蘇靜廣西醫(yī)科大學(xué)信息與管理學(xué)院Collegeofinformationandmanagement,GuangxiMedicalUniversity,SuJing數(shù)據(jù)挖掘之醫(yī)學(xué)信息挖掘Themedicalinformationminingofdatamining010102醫(yī)學(xué)數(shù)據(jù)挖掘的概念醫(yī)學(xué)數(shù)據(jù)的分類目錄0203醫(yī)學(xué)結(jié)構(gòu)化數(shù)據(jù)挖掘04中醫(yī)藥領(lǐng)域的數(shù)據(jù)挖掘01醫(yī)學(xué)數(shù)據(jù)挖掘的概念

TheconceptofmedicaldataminingPARTONE031醫(yī)學(xué)數(shù)據(jù)挖掘的概念04醫(yī)學(xué)數(shù)據(jù)挖掘面向整個(gè)醫(yī)學(xué)數(shù)據(jù)庫(kù)或醫(yī)學(xué)信息集合提供知識(shí)和決策，是醫(yī)療決策支持系統(tǒng)的重要組成部分。02醫(yī)學(xué)數(shù)據(jù)的分類TheconceptofmedicaldataminingPARTTWO052醫(yī)學(xué)數(shù)據(jù)的分類06結(jié)構(gòu)化醫(yī)學(xué)數(shù)據(jù)：數(shù)據(jù)結(jié)構(gòu)明確、內(nèi)容經(jīng)整理可有效存儲(chǔ)和處理。如醫(yī)學(xué)病歷。非結(jié)構(gòu)化醫(yī)學(xué)數(shù)據(jù)：本身無(wú)規(guī)范結(jié)構(gòu)、內(nèi)容較復(fù)雜。如醫(yī)學(xué)多媒體數(shù)據(jù)、文本數(shù)據(jù)等。03醫(yī)學(xué)結(jié)構(gòu)化數(shù)據(jù)挖掘

MedicalstructureddataminingPARTTHREE073.1醫(yī)學(xué)結(jié)構(gòu)化數(shù)據(jù)的產(chǎn)生08

患者角度：登記掛號(hào)、就診、開(kāi)單檢查…

醫(yī)院角度：各科室信息的統(tǒng)計(jì)和匯總。

日常醫(yī)療實(shí)踐，如醫(yī)學(xué)影像處理的PACS系統(tǒng)、臨床檢驗(yàn)的LIS系統(tǒng)等信息化管理系統(tǒng)。3.2醫(yī)學(xué)數(shù)據(jù)挖掘的常用方法09統(tǒng)計(jì)分析和可視化技術(shù)：挖掘不同疾病在不同年齡段的至于時(shí)間、治愈率、平均費(fèi)用等；不同疾病的地區(qū)分布情況等。決策樹(shù)、神經(jīng)網(wǎng)絡(luò)、粗糙集等：對(duì)病歷記錄挖掘，構(gòu)造相應(yīng)疾病的分類模型，并對(duì)每種疾病找出效果較好的治療方案。關(guān)聯(lián)規(guī)則：挖掘哪些疾病并發(fā)的可能性較高，某些疾病與年齡、性別、居住地、職業(yè)、生活習(xí)慣等的關(guān)系。序列模型挖掘：病人的病情發(fā)展情況預(yù)測(cè)。3.3應(yīng)用舉例10

劉丹紅等人用上呼吸道感染病例的病案首頁(yè)數(shù)據(jù)和決策樹(shù)分析法建立病情危重度分類評(píng)價(jià)模型；利用貝葉斯神經(jīng)網(wǎng)絡(luò)找出抗精神病藥物與心肌炎和心臟病發(fā)作的關(guān)系；粗集理論用于肺癌的診斷、宮頸癌病變的檢測(cè)等。04醫(yī)學(xué)非結(jié)構(gòu)化數(shù)據(jù)挖掘

MedicalunstructureddataminingPARTFOUR114.1文本數(shù)據(jù)挖掘概念12

文本數(shù)據(jù)挖掘是從大量文本數(shù)據(jù)中抽取有效、新穎、可理解、最終可用的、散布在文本文件中的有價(jià)值的知識(shí)，并且運(yùn)用這些知識(shí)更好地組織信息的過(guò)程。文本挖掘的獨(dú)特之處：(1)文本結(jié)構(gòu)本身是半結(jié)構(gòu)化或非結(jié)構(gòu)化的，無(wú)確定形式且缺乏及其可理解的語(yǔ)義；(2)涉及到多個(gè)學(xué)科領(lǐng)域。4.2醫(yī)學(xué)文本挖掘的分類13（1）文本總結(jié)（2）文本分類（3）文本聚類（4）文本關(guān)聯(lián)分析（5）文本分布分析與趨勢(shì)預(yù)測(cè)

4.3文本挖掘的過(guò)程14（1）特征集的建立描述性特征：文本名稱、日期、大小、類型等；語(yǔ)義性特征：文本作者、機(jī)構(gòu)、標(biāo)題、內(nèi)容等。（2）特征集的縮減

對(duì)文本特征向量降維，縮減特征集，包括橫向選擇和縱向投影。

橫向選擇：剔除有噪聲文檔或文檔過(guò)多時(shí)僅選部分文檔來(lái)挖掘；

縱向投影：根據(jù)挖掘目標(biāo)選取有用特征，獲得代表文檔集合的有效、精簡(jiǎn)的特征子集。4.3文本挖掘的過(guò)程15（3）學(xué)習(xí)和知識(shí)模式的提取

通過(guò)分類和聚類，提取面向特定應(yīng)用目的的知識(shí)模式。（4）模式質(zhì)量評(píng)價(jià)

對(duì)知識(shí)模式進(jìn)行質(zhì)量評(píng)價(jià)，若滿足要求則保存；否則返回分析改進(jìn)進(jìn)行新一輪挖掘。4.4應(yīng)用舉例16

分析古籍文獻(xiàn)中治療變應(yīng)性鼻炎(AR)的處方用藥及配伍規(guī)律

篩選古代醫(yī)籍文獻(xiàn)中治療AR的方劑,進(jìn)行信息標(biāo)準(zhǔn)化處理,應(yīng)用數(shù)據(jù)挖掘技術(shù)中的頻數(shù)與頻繁項(xiàng)集及關(guān)聯(lián)規(guī)則對(duì)篩選的方劑進(jìn)行分析。關(guān)聯(lián)分析結(jié)果顯示,在治療AR的方劑中紫蘇常配甘草,附子常配細(xì)辛,白芷、細(xì)辛常配川芎,羌活、防風(fēng)常配白芷。最終得出結(jié)論：古代醫(yī)籍文獻(xiàn)中治療AR的處方藥味不多而用藥精當(dāng),內(nèi)外兼顧,標(biāo)本兼治,能為中醫(yī)藥臨床治療AR提供一定的借鑒與參考。蘇靜廣西醫(yī)科大學(xué)信息與管理學(xué)院Collegeofinformationandmanagement,GuangxiMedicalUniversity,SuJing感謝各位的聆聽(tīng)