数据挖掘技术在临床决策中的应用研究

《数据挖掘技术在临床决策中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、数据挖掘技术在临床决策中的应用研究彭柳芬周怡夏毓荣冯博华【摘要】介绍数据挖掘技术的概念、工作原理，在阐述医学数据特点的基础上，探讨数据挖掘技术在临床决策中的应用过程，并以糖尿病为例，提出基于数据挖掘的辅助临床决策支持系统设想，以利于提高医院的临床决策能力。【关键词】数据挖掘；临床决策；决策树1前言随着国家信息基础结构建设目标的实施，企业在各种活动中普遍采用现代信息技术来提高竞争力。传统的基于数据的管理信息系统已不能满足决策者对数据质量的需求，面向决策的知识管理系统正在蓬勃兴起，智能决策支持技术成为目前迫切

2、需要发展的方向。医学领域也不例外，临床决策研究已成为临床医学中的一个重要领域，当下的临床决策问题涉及到医学信息学、循证医学、费用-效益评估、卫生技术评估、医学伦理与法律等学科领域，因此在临床决策中单一的经验-描述的研究纲领已不适应当代医学发展的需要，需要引入综合的决策方法，以使临床医疗达到最佳疗效。　　2数据挖掘近年来，随着电子信息技术的迅速发展，医院信息系统（hospitalinformationsystem，HIS）和医疗设备的广泛应用，医院数据库的信息容量不断膨胀。数据库技术的发展解决了海量数据的存

3、储和数据检索的效率问题，但无法改变“数据爆炸但知识贫乏”的现象。如何充分利用些宝贵的医学信息资源来为疾病的诊断和治疗提供科学的决策，促进医学研究？如何在医院信息系统中积累了大量的管理信息和临床信息资源中挖掘深层次的、隐含的、有价值的知识？数据挖掘有解决这方面问题的能力，利用数据挖掘技术开展科学研究，提高医学技术和医院管理水平是很有必要的。　　2.1数据挖掘的概念数据挖掘（DataMining）是从大量的、不完全的、有噪声的、模糊的、随机的数据集中识别有效的、新颖的、潜在有用的，以及最终可理解的模式的非平凡

4、过程。它是一门涉及面很广的交叉学科，包括机器学习、数理统计、神经网络、数据库、模式识别、粗糙集、模糊数学等相关技术。数据挖掘可粗略地理解为三部曲：数据准备（DataPreparation）、数据挖掘，以及结果的解释评估（IterpretationandEvaluation）。将数据挖掘技术应用到医学信息数据库中，可以发现其中的医学诊断规则和模式，从而辅助医生进行疾病诊断，实现临床决策支持的效果。　　2.2临床决策支持系统在医院信息系统（HospitalInformationSystem,HIS）中，主要有

5、两大分支：医院管理信息系统（HospitalManagementInformationSystem,HMIS）和临床信息系统（ClinicalInformationSystem,CIS）。HMIS主要目标是支持医院的行政管理与事务处理业务；而CIS主要目标是支持医护人员的临床活动，收集和处理病人的临床医疗信息，丰富和积累临床医学知识，提供临床咨询、辅助诊疗、辅助临床决策，提高医护人员的工作效率。临床决策支持系统（ClinicalDecisionSupportSystem,CDSS）是属于CIS中的一部分。

6、CDSS是用人工智能技术对临床医疗工作予以辅助支持的信息系统，它可以根据收集到的病人资料，做出整合型的诊断和医疗意见，提供给临床医务人员参考。系统主要采用基于决策树和真值表的方法，接着出现了基于统计学方法的系统，研究人员针对不同医疗领域开发不同的临床CDSS。基本的临床CDSS由数据库、模型库和对话系统（人机交互系统）3个部分组成，如图1所示。　　2.3挖掘算法对医学数据库进行数据挖掘和知识发现的主要目的是预测疾病和对疾病进行分类。分类和预测是两种数据分析形式，可以用于描述重要数据类的模型或预测未来的数据

7、趋势。常用的数据挖掘算法有：关联规则、决策树、粗糙集、统计分析、神经网络、支持向量机、模糊聚类、基于范例的推理(Case-BasedReasoning简称CBR)、贝叶斯预测、可视化技术。在数据挖掘技术中，常用于辅助临床疾病诊断的方法，主要有①Bayes判别分析；②人工神经网络；③决策树。其中，决策树是一种非常有效的机器学习分类算法。决策树方法的起源是概念学习系统CLS，然后发展到ID3方法而为高潮，最后又演化为能处理连续属性的C5.0。有名的决策树方法还有CART和Assistant。决策树学习着眼于从

8、一组无次序、无规则的事例中推理出决策树表示形式的分类规则。它采用自顶向下的递归方式，在决策树的内部结点进行属性值的比较并根据不同的属性值判断从该结点向下的分支，在决策树的叶结点得到结论。所以从根到叶结点的一条路径就对应着一条合取规则，整棵决策树就对应着一组析取表达式规则。基于决策树的学习算法的一个最大的优点就是它在学习过程中不需要使用者了解很多背景知识（这也同时是它最大的缺点），只要训练例子能够用属性——结论式的方式表达出来，