基于FP-Growth算法的精神障礙患者用藥不良反應預警App研究

孫敏琦 潘媛媛

摘要：隨著移動醫(yī)療技術的發(fā)展，人們熱衷于通過手機查詢疾病信息。為了防患精神障礙疾病患者在常規(guī)用藥過程中發(fā)生藥品不良反應（Adverse Drug Reaction，ADR），采用FP-Growth算法對ADR風險因素進行挖掘，設計一種基于Android平臺的精神障礙患者用藥不良反應預警的App。算法根據(jù)精神障礙患者ADR報告的最新數(shù)據(jù)，挖掘頻繁出現(xiàn)的ADR-藥品-用藥人群組合，提取滿足最小支持度和最小置信度閾值的強關聯(lián)規(guī)則。根據(jù)強關聯(lián)規(guī)則對用戶輸入的一系列用藥信息進行預測判斷，以移動可視化界面的形式反饋給用戶，保障患者全過程安全用藥。

關鍵詞：藥品不良反應預警;精神障礙;FP-Growth算法;關聯(lián)規(guī)則;移動醫(yī)療

中圖分類號：TP311 ? ? ?文獻標識碼：A

文章編號：1009-3044（2022）13-0132-03

1 引言

根據(jù)中國疾控中心精神衛(wèi)生中心公示的一系列數(shù)據(jù)顯示，在中國總數(shù)超過1億數(shù)量的各類精神疾病患者中，有約640萬人患精神分裂癥，110萬人有雙相情感障礙。最新的一項涵蓋5萬多人的調查顯示，新冠肺炎疫情期間約有35%的公眾存在不同程度的情緒反應。其中，居家的社區(qū)嚴重精神障礙患者的心理問題加重[1]，老年人和一線工作人員等特殊人群的心理健康狀況受到多方關注。目前，全球范圍內受精神健康問題困擾的人群逐年增加。據(jù)統(tǒng)計，截至今年，已有超十億人受到不同程度精神健康疾病的困擾，平均每40秒就有一人因受到精神疾病困擾而導致自殺。患病率日益上升的精神障礙疾病在我國存在著巨大的“治療缺口”，由于抗精神病藥品的藥理作用比較廣泛，不僅單純作用于神經系統(tǒng)發(fā)揮作用，對泌尿、消化、心血管系統(tǒng)和皮膚及附屬器官也會產生影響[2]，從而引起一系列藥品不良反應，對下一步的疾病治療造成阻礙。

藥品不良反應是指在正常用法、用量下使用合格藥品時出現(xiàn)的與用藥目的無關或意外的有害反應。由于醫(yī)護人員在常規(guī)給患者使用藥品進行診療時，引起理想治療效果以外的不良反應現(xiàn)象非常常見，為防止藥品不良反應事件頻頻發(fā)生，部分學者展開了預警研究。葉明全[3]等人提出結合概念層次樹和多層關聯(lián)規(guī)則的挖掘方法，自頂向下或自底向上找出不同概念層次上ADR臨床癥狀與用藥人群、用藥情況等組合之間的強關聯(lián)規(guī)則，生成ADR預警規(guī)則庫，準確度達到89%。賀小紅[4]等人基于多維表達式（multi-dimensional expressions，MDX）對數(shù)據(jù)進行切片、切塊、鉆取等聯(lián)機分析處理，并用filter函數(shù)挑選出頻繁項集進而提取關聯(lián)規(guī)則。熊代琴[5]等人先對可能產生ADR的單因素進行篩查和共線性檢驗，再對影響因素使用多因素二元logistic回歸分析生成LR模型，基于該模型預測ADR發(fā)生風險。王艷[6]等人采用非條件最小二乘法進行參數(shù)估計，發(fā)現(xiàn)ARIMA為較優(yōu)模型，只需內生變量即可進行建模而不需要考慮其他變量，可操作性好。張成[7]等人用貝葉斯置信傳播神經網絡（BCPNN）挖掘舒金健藥丸ADR/AE風險預警信號，采用傾向評分法控制平衡混雜因素，可以很好地克服在獲取數(shù)據(jù)較少情況下因估計誤差大而致假陽性率高這一問題。

盡管引起精神類疾病的因素日益增多，較高的發(fā)病率伴隨的卻是只有不到20%的治療率。得到治療的患者又因為精神疾病間容易共患，治療期間可能因為發(fā)生共患反過來影響藥物治療的選擇，這就需要及時調整用藥情況，規(guī)避再次產生藥品不良反應的風險。因此，本研究提出一種基于移動平臺的用藥不良反應預警App，幫助精神障礙患者在用藥前期避免不良反應的發(fā)生。

2 基于FP-Growth的關聯(lián)規(guī)則挖掘算法

2.1 支持度和置信度

設I={i1，i2，…，im}是一個總項集，其中包含m個不同項目，D={r1，r2，…，rm}為事務數(shù)據(jù)庫，每個事務ri（i=1，2，…，n）均對應I上的一個子集，滿足ri?I，記為R。設X，Y為I中不同的項集，當X?Y，稱其為一條關聯(lián)規(guī)則，項集X為先決條件，項集Y為關聯(lián)結果[8]。衡量關聯(lián)規(guī)則是否標準常用以下兩個指標：支持度（support）和置信度（confidence）。支持度是事務數(shù)據(jù)集D中同時出現(xiàn)項集X、Y的概率，置信度是指在出現(xiàn)項集X的事務數(shù)據(jù)集D中，項集B是同時出現(xiàn)的概率。式（1）、（2）分別為支持度和置信度的公式概念。

Support（X?Y）=P（X，Y）=[|{R|X?Y?R，R?D}|D] ? ? ? ? ? （1）

Confidence（X?Y）=P（Y|X）=[PX，YPX]=[SupportX?YSupportX] ? ?（2）

支持度從“數(shù)量”角度篩選普遍存在的關聯(lián)規(guī)則，如果X和Y同時出現(xiàn)得非常頻繁，說明X和Y總是相關的。置信度是反映關聯(lián)規(guī)則可靠性的評價指標，Confidence（X?Y）越接近1說明兩者關聯(lián)性越強。當關聯(lián)規(guī)則同時滿足最小支持度和最小置信度時，稱其為“強關聯(lián)規(guī)則”。

2.2 FP-Growth算法流程

關聯(lián)規(guī)則算法用來挖掘數(shù)據(jù)集內部的相關聯(lián)性，考慮到Apriori算法需要對候選項集里的每一項各掃描一次，在數(shù)據(jù)集量很大時，算法存在效率低、運行時間長的缺點，本研究采用更加高效的FP-Growth算法，將數(shù)據(jù)集化為FP-tree這一數(shù)據(jù)結構，尋找頻繁項集的過程便是對這棵樹進行操作的過程。

采用FP-Growth算法挖掘關聯(lián)規(guī)則的流程如圖1所示，其具體步驟如下：

1）遍歷事務數(shù)據(jù)集D，統(tǒng)計每個項目的出現(xiàn)次數(shù)，設定最小支持度MinS，剔除小于MinS的項目，對剩余的頻繁項降序排序。

2）再次遍歷事務數(shù)據(jù)庫，對排序后的頻繁項建立頻繁項頭表，同時建立FP-tree，根節(jié)點記為NULL，讀入頻繁項集并將其添加到一條已存在的路徑中，若該路徑不存在則新建一條路徑。

3）對于每個頻繁項，按照頻繁項表自下而上的順序訪問FP-tree，找尋該頻繁項的前綴路徑和路徑計數(shù)值，生成條件模式基。

4）利用條件模式基構建相應頻繁項的條件FP-tree，遞歸調用樹結構，若是單路徑結構，跳至步驟5）;若是多路徑結構則不斷迭代調用樹的過程，直到形成單路徑為止。

5）每一次遞歸都要對前綴路徑中的支持度計數(shù)減1和刪除小于最小支持度的項目，把條件頻繁項集和該頻繁項取并集生成最終的頻繁模式。

2.3 FP-Growth算法應用案例

以蕪湖市某三甲醫(yī)院精神科室2016～2020年統(tǒng)計的藥品不良反應記錄為例。對初始的1916條記錄進行數(shù)據(jù)預處理，先清除異常和重復的數(shù)據(jù)，由于FP-Growth算法只能處理布爾型數(shù)據(jù)，為保證數(shù)據(jù)格式標準化，將字符型數(shù)據(jù)二值化處理，得到可用于實驗的1800條記錄，即1800個事務組成的事務數(shù)據(jù)集，主要包括：序列號、性別、年齡、所患疾病名稱、用藥名稱、ADR名稱、ADR結果。表1為精神障礙患者用藥不良反應二值化前的事務數(shù)據(jù)集。

通過FP-Growth算法挖掘預處理后的頻繁項集，性別、年齡、所患疾病名稱、用藥名稱作為先決條件，ADR名稱作為關聯(lián)結果，尋找ADR、藥品和用藥人群之間的關聯(lián)關系。設最小支持度為0.02，最小置信度為0.75，提取所有置信度達0.5以上的關聯(lián)規(guī)則組成預警規(guī)則集，表2為置信度較高的10條關聯(lián)規(guī)則。當患者是女性且患有精神分裂癥時，由數(shù)據(jù)挖掘的分析結果可知，預警規(guī)則集給出4條預警信息，分別是精神分裂癥女性服用利培酮片有81%的可能發(fā)生自主神經功能紊亂，精神分裂癥女性服用氯氮平片有81%的可能發(fā)生心律異常;精神分裂癥女性服用阿立哌唑片有80%的可能發(fā)生錐體外系反應;精神分裂癥女性服用利培酮片有76%的可能發(fā)生錐體外系反應。

3 基于FP-Growth的精神障礙患者ADR預警App設計

本App以Android Studio作為開發(fā)平臺，采集服務和服務端采用Intellij IDEA集成開發(fā)環(huán)境并使用同一個MySQL數(shù)據(jù)庫系統(tǒng)。開發(fā)過程先后經過對軟件功能分析與設計、數(shù)據(jù)庫設計、客戶端設計和后臺管理功能設計。軟件提供健康檔案、用藥記錄、藥品不良反應預警和健康報告功能，圖2為軟件總體功能模塊設計圖。

3.1 健康檔案模塊

用戶首次登錄時需先注冊賬號，軟件推送“我的資料”界面，在其中填寫姓名、年齡、性別、身高、體重和手機號。圖3為App首頁界面，“健康檔案”模塊可從首頁進入，如圖4所示，每一條檔案信息包括姓名、性別、年齡、疾病，可對其進行添加、刪除、修改操作?？紤]到軟件的使用人群不全是精神障礙患者和醫(yī)護人員，有替他人預測用藥不良反應風險的可能，所以這里再次記錄性別、年齡信息。

3.2 用藥記錄模塊

用戶輸入藥名，用藥時間一欄同步手機當前時間，也可以自行調整。對于一天多次用藥的情況，以天為單位合并數(shù)據(jù)，最終形成每日的用藥記錄。圖5為錄入藥名和用藥時間的頁面設計。

3.3 精神障礙用藥ADR預警模塊

收集從醫(yī)院獲取到精神障礙患者藥品不良反應數(shù)據(jù)預處理，采用基于FP-Growth算法的數(shù)據(jù)挖掘關聯(lián)規(guī)則的方法，構建抗精神障礙藥品不良反應早期預警模型，將此模型數(shù)據(jù)導入到MySQL數(shù)據(jù)庫中。用戶使用軟件時，只需輸入疾病和患者的年齡、性別、用藥名稱，系統(tǒng)在預警模型數(shù)據(jù)庫中搜索對應的不良反應，結合置信度大小分析不良反應的風險程度并反饋給用戶。系統(tǒng)規(guī)定置信度達0.80以上的不良反應屬于高風險，置信度在0.65～0.80內的不良反應屬于較高風險，置信度在0.50～0.65內為中風險不良反應。預警界面如圖6所示。

3.4 健康報告模塊

考慮到部分抗精神障礙藥品具有單一性和不可調整性，患者短期內找不到可替代現(xiàn)成的、會導致不良反應的藥品，不得不服用現(xiàn)有藥物，這將導致預警系統(tǒng)推送不良反應的發(fā)生風險和情況描述。軟件整理預警系統(tǒng)分析出的藥品不良反應情況，形成日報和周報。日報通過選擇日期，顯示某天是否有不良反應的發(fā)生，周報收集一周的預警信息，沒有發(fā)生不良反應給出“優(yōu)”等級，發(fā)生1或2次不良反應給出“良”等級，不良反應發(fā)生2次以上則是“差”等級。圖7、圖8分別為健康周報、健康日報的設計界面。

4 結束語

本文在研究國內外藥品不良反應預警相關算法的基礎上，針對目前精神障礙患者人群擴張、疾病種類和藥品數(shù)量增多的現(xiàn)狀和實際需求設計開發(fā)了一款基于FP-Growth算法的精神障礙患者用藥不良反應預警App。算法根據(jù)精神障礙患者用藥不良反應的呈報數(shù)據(jù)，挖掘頻繁出現(xiàn)的ADR-藥品-用藥人群組合，提取滿足最小支持度和最小置信度的強關聯(lián)規(guī)則。軟件根據(jù)關聯(lián)規(guī)則智能預警不良反應的發(fā)生風險，為用戶提供健康檔案、健康報告和智能預警功能，以達到令患者在用藥前期防控到位、提高疾病治療效果的目的，若將其利用到精神障礙疾病臨床治療上，其應用前景和作用是巨大的。

參考文獻：

[1] 李世明，楊雀屏，馮為，等.常態(tài)化疫情防控下社區(qū)嚴重精神障礙患者管理服務現(xiàn)狀與建議[J].中國公共衛(wèi)生管理，2021，37（6）：764-766.

[2] 莊紅艷，劉珊珊，果偉，等.某精神?？漆t(yī)院115例新的藥品不良反應的回顧性分析[J].中國藥房，2018，29（23）：3259-3263.

[3] 葉明全，蘇洋，童九翠.基于多層關聯(lián)規(guī)則挖掘的ADR風險檢測與預警研究[J].池州學院學報，2020，34（3）：23-26.

[4] 馮秀珍，賀小紅，馮變玲.基于關聯(lián)規(guī)則的ADR預警系統(tǒng)及實證研究[J].科技管理研究，2012，32（9）：194-197.

[5] 熊代琴，馬雪英，滕亮，等.利用全面觸發(fā)工具建立住院患兒頭孢菌素類藥品不良反應主動監(jiān)測預警模型[J].中國藥物警戒，2021，18（7）：663-668.

[6] 王艷，張麗.自回歸移動平均模型在藥品不良反應監(jiān)測預警中的應用[J].臨床醫(yī)學研究與實踐，2018，3（21）：7-8，14.

[7] 張成，李盼盼，王連心，等.基于自發(fā)呈報系統(tǒng)舒筋健腰丸不良反應/事件預警分析[J].中國中藥雜志，2020，45（15）：3533-3538.

[8] 陳玲萍.基于FP-Growth的高校學業(yè)預警系統(tǒng)設計與實現(xiàn)[J].無線互聯(lián)科技，2018，15（24）：39-40，45.

【通聯(lián)編輯：謝媛媛】