基于医疗数据分析的疾病预测与处方推荐算法研究

发布时间：2020-09-19 20:13

【摘要】：我国医院正处于从数字化医院向智慧医院的转型阶段,使其形成智能化的诊疗和管理模式。而人工智能是实现此模式的核心技术之一。目前,大部分医院基本的信息化建设已经完成,但是信息系统中的数据只是简单地保存或查询,数据的潜在价值未被发掘。为此,国家出台大量的政策为“互联网+医疗健康”赋能,加快建设区域医疗信息共享平台,加强临床数据的整合和共享,应用数据挖掘、人工智能等新兴技术对医疗数据进行分析,挖掘数据的潜在价值,为公民提供高水平的医疗健康服务。针对医院信息系统中的门诊病历及处方信息进行挖掘,本文提出基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类和最大熵的KNN(k-Nearest Neighbor)方法为患者进行疾病预测,提出基于疾病诊疗本体的规则、案例及混合推荐模型为患者进行处方推荐。主要研究内容有:1.基于电子病历分析的疾病预测方法。相比特定目标的预测模型,针对患者相似性组的预测更具普适性,采用KNN算法对患者进行疾病预测。一方面,针对海量病历数据,将DBSCAN聚类算法引入到数据挖掘过程中,裁剪相似度高的样本,精简样本集,并减少算法计算时间。另一方面,使用最大熵的距离计算公式来计算两个样本之间的距离,避免了使用加权欧氏距离衡量样本相似度主观的影响。最后,通过实验验证了本文提出的算法具有较高准确度。2.基于大数据分析的处方推荐方法。在传统推荐算法的基础上,构建疾病诊疗领域本体库,采用基于疾病诊疗本体的规则、案例和混合推荐的方法实现处方推荐。为构建疾病诊疗领域本体,将电子病历中的疾病、症状、药品等概念及联系表示出来。并据此构建基于规则、案例和混合推理的处方推荐模型。最后通过实验验证了本文提出的推荐方法具有较高准确性。本文采用基于DBSCAN聚类和最大熵的KNN算法来对患者进行疾病预测,通过实验证实本文提出的方法比传统的基于树的快速搜索KNN算法更准确。采用基于本体的规则、案例和混合推理方法,通过实验证实本文提出的基于本体的处方推荐方法比传统的基于协同过滤的推荐方法的准确性高。
【学位授予单位】：河南科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R-05;TP391.3
【图文】：

第 2 章 相关技术概述第 2 章 相关技术概述2.1 引言传统的数据处理面对的是简单的数据类型，随着信息技术的发展，信息的种类越来越多，分析与挖掘已经不仅仅局限于数字、字符串等简单数据类型，需要对整个信息块的内在特征进行提取，然后对提取出来的信息进行分析挖掘，从而更好地提供决策与支持。数据挖掘是根据目标，从海量的数据中提取相关数据，从而形成数据模型或发现知识的过程[23]。数据挖掘的过程[24]如图 2-1 所示。

图 2-2 医院网络拓扑图Fig. 2-2 Network topology map of hospital2.3.2 医院信息系统组成结构如图 2-3 所示是永城市中心医院的信息化系统的组成结构图，这里将永城市中心医院的系统分为两类，即临床护理系统和管理决策系统。下面依次介绍这两类系统中的重要组成部分。门诊医生工作站是针对门诊医生的诊疗行为而设计的，在门诊医生工作站中医生可根据患者的身份信息查看患者的历史就诊记录，帮助医生更好地对患者进行诊治；开医嘱时，可填入项目的汉字拼音首字母或项目编码，系统会快速地关联相关项目，帮助医生快速地开处方；门诊医生也可以查看本科室或全院总结的疾病治疗模板，当出现相似病情的患者时，医生可快速地将模板引入到当前患者的处方中，帮助医生提高自身业务水平和能力。财务管理系统能够根据查询条件，查询出特定时间段内的医院的各项财务指标及医院的运营情况，实现透明化的医院财务机制。管理者可根据不同时间段内

临床辅助决策支持系统能够为医生的临床诊疗行为提供支持，详细记录具体疾病的病因、病症、适应症及采取的治疗方法等，具体症状的详细特征及相似症状的特征等。能够帮助医生快速地查找想了解的专业知识及医疗解决方案等。住院护士工作站能够对医生发送的医嘱进行审核，审核过没有错误的医嘱发送到药房、检查检验科室等，然后患者去这些科室进行取药、检查、检验等。护士可以通过护士工作站登记患者的体温、脉搏、心率等患者的临床生命体征，还可以对患者床位费、取暖费等本科室收费项目进行管理。护士工作站作为临床系统中除医生工作站之外最重要的组成部分，详细记录着患者的各项重要医疗数据，为数据挖掘工作提供数据基础。当然，医院信息化管理系统的组成并非只包含图中所列出的这些系统，还有病案管理系统、用户 app、供应室管理系统等。这些系统的运行产生大量的数据，其中有价值的信息没有被挖掘，造成了数据资源的浪费，对这些数据进行挖掘，进而为医院、医疗行业贡献力量。

【相似文献】

中国期刊全文数据库 前10条

1 俞伟;徐德华;;推荐算法概述与展望[J];科技与创新;2019年04期

2 张世东;;推荐算法概述[J];科技传播;2019年04期

3 张艳红;谌颃;;基于标签的自助教育资源推荐算法研究[J];现代信息科技;2019年12期

4 李欣鞠;;个性化推荐算法下的“信息茧房”效应研究——以“天天快报”为例[J];西部广播电视;2019年13期

5 陈军;谢卫红;陈扬森;;国内外大数据推荐算法领域前沿动态研究[J];中国科技论坛;2018年01期

6 向洋乐;;大数据背景下互联网购物推荐算法应用研究[J];中国战略新兴产业;2018年04期

7 喻国明;刘钰菡;王畅颖;王丹敏;;推荐算法:信息推送的王者品性与进阶重点[J];山东社会科学;2018年03期

8 刘顺程;岳思颖;钟瑞敏;;基于拉普拉斯噪声的轻型推荐算法[J];中国战略新兴产业;2018年20期

9 刘涛;刘佐;;一种面向新文章的个性化推荐算法研究[J];控制工程;2018年06期

10 汪海鹏;郑扬飞;;基于特征值的律师推荐算法及改进方案[J];计算机与现代化;2018年10期

中国重要会议论文全文数据库 前10条

1 米传民;彭鹏;单晓菲;马静;;考虑显式评分的基于二部图的推荐算法[A];第十七届中国管理科学学术年会论文集[C];2015年

2 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

3 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

4 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年

5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文（摘要）汇集[C];2009年

6 梁莘q

本文编号：2822948