基于改進(jìn)雙聚類算法的中醫(yī)治療過敏性紫癜性腎炎用藥劑量規(guī)律的研究

潘國興，易 鋼*，盧彥杰

湖南中醫(yī)藥大學(xué)信息科學(xué)與工程學(xué)院，湖南 長沙 410208

過敏性紫癜性腎炎（Henoch-Sch?nlein purpura nephritis, HSPN）患者通常表現(xiàn)為蛋白尿、血尿、腹痛、皮膚紫癜等癥狀[1]。 中醫(yī)學(xué)將其歸為“血證”“紫癜風(fēng)”“水腫”等范疇[1]，認(rèn)為是由于患者先天陰虛質(zhì)燥，營血中有伏火，復(fù)又外受風(fēng)熱、溫?zé)峄蛩幎局?，?dǎo)致兩熱相搏，血熱熾燔，從而灼傷膚絡(luò)，血溢膚表而發(fā)為紫癜[2]。 臨床研究表明，采用中藥治療HSPN效果明顯，且不良反應(yīng)小[3]。 但是，在對當(dāng)前中醫(yī)治療HSPN 相關(guān)文獻(xiàn)進(jìn)行研究分析后發(fā)現(xiàn)，在用藥劑量、藥物配伍等問題上缺乏系統(tǒng)性歸納，存在局限性。近些年，大量學(xué)者采用現(xiàn)代統(tǒng)計分析和數(shù)據(jù)挖掘技術(shù)對中醫(yī)用藥規(guī)律進(jìn)行研究，有效推動了中醫(yī)的發(fā)展，但采用的算法大體相同且較為原始，挖掘的結(jié)果也較為淺顯。因此，本研究采用聚類算法的數(shù)據(jù)挖掘技術(shù)探討中醫(yī)治療HSPN 用藥劑量規(guī)律，以期為臨床治療和新藥研發(fā)提供參考。

人工智能技術(shù)的發(fā)展與應(yīng)用，對中醫(yī)藥的發(fā)展起到促進(jìn)作用。 中醫(yī)知識體系龐大，內(nèi)容極為豐富，且具有經(jīng)驗(yàn)性、辨證性的特點(diǎn)，僅僅依靠人力難以對中醫(yī)基礎(chǔ)理論、中藥方劑學(xué)和中醫(yī)文獻(xiàn)學(xué)等進(jìn)行規(guī)律總結(jié)和隱藏關(guān)系有效發(fā)掘。 數(shù)據(jù)挖掘技術(shù)具備從大量的數(shù)據(jù)中挖掘出具有特殊聯(lián)系的隱藏信息的能力，因此被廣泛應(yīng)用。 聚類算法作為數(shù)據(jù)挖掘技術(shù)中的一個重要的分支，在中醫(yī)用藥規(guī)律的發(fā)掘中具有舉足輕重的作用。 例如，倪瑛等[4]采用K-means 聚類算法探討治療新型冠狀病毒肺炎處方的組方配伍規(guī)律，聚類分析獲得6 類藥物社團(tuán)，具有清肺解毒、芳香化濕、辟穢化濁、通腑解毒祛瘀、回陽救逆、補(bǔ)氣養(yǎng)陰等配伍特征；鄒錦等[5]將熵聚類應(yīng)用于發(fā)掘中醫(yī)經(jīng)方治療抑郁癥的用藥規(guī)律，通過聚類分析得到新方3 個，為臨床辨治抑郁癥提供參考。

針對中醫(yī)治療HSPN 的用藥特點(diǎn)，本文采用改進(jìn)的CC 雙聚類算法挖掘其中的隱藏規(guī)律信息，并采用模糊C 均值（fuzzy C-means, FCM）聚類算法對挖掘出的藥物劑量大小進(jìn)行區(qū)分。 旨在得出中醫(yī)治療HSPN 用藥劑量的規(guī)律，驗(yàn)證算法模型的有效性，為中醫(yī)治療HSPN 研究提供參考。

1 資料與方法

1.1 資料來源

以“過敏性紫癜性腎炎”作為關(guān)鍵詞，檢索項(xiàng)選擇“主題”，文獻(xiàn)類型選擇“期刊論文”，對CNKI、萬方數(shù)據(jù)庫、維普中文期刊服務(wù)平臺、中國生物醫(yī)學(xué)文獻(xiàn)數(shù)據(jù)庫進(jìn)行檢索，篩選年限為建庫至2022 年8 月26日，共收集到中醫(yī)治療HSPN 相關(guān)研究文獻(xiàn)508 篇。

1.2 納入及排除標(biāo)準(zhǔn)

納入標(biāo)準(zhǔn)：（1）符合HSPN 的中西醫(yī)診斷標(biāo)準(zhǔn)；（2）中醫(yī)內(nèi)服方劑治療HSPN 的臨床研究文獻(xiàn)；（3）治療結(jié)局判定有效；（4）中藥處方藥物完整，劑量記載明確；（5）患者年齡區(qū)間為20～30 歲。

排除標(biāo)準(zhǔn)：（1）綜述、Meta 分析、個案；（2）針灸、熏蒸、西醫(yī)結(jié)合等聯(lián)合治療文獻(xiàn)；（3）動物實(shí)驗(yàn)；（4）重復(fù)處方。

1.3 數(shù)據(jù)提取及錄入

將文獻(xiàn)中的方劑按照方劑名、癥狀、藥物（劑量）的格式錄入Microsoft Excel 2019 軟件進(jìn)行存儲。

中藥名稱規(guī)范化：參照《中醫(yī)診斷學(xué)》[6]《中華人民共和國藥典》[7]，對錄入的癥狀名稱和中藥名稱進(jìn)行規(guī)范化處理，如“血尿”“尿血”等規(guī)范為“尿血”，“銀花”“雙花”規(guī)范為“金銀花”，“丹皮”規(guī)范為“牡丹皮”等。

藥物劑量規(guī)范化：為方便后續(xù)數(shù)據(jù)挖掘工作，將所有藥物劑量單位統(tǒng)一為克， 按照一枚標(biāo)準(zhǔn)大棗10 g、一片生姜3 g 等轉(zhuǎn)化為“大棗10 g”“生姜3 g”。

數(shù)據(jù)錄入：錄入工作由兩人合作完成，采用資料雙人背對背錄入方式，以此保證數(shù)據(jù)的準(zhǔn)確可靠性。

1.4 數(shù)據(jù)預(yù)處理

對數(shù)據(jù)進(jìn)行整理過程中發(fā)現(xiàn)，個別處方中有1～2味其他中醫(yī)專家不曾使用的藥物。 因?yàn)椴煌闹嗅t(yī)專家有著不同的臨床經(jīng)驗(yàn)，對藥物的配伍、用量、服用順序等各不相同。 此外，患者體質(zhì)與病情不可能完全一致。 因此，會選擇性地加入一些藥物，以達(dá)到更好的療效。 然而，低頻藥物僅占整體數(shù)據(jù)集中的一小部分，如果將它們都加入數(shù)據(jù)集則會產(chǎn)生大量噪聲數(shù)據(jù)，導(dǎo)致算法運(yùn)行效率降低、結(jié)果解釋性降低、過擬合等問題。 因此，為尋求普適性用藥規(guī)律，需要設(shè)置界定閾值。 在對藥物出現(xiàn)頻次的不同值作為閾值進(jìn)行了多組實(shí)驗(yàn)后，結(jié)果顯示，頻次=5 次作為閾值時可以得到較好的聚類效果，并且頻次≥5次的藥物占整體數(shù)據(jù)集的比例適中。 故將藥物界定閾值設(shè)為5，得到出現(xiàn)頻次≥5 次的藥物174味，建立藥物-劑量矩陣，矩陣行代表方劑，矩陣列代表藥物名，矩陣內(nèi)數(shù)值代表劑量，缺失值填0。詳見表1。

表1 藥物-劑量矩陣

1.5 FCM 聚類算法

模糊算法源于模糊數(shù)學(xué)理論，屬于智能算法，常見的模糊算法有均值模糊和高斯模糊。 FCM 是一種基于劃分的聚類算法，其目的在于使劃分到同一簇的對象之間的相似度最大，而不同簇之間對象的相似度最小。FCM 是一種模糊劃分，相較于其前身C均值聚類算法的硬性劃分，F(xiàn)CM 的劃分更為柔性[8]。

在中藥劑量區(qū)間劃分研究中，劉丹[9]采用現(xiàn)代統(tǒng)計學(xué)的傳統(tǒng)劃分方法，易于理解和實(shí)現(xiàn)、適應(yīng)性強(qiáng)、更容易操作，劃分模式比較直觀和易于操作，適用于處理藥物劑量比較穩(wěn)定以及算力比較弱的情況。 但傳統(tǒng)劃分方法還存在一些局限性，例如劃分模式非此即彼，不能全面反映藥物劑量效應(yīng)和區(qū)間，而且對于中醫(yī)藥領(lǐng)域中藥物劑量復(fù)雜且效應(yīng)不確定的情況有限制。因此，需要考慮應(yīng)用更細(xì)致化和更符合實(shí)際情況的劑量劃分方法。如模糊聚類算法，其可以很好地處理和利用非精確性數(shù)據(jù)，在中醫(yī)藥研究中有很好的應(yīng)用前景。與傳統(tǒng)方法相比，模糊聚類算法可以更好地適應(yīng)不同病情和患者的個體差異，實(shí)現(xiàn)藥物劑量的個性化調(diào)整。 本次研究采用FCM算法對藥物劑量區(qū)間進(jìn)行劃分，F(xiàn)CM 算法由RUSPINI 首先提出，之后經(jīng)過DUNN 與BEZDEK 的改進(jìn)[10]，成為現(xiàn)在人們熟知的FCM 算法。 FCM 算法大致流程如下：

第一步：隨機(jī)初始化聚類中心；

第二步：對于每個數(shù)據(jù)點(diǎn)，計算其與每個聚類中心的相似度（距離）；

第三步：根據(jù)計算得到的相似度值，將每個數(shù)據(jù)點(diǎn)分配到最相似的聚類中心；

第四步：更新每個聚類中心，計算每個聚類中心的向量值，使其盡可能接近同一類別中的所有數(shù)據(jù)點(diǎn)；

第五步：重復(fù)第二步～第四步，直到聚類中心不再發(fā)生變化或達(dá)到預(yù)設(shè)的最大迭代次數(shù)[11]。

1.6 CC 雙聚類算法

1.6.1 原始算法 CC 雙聚類算法由CHENG 和CHURCH 于2000 年提出[12]。 算法的核心思想在于利用平均平方殘基來尋找矩陣中具有相似特征的子矩陣[13]，例如，一個X 行Y 列的矩陣A，其平均平方殘基可以表示為：

上述公式中，公式（5）計算結(jié)果即為矩陣中每個元素的殘基，將該元素依次減去所在行的平均值和所在列的平均值，最后加上矩陣所有元素的平均值；計算出矩陣中每個元素的殘基后就可以得出該矩陣的平均平方殘基H（X,Y），設(shè)置閾值ε，當(dāng)矩陣的H（X,Y）≤ε 時，即該矩陣具有較強(qiáng)的內(nèi)部一致性。因此，對于H（X,Y）>ε 的矩陣，若想達(dá)到較強(qiáng)內(nèi)部一致性的目標(biāo)，就需要依次刪除H（X,Y）＞ε 的行或列R，刪除條件公式為：

為避免錯誤刪除平均平方殘基小于閾值的行列，加入填補(bǔ)行列條件公式：

最后輸出目標(biāo)子矩陣；經(jīng)過一輪的刪除與輸出，為了下次迭代能夠輸出新的子矩陣，需要對刪除的行或列進(jìn)行隨機(jī)值的填補(bǔ)，經(jīng)過反復(fù)迭代，最終輸出多個不同的具有較強(qiáng)內(nèi)部一致性的子矩陣。CC 雙聚類算法的偽代碼形式如下：

1.6.2 改進(jìn)算法 利用藥物-劑量矩陣進(jìn)行CC 雙聚類算法的劑量挖掘。 由于中醫(yī)處方所涉及的藥物種類十分龐大，因此藥物-劑量矩陣中存在大量的0值；經(jīng)過上述對原始CC 雙聚類算法內(nèi)容的描述，可以預(yù)料到算法會將矩陣中大量的0 值作為具有較強(qiáng)內(nèi)部一致性的子矩陣輸出，這樣的挖掘結(jié)果沒有任何意義。 除此之外，算法迭代過程中還會將刪除的行或列進(jìn)行隨機(jī)數(shù)的填補(bǔ)，這必然會影響原始的藥物劑量信息，導(dǎo)致輸出結(jié)果不準(zhǔn)確。

針對上述出現(xiàn)的兩個問題，提出“懲罰策略”[14]，具體算法步驟如下：

第一步：創(chuàng)建與藥物-劑量矩陣ρ（X 行，Y 列）維度相同的0 矩陣θ，遍歷矩陣ρ，當(dāng)ρ（x,y）=0 時，設(shè)θ（x,y）=1；

第二步:創(chuàng)建懲罰系數(shù)ω=|X|×|Y|×μ，其中μ 為初設(shè)閾值，可以通過調(diào)節(jié)其大小來控制懲罰力度；

第三步:對原始CC 雙聚類算法中平均平方殘基公式（1）進(jìn)行改進(jìn)，即為：

其中θxy代表矩陣θ 中X 行，Y 列的取值。

第四步： 對原始CC 雙聚類算法中刪除行列條件公式（6）進(jìn)行改進(jìn)：

通過在（6）式中添加“懲罰項(xiàng)”可以保證優(yōu)先刪除矩陣ρ 中的0 值；

第五步：對原始算法中添加隨機(jī)值條件公式（7）進(jìn)行改進(jìn)：

改進(jìn)后的隨機(jī)值填補(bǔ)條件公式可以使算法優(yōu)先填補(bǔ)不含0 值的行列；

第六步：對于一次迭代輸出的目標(biāo)子矩陣，記錄元素所在位置（x，y），并將矩陣θ（x，y）=1，算法在進(jìn)行下一次迭代時，因?yàn)閼土P項(xiàng)的因素刪除第一次迭代輸出的子矩陣相同位置的元素，即使該位置被賦予滿足輸出條件的隨機(jī)值。

將改進(jìn)思路應(yīng)用到CC 雙聚類原始算法中，經(jīng)改進(jìn)后的算法偽代碼如下:

該改進(jìn)算法主要通過引入懲罰因子和動態(tài)調(diào)整方劑數(shù)據(jù)矩陣來優(yōu)化聚類結(jié)果。 在初始化階段，通過設(shè)置權(quán)重矩陣和懲罰因子，用于調(diào)整元素距離的影響力。 然后，使用CC 雙聚類算法對方劑數(shù)據(jù)矩陣進(jìn)行聚類，得到聚類的平均值。 接下來，根據(jù)懲罰因子對方劑數(shù)據(jù)矩陣進(jìn)行調(diào)整。 將某些行和列置零，并計算調(diào)整后的行和列的均值。 然后，對方劑數(shù)據(jù)矩陣進(jìn)行旋轉(zhuǎn)操作，并減去旋轉(zhuǎn)后的均值。將調(diào)整后的方劑數(shù)據(jù)矩陣加上聚類的平均值，并進(jìn)行平方操作。 在計算懲罰項(xiàng)時，加上懲罰因子，并計算所有非零元素的平均值。 通過判斷懲罰值，評估聚類結(jié)果的穩(wěn)定性是否滿足要求。根據(jù)聚類結(jié)果的穩(wěn)定性，動態(tài)地添加或刪除方劑數(shù)據(jù)矩陣的某些行或列。通過重復(fù)以上步驟，直至聚類結(jié)果穩(wěn)定且滿足要求。 該改進(jìn)算法通過引入懲罰因子和動態(tài)調(diào)整方劑數(shù)據(jù)矩陣，以及重復(fù)迭代的方式，優(yōu)化了聚類結(jié)果，避免了過于緊密或離散的情況，從而實(shí)現(xiàn)更好的聚類效果。

2 結(jié)果

2.1 藥物頻次分析

共納入中醫(yī)治療HSPN 處方387 則。 在Pycharm 2021（Python 3.7）平臺編寫頻數(shù)統(tǒng)計程序，截取出現(xiàn)頻次≥30 次的藥物38 味。詳見表2。使用頻次由高到低的中藥依次是生地黃、牡丹皮、白茅根、赤芍、甘草等。 生地黃具有清熱生津、涼血止血的作用，常用于熱病傷陰、發(fā)斑發(fā)疹、衄血等，因此，被廣泛應(yīng)用于HSPN 的治療[15]。

表2 治療HSPN 的高頻藥物（頻次≥30 次）分布表

2.2 藥物劑量FCM 聚類分析

選用MATLAB R2021b，利用FCM 聚類算法分別對表1 的每列進(jìn)行去0 值聚類分析。

算法初始化內(nèi)容：模糊加權(quán)指數(shù)m 取值范圍為[1,2.5]，通常取m=2 可達(dá)到較好的效果；聚類中心點(diǎn)個數(shù)cluster_n=3；最大迭代次數(shù)為300。

可以得到174 味藥物大劑量、中劑量、小劑量的中心點(diǎn)信息。 詳見表3。

表3 藥物劑量中心

經(jīng)過上述的FCM 聚類，可以得到每味藥物的隸屬度矩陣以及分布曲線。 以“茯苓”的部分隸屬度為例進(jìn)行分析。 詳見表4、圖1。

圖1 茯苓隸屬度曲線

表4 茯苓劑量隸屬度矩陣

在88 首含茯苓的方劑中，茯苓劑量有6 種，分別為6、10、12、15、20、30 g，表4 展示這6 種劑量的隸屬度，圖1 展示88 首方劑中茯苓劑量的隸屬度形成的隸屬度曲線。從以上結(jié)果可以得出，茯苓小劑量中心點(diǎn)約為10 g，中劑量中心點(diǎn)約為15 g，大劑量中心點(diǎn)約為20 g。有研究根據(jù)張仲景方劑，對茯苓的劑量療效關(guān)系進(jìn)行分析，以10 g 與20 g 作為邊界，將茯苓的劑量分為小劑量、中劑量和大劑量[16]，與上述的模糊聚類結(jié)果相同。因此，采用模糊聚類算法可以有效地將藥物的劑量關(guān)系進(jìn)行劃分。

2.3 藥物劑量雙聚類分析

實(shí)驗(yàn)中，首先利用原始的CC 雙聚類算法對藥物-劑量矩陣進(jìn)行聚類分析，聚類結(jié)果詳見表5。 可以直觀地看到，原始的CC 雙聚類算法在面對稀疏矩陣時并不能發(fā)揮出對非0 數(shù)據(jù)的聚類作用，顯然無法達(dá)到本次研究的目的。

表5 CC 雙聚類算法部分結(jié)果

將藥物-劑量矩陣導(dǎo)入改進(jìn)CC 雙聚類算法中。初始設(shè)定懲罰系數(shù)中初設(shè)閾值μ 為1，進(jìn)行雙聚類，并觀察聚類結(jié)果。如果結(jié)果過分承認(rèn)噪聲點(diǎn)，則將μ值的大小適當(dāng)增加， 重復(fù)這個過程直到結(jié)果合理。設(shè)定一組μ 的可能值，分別進(jìn)行多次雙聚類，選出噪聲點(diǎn)最少的一組，取得該數(shù)值。 面對不同類型的數(shù)據(jù)集，可以根據(jù)數(shù)據(jù)的特征進(jìn)行設(shè)定，當(dāng)數(shù)據(jù)包含噪聲較多時，可以適當(dāng)增加μ 的大小，當(dāng)數(shù)據(jù)中噪聲很小時，則μ 可以設(shè)定為較小值。 經(jīng)過多次重復(fù)實(shí)驗(yàn)，最終設(shè)定參數(shù)μ=10；迭代次數(shù)n=120，進(jìn)行雙聚類分析，挖掘出10 組藥物劑量組分子矩陣，部分內(nèi)容展示見表6—8。 根據(jù)“2.2”得到的藥物劑量隸屬度，分別用low（小劑量）、mid（中劑量）、high（大劑量）來標(biāo)注藥物的劑量大小。

表6 藥物組分子矩陣Ⅰ

表6 所列舉的3 首自擬方中均用到水牛角、生地黃和小薊，該類型的自擬方大多是犀角地黃湯合小薊飲子加減。 犀角地黃湯聯(lián)合常規(guī)西醫(yī)干預(yù)治療兒童過敏性紫癜具有良好的療效，能顯著改善癥狀與免疫功能。 方中君藥水牛角起到祛風(fēng)解毒、涼血解毒、清熱定驚的作用[17]。 小薊飲子為理血劑，具有涼血止血、利水通淋之功效，方中君藥小薊涼血止血、祛瘀消腫[18-19]。 兩首方劑中均使用到的生地黃味甘、苦，性寒，歸心、肝、肺經(jīng)，能清熱涼血、養(yǎng)陰生津。

從生成的藥物劑量子矩陣來看，水牛角與生地黃大多使用大劑量和中劑量，配合小劑量的小薊。水牛角與生地黃用量宜大，二者配伍劑量比例約為1∶1，且常見于30 g 左右；小薊常規(guī)用量為5～12 g，屬小劑量，與生地黃、水牛角劑量比例約為1∶2；水牛角、生地黃、小薊劑量比例大約控制在2∶2∶1 時，清熱涼血之效益彰，治療熱迫血行之衄血、崩中下血、尿血等癥具有顯著的療效[20]。

表7 顯示有連翹、金銀花。 連翹與金銀花均具備清熱解毒、疏散風(fēng)熱之功效，兩藥配伍，升浮宣散、清熱解毒之力倍增[21]。 丁影[22]研究不同配伍比例對金銀花-連翹藥對中9 個成分提取率的影響，發(fā)現(xiàn)當(dāng)金銀花-連翹藥對比例為1∶1 時，其中的綠原酸、咖啡酸、獐牙菜苦苷等9 種主要成分含量最高。 此外，金銀花與連翹均具有解熱抗炎作用，吳嘉瑞等[23]采用網(wǎng)絡(luò)藥理學(xué)方法研究兩種藥物對炎癥性疾病的作用機(jī)制，當(dāng)金銀花與連翹比例為1∶1 配伍使用時，抗炎作用最強(qiáng)，且解熱作用最為明顯。 因此，在眾多治療HSPN 的方劑中，使用金銀花-連翹藥對時，會將藥對的劑量比例控制在1∶1 左右，使其發(fā)揮出最大的療效[24]。

表7 藥物組分子矩陣Ⅱ

表8 顯示4 則方劑均用到黃芪、當(dāng)歸和茯苓。 黃芪具有補(bǔ)氣升陽、利水消腫的功效；當(dāng)歸具有補(bǔ)血活血、調(diào)經(jīng)止痛的作用[25]；茯苓能夠利水滲濕、健脾寧心。

表8 藥物組分子矩陣Ⅲ

黃芪-當(dāng)歸具有改善血液循環(huán)、抗臟器纖維化、抗炎等作用[26]。 臨床研究發(fā)現(xiàn)，二者在治療糖尿病、腎病綜合征等疾病中具有良好的療效。 尚偉慶等[27]研究了黃芪-當(dāng)歸合劑對腎病綜合征患者腎功能、炎癥機(jī)制及療效的影響，在采用常規(guī)治療的基礎(chǔ)上對患者使用黃芪50 g，當(dāng)歸25 g（黃芪∶當(dāng)歸=2∶1），結(jié)果顯示黃芪當(dāng)歸合劑可顯著改善患者腎功能，減輕患者微炎癥狀態(tài)。 從聚類結(jié)果上看，諸多中醫(yī)專家在用到黃芪-當(dāng)歸藥物配伍時，習(xí)慣將二者的劑量比例控制在2∶1，以達(dá)到較好的治療效果。

3 討論

將FCM 聚類算法和CC 雙聚類算法相結(jié)合，目的是為了更全面、更深入地研究藥物的劑量規(guī)律和關(guān)鍵藥物組合。在CC 雙聚類算法中，藥物的劑量已經(jīng)被明確地歸為某一具體數(shù)值，但是僅僅一個具體的數(shù)值并不能準(zhǔn)確描繪出藥物的劑量和藥效之間的關(guān)系。 因此，使用FCM 聚類算法將藥物劑量分為大、中、小劑量，可以在一定程度上涵蓋藥物的劑量效應(yīng)和區(qū)間，從而更好地把握藥物劑量對治療的影響。

同時，藥物的劑量大小并不是唯一決定藥物療效的因素，與藥物組合、劑量比例密切相關(guān)。 通過CC 雙聚類算法，可以找到出現(xiàn)頻率較高的藥物組合和對應(yīng)的藥物劑量比例。但是藥物組合的適當(dāng)劑量并不是根據(jù)出現(xiàn)頻率得出的，而是需要考慮具體的治療目標(biāo)和當(dāng)前患者病情。 因此，在實(shí)際臨床應(yīng)用中，算法得出的“最佳劑量比例”并非每個患者的最佳劑量比例。而將FCM 聚類算法得出的大、中、小劑量區(qū)間和CC 雙聚類算法得出的藥物組合、劑量比例結(jié)合在一起，能夠較好地綜合考慮藥物劑量和藥物組合的綜合效應(yīng)，以更準(zhǔn)確地指導(dǎo)臨床實(shí)踐，呈現(xiàn)出更好的治病效果。

在這項(xiàng)關(guān)于中藥治療HSPN 的研究中，本研究團(tuán)隊(duì)使用改進(jìn)的CC 雙聚類算法和FCM 聚類算法對眾多中醫(yī)專家的藥物劑量進(jìn)行分析和處理，得出了有效的藥物劑量區(qū)間和藥物組合，并總結(jié)了相應(yīng)的實(shí)驗(yàn)結(jié)論。 這種研究方法和結(jié)論可為個性化藥物治療提供參考，具有一定的研究價值。此項(xiàng)研究仍需進(jìn)一步深入，例如如何根據(jù)患者特征提出更加個性化的治療方案；如何進(jìn)一步優(yōu)化藥物的劑量區(qū)間和藥物組合，以更好地滿足患者的臨床需求，等等。未來，本研究團(tuán)隊(duì)希望能夠借助更加人性化和高效的算法，探究藥物的潛在作用及其劑量的潛在效應(yīng)，并從中找到隱性的治療策略，以更好地為患者提供個性化的治療方案，為發(fā)展中藥治療及個性化醫(yī)療提供支持和實(shí)踐依據(jù)。