基于數(shù)字化信息的中醫(yī)藥診治方案優(yōu)化

基于數(shù)字化信息的中醫(yī)藥診治方案優(yōu)化

挖掘數(shù)據(jù)（m）是數(shù)據(jù)庫中的知識發(fā)現(xiàn)，是從數(shù)據(jù)庫中大量數(shù)據(jù)中提取人們感興趣的知識。這些知識是隱藏的、未知的和有用的信息。研究的知識可以采取概念、規(guī)則、規(guī)則和模式等形式。數(shù)據(jù)挖掘的目的在于使用所發(fā)現(xiàn)的模式幫助解釋當前的行為或預測未來的結果。挖掘步驟大致有:問題定義、數(shù)據(jù)提取、數(shù)據(jù)預處理、數(shù)據(jù)挖掘、知識評估、結果應用這六步。1常見的數(shù)據(jù)挖掘方法1.1熱設計的緊迫性描述數(shù)據(jù)總結的目的是對數(shù)據(jù)進行從低層次抽象、濃縮到高層次,得出它的緊湊描述。最簡單的數(shù)據(jù)總結方法是描述統(tǒng)計,它包括平均數(shù)、中位數(shù)、分位數(shù)等,它常和統(tǒng)計圖配合應用。1.2數(shù)據(jù)庫中的數(shù)據(jù)關聯(lián)關聯(lián)規(guī)則從本質上講是條件概率,即當A發(fā)生時、B同時出現(xiàn)的概率有多大?只要B離50%較遠就有意義。數(shù)據(jù)關聯(lián)是數(shù)據(jù)庫中存在的一類重要的可被發(fā)現(xiàn)的知識。若兩個或多個變量的取值之間存在某種規(guī)律性,就稱為關聯(lián)。關聯(lián)包括簡單關聯(lián)、時序關聯(lián)、因果關聯(lián)。關聯(lián)分析的目的是找出數(shù)據(jù)庫中隱藏的關聯(lián)網。有時我們并不知道數(shù)據(jù)庫中數(shù)據(jù)的關聯(lián)函數(shù),即使知道也不確定。因此關聯(lián)分析生成的規(guī)則帶有可信度。1.3神經網絡學習方法這是最常用的技術。分類方法主要有:回歸、決策樹、神經網絡。分類分析在數(shù)據(jù)挖掘中是一項重要任務。分類器的構造方法有統(tǒng)計方法、機器學習方法、神經網絡方法等。聚類是根據(jù)事物本身潛在的特性研究對象分類的方法。通過聚類把一個數(shù)據(jù)集合中的個體按照相似性歸成若干類別,使其“物以類聚”,將數(shù)據(jù)庫中的記錄劃分為一系列有意義的子集。聚類要解決的就是實現(xiàn)滿足這種要求的類的聚合。在進行聚類前,這些類別是潛在的,可分割的類的個數(shù)(聚類數(shù))也是未知的。聚類大致分為統(tǒng)計方法、機器學習方法、神經網絡方法和面向數(shù)據(jù)庫的方法等。1.4偏差檢測數(shù)據(jù)庫中的數(shù)據(jù)可能有一些異常記錄,檢測這些偏差很有意義。偏差檢測的基本方法是尋找觀測結果與參照值之間有意義的差別。2挖掘技術在中醫(yī)學研究中的應用近年來,數(shù)據(jù)挖掘技術在中醫(yī)藥研究中已得到應用。有學者認為中醫(yī)藥數(shù)據(jù)挖掘是中醫(yī)藥現(xiàn)代化研究的重要組成部分。2.1促進中醫(yī)藥信息的知識化,豐富信息數(shù)據(jù)庫姚氏等綜合文獻指出對中醫(yī)藥理論和實踐進行信息化、數(shù)字化、知識化,能夠克服中醫(yī)名詞術語過于繁雜造成的中醫(yī)發(fā)展障礙,對于中醫(yī)藥信息進行文本數(shù)據(jù)挖掘是促進中醫(yī)藥信息結構化的途徑之一,該問題的解決,能極大促進中醫(yī)藥現(xiàn)代化發(fā)展的進程。2.2信息技術支持陳凱先等認為對大量中藥化學成分進行藥效基團的建模研究,并對中藥化學成分數(shù)據(jù)庫進行柔性搜索,能夠為更充分利用中藥化學成分所含的化學信息提供技術支持。馮雪松等對中藥指紋圖譜的特點及數(shù)據(jù)挖掘技術在其中的應用做了綜述,指出中藥指紋圖譜由于反映了藥用植物的“共有特征”,又由于地域、生長環(huán)境、采收等多種因素影響,具有統(tǒng)計數(shù)學中多元隨機分布的“模糊性”,利用模糊數(shù)學、統(tǒng)計學、計算機技術等建立一種同時反應這兩種特征數(shù)據(jù)庫,存儲中藥指紋圖譜信息,應用數(shù)據(jù)挖掘技術發(fā)現(xiàn)和解析其中潛在的信息,以評價和控制中藥質量及研究中藥定量組效關系。2.3基于數(shù)據(jù)挖掘的使方分析信息挖掘喬延江等綜述了KDD在中藥研究開發(fā)中的意義。喬氏等認為中藥(復方)的KDD研究是在中醫(yī)理論指導下,以數(shù)據(jù)挖掘技術作為知識發(fā)現(xiàn)的主要環(huán)節(jié),對中藥研發(fā)、設計、中醫(yī)組方理論及規(guī)律、中藥作用機制、構效關系、中藥藥效集團群的確認、化學成分及藥理指標的預測等進行多方位、多學科、系統(tǒng)的現(xiàn)代化研究,是一個高度復雜的系統(tǒng)。其目的是建立傳統(tǒng)中醫(yī)理論同現(xiàn)代中藥的科學化、系統(tǒng)化、可描述化的關系,是中醫(yī)藥現(xiàn)代化的重要組成部分。楊林等闡述了數(shù)據(jù)庫技術與Web結合實現(xiàn)網上中醫(yī)方劑的信息挖掘。將方劑文獻資料進行全方位解析,設計內容詳細的數(shù)據(jù)庫與Web技術結合,通過Internet開發(fā)了網上中醫(yī)方劑信息分析處理系統(tǒng),選擇支持Web-DB的ORACLE數(shù)據(jù)庫管理系統(tǒng)作為系統(tǒng)開發(fā)和運行平臺。經過數(shù)據(jù)預處理、選擇和篩選數(shù)據(jù)、確定分析目標、信息挖掘結果顯示等階段,完成對一批方劑數(shù)據(jù)的信息挖掘。姚美村等應用數(shù)據(jù)挖掘技術對治療消渴病的中藥復方配伍的內涵進行探索性研究。以文獻收錄的106個治療消渴病的中藥復方為對象,經解析后建立復方特征數(shù)據(jù)庫;以數(shù)據(jù)挖掘系統(tǒng)EnterpriseMiner為平臺,在單味藥層次上進行消渴病復方組成藥味之間的關聯(lián)規(guī)則分析研究,結果顯示單味藥、兩味藥組合、三味藥組合的應用規(guī)律與歷代中醫(yī)在消渴病治療用藥方面的論述一致。挖掘結果的可信度可達到或接近中醫(yī)專家的分析能力。秦首科等在構建方劑、中藥和病癥數(shù)據(jù)倉庫的基礎上,通過對數(shù)據(jù)倉庫內部各種關聯(lián)和映射關系的定義,利用中藥和病癥數(shù)據(jù)倉庫的聯(lián)機分析功能,探討了方劑和其針對癥狀之間的聯(lián)系。蔣永光等對從《中醫(yī)大辭典·方劑分冊》中篩選出1355首脾胃方中的414種藥物,經用聚類分析、對應分析和頻繁集方法,從功效、歸經、藥性和藥味等方面進行了分類特征分析,并就脾胃方的核心藥物、方劑結構、“藥對藥”組和“方藥證”的對應關聯(lián)方面形成了有關技術規(guī)則和處理程序。2.4基于人工神經網絡的證候研究方法張世筠等應用流行病學和變量聚類分析的數(shù)理統(tǒng)計方法,對2442例中醫(yī)肝證患者進行了初步研究。由調查組采集核對中醫(yī)四診資料,按肝證辨證記分標準記分,分為11個證型。經過聚類分為實證、風證、虛證3類,解決了中醫(yī)各肝證的歸屬問題,本研究還定量地闡明肝的實證、虛證、風證的相互關系。白云靜等在充分闡釋證候系統(tǒng)的非線性、復雜性特征的基礎上,探析了人工神經網絡方法用于證候研究的可行性,并介紹了基于人工神經網絡的證候研究方法。徐蕾等采用bootstrap方法對406例樣本進行擴增以滿足數(shù)據(jù)挖掘對樣本量的要求,采用基于信息熵的決策樹C4.5算法建立中醫(yī)辨證模型。通過決策樹C4.5算法篩選出對辨證分型有意義的26個因素,按其重要程度排序;產生出清楚易懂可用于分類的決策規(guī)則,建立辨證模型,模型分類符合率為:訓練集83.6%,驗證集80.67%,測試集81.25%;模型區(qū)分各類證型的靈敏度和特異度也較高。認為決策樹C4.5算法建立的模型效果較好,可用于慢性胃炎中醫(yī)證型的鑒別診斷。吳斌等探討了腎陽虛證的辨證因子分布規(guī)律。以腎陽虛證量表為基礎,從定