用FP-growth 算法運(yùn)行過程中，需要對算法的參數(shù)進(jìn)行調(diào)整和優(yōu)化。

6.3 關(guān)聯(lián)分析結(jié)果 設(shè)置支持度為50%，置信度為70%，使用FP-growth 關(guān)聯(lián)算法挖掘檢驗(yàn)項(xiàng)目數(shù)據(jù)集的頻繁項(xiàng)集。提升度大于1 的有16 個(gè)頻繁項(xiàng)集，其中頻繁二項(xiàng)集11 個(gè)，頻繁三項(xiàng)集5 個(gè)，使用上文6.1 的公式（1）（2）（3）計(jì)算各頻繁項(xiàng)集支持度、置信度、提升度。頻繁項(xiàng)集及結(jié)果見圖4。

圖4 頻繁項(xiàng)集及結(jié)果

提升度大于1 且值越高表明正相關(guān)性越高[21]。白細(xì)胞-淋巴細(xì)胞百分比、白細(xì)胞-尿膽原、血紅蛋白-紅細(xì)胞壓積、血小板壓積-淋巴細(xì)胞百分比、血小板壓積-尿膽原5 個(gè)檢驗(yàn)項(xiàng)目對在所有頻繁項(xiàng)集中出現(xiàn)的概率均為12.50%。提升度最高[lift（X，Y）=1.67]的頻繁二項(xiàng)集是血紅蛋白-紅細(xì)胞，其次為血紅蛋白-紅細(xì)胞壓積、中性粒細(xì)胞百分比-淋巴細(xì)胞百分比。提升度最高[lift（X，Y）=1.67]頻繁三項(xiàng)集是血紅蛋白-紅細(xì)胞壓積-紅細(xì)胞，其次為白細(xì)胞-尿膽原-血小板壓積、白細(xì)胞-淋巴細(xì)胞百分比-血小板壓積。

7 總結(jié)

本研究將大數(shù)據(jù)處理與分析技術(shù)應(yīng)用于較少問津的檢驗(yàn)項(xiàng)目數(shù)據(jù)，以某醫(yī)院肺癌患者在醫(yī)院診療期間檢驗(yàn)項(xiàng)目數(shù)據(jù)作為研究對象，深入挖掘了肺癌患者檢驗(yàn)項(xiàng)目內(nèi)在規(guī)律，實(shí)現(xiàn)檢驗(yàn)項(xiàng)目數(shù)據(jù)的知識(shí)發(fā)現(xiàn)，希冀為肺癌臨床輔助診療提供參考，促進(jìn)精準(zhǔn)醫(yī)療、適度醫(yī)療。