數據挖掘在針灸臨床治療方案決策中的應用研究

摘要：為了提高針灸臨床醫生的醫療水平，促進針灸臨床實踐的發展，提出了將數據挖掘技術應用于針灸臨床治療方案決策中。結合針灸學科特點和臨床診治規律，運用數據挖掘方法對名老針灸處方進行數據分析比較，獲取有益臨床治療方案決策的結果信息。

關鍵詞：數據挖掘 關聯規則 針灸療法 Weka

Data mining application in the acupuncture clinical treatment program decision-making

HU Lvhui1，PANG Lang2，REN Yulan1

（1，Chengdu University of TCM， 2，Sichuan Normal University Chengdu College， Chengdu， China）

Abstract： In order to improve the level of medical acupuncture clinicians， and promote the development of acupuncture in clinical practice， the proposed data mining technology is applied to acupuncture clinical program decisions. Combining acupuncture subject characteristics and clinical diagnosis and treatment of the law， the use of data mining methods for data analysis comparing old acupuncture prescription， get the information of the results of the beneficial clinical program decisions.

Key words： data mining；association rule；l Acupuncture therapy；Weka

1、引言

針灸學作為中醫學科體系中最具特色和優勢的學科，以其獨特的治療方法和卓越的臨床療效得到了國內外廣泛關注和高度重視。但大多針灸研究仍停留在療效的確認上，面臨著諸多問題，比如：如何進一步提高針灸臨床療效、擴大應用范圍以及科學評價；臨床上，由腧穴、施術方法和治療時間組成的針灸處方是實現針灸療效的重要條件，但在針灸臨床治療決策中，如何選取最優化的針灸處方是針灸醫生面臨的一大難題；并且隨著循證醫學的發展，循證醫學強調遵循最佳證據指導臨床決策，而針灸學臨床證據應包括古代研究證據、名老中醫經驗證據和現代研究證據，如何實現信息化顯得更加重要；面對跨越幾千年的文獻資料，如何快速、有效的挖掘有價值的信息，獲取最佳證據以供臨床治療方案決策所用等。本文將數據挖掘技術應用于針灸臨床治療方案決策中，借鑒循證醫學的理念和方法整理、加工、更新以及評價古今針灸治療疾病的臨床證據，其研究結果為針灸臨床醫生決策提供技術支持，有助于針灸臨床醫生提高醫療水平，促進針灸臨床實踐的發展。

2、數據挖掘方法及WEKA平臺介紹

針對上述問題，計算機領域新興發展起來的一門學科數據挖掘給我們提供了很好的解決方法。數據挖掘（data mining）是從大量的、不完全的、有噪聲的、模糊的、隨機的數據中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。從1989年被提出來后，迅速成為研究的熱點，在眾多的研究領域進行了廣泛的應用。在中醫藥領域，數據挖掘技術已應用于中醫藥數據庫的建立、方劑配伍規律的研究、名老中醫經驗總結、中醫藥數據規范處理，以及臨床診斷、療效評價、處方分析、圖像識別等研究。

數據挖掘與傳統分析方法的區別：數據挖掘與傳統的數據分析（如查詢、報表、聯機應用分析）的本質區別是數據挖掘是在沒有明確假設的前提下去挖掘信息、發現知識.數據挖掘所得到的信息應具有先未知、有效和可實用三個特征。數據挖掘方法主要有關聯規則與關聯分析、聚類分析、遺傳算法、人工神經網絡、決策樹等。

WEKA的全名是懷卡托智能分析環境（Waikato Environment for Knowledge Analysis），是一個運行于Java平臺的開源系統。作為一個公開的數據挖掘工作平臺，該軟件集成了大量能夠承擔數據挖掘中的機器學習算法。Weka中包含了很多工具，包括數據預處理分類，回歸，聚類，關聯規則和可視化工具，還可以用來開發新的機器學習算法。Weka主要提供了數據挖掘的框架結構，并給出了一系列的數據挖掘算法，在這些數據挖掘算法生成模型時，用戶可以自定義算法的各個相關參數，并且可以實現對測試集的驗證， 和對算法的比較。Weka提供了可編程的接口，使我們可以通過拓展算法來實現新的功能，同時Weka也允許我們通過調用它的公用包，在自己的項目中利用包中的算法實現相應的功能。針對針灸數據的特點選用此平臺能更好的發揮其強大的功能，為針灸臨床決策提供技術支持，使得針灸療效取決于針灸師個人的因素逐步減少，在針灸臨床治療方案中能實現科學、合理、高效的決策。

3、基于數據挖掘的針灸臨床治療決策研究的思路與方法

研究思路如圖

圖1 針灸數據挖掘思路

3.1 WEKA平臺的選型

Weka主要提供了數據挖掘的框架結構，并給出了一系列的數據挖掘算法，是目前為止最好的數據挖掘工具之一。

3.2 數據準備與處理

數據準備方案：對于古代文獻數據參照了《中國針灸文獻提要》、《中國醫籍大辭典》《中國針灸薈萃·現存針灸醫籍卷》等書籍，選取影響范圍較大、傳播范圍廣的著作；對于現代文獻數據采用計算機檢索和手工檢索，遵循針灸學科特點整理成計算機能夠處理的格式。

數據錄入和處理：根據數據庫規范將古代每條數據分為朝代、出處、原始病名、癥狀描述、針灸治法等數據項，現代數據分為篇名、作者、病名、取穴等數據項。文獻錄入要保證忠實原始文獻并進行規范，對難以規范需要特殊處理的內容填入“備注”項。

數據轉換：Weka軟件的數據存儲格式是ARFF文件。這是一種ASCII文本文件，其數據類型有數值型（numeric）、字符串型（nomina1）、分類型（string）、時間型（date）以及關系型（relationa1）。而在前期我們進行數據錄入是在EXCEL中完成，在EXCEL中將數據保存為.CSV格式文件。WEKA軟件能夠支持.CSV格式的數據，但兼容效果最好的是其自有的ARFF格式，因而需要將CSV格式轉為ARFF格式。可使用ARFFVIEWER工具打開之前建立的CSV格式，將文件另存為ARFF格式即可。

3.3 基于數據挖掘的針灸臨床決策分析的模型建立

基于Weka平臺的數據挖掘：挖掘工具采用Weka3.5開放源代碼平臺，以貝爾面癱病例數據為例，用神經網絡方法，遺傳算法，決策樹方法等進行比較，得出較好的挖掘效果的數據挖掘方法，選用此方法設計出針對所有疾病都適用的針灸臨床治療方案決策系統。

WEKA環境下，在Explorer模塊的關聯規（Associate）標簽下可以實現對數據集的關聯分析操作，這里提供了Apriori、FiheredAssociator、GeneralizedSequentialPatterns、PredietiveApriori、Tertius等多種關聯分析算法。本文在對比實驗的基礎上，選擇Apriori算法對針灸臨床數據集進行關聯分析。

3.4 結果分析，展現新知識與規律

在WEKA 3.5環境下，用數據挖掘方法得出挖掘結果并結全針灸專業知識，對針灸臨床治療的腧穴配伍規律進行分析，分析出治療某種疾病哪些穴位配伍使用最多，他們的支持度和置信度都達到最高。在此基礎上進行治療方案決策的綜合分析，從而指導醫生的臨床治療方案決策。

4、結論

隨著社會的不斷發展，針灸醫學在維護人類健康和防病治病方面的重要性越來越受到國際社會的普遍關注和重視。將數據挖掘技術應用于針灸臨床治療方案決策研究中，將原始的不規范的數據整理成合乎計算機要求的規范數據進行存儲和管理；選用目前在這個領域極少人使用的Weka平臺進行編程；找出適用于針灸臨床治療方案決策研究的最好方法，用以指導針灸臨床醫生的臨床治療方案決策，使得針灸療效取決于針灸師個人的因素逐步減少，在醫療信息化快速發展的今天，具有極高的現實意義，能推動針灸治療水平的提高，能產生較好的經濟和社會效益。

基金項目：四川省教育廳人文社科基金（12SB025）；成都中醫藥大學自然科學基金（ZRYB201147）

參考文獻：

[1] Han Jia—wei，Pei J，Yin Y.Mining frequent patterns without eandi—date generation[J].

Data Mining and Knowledge Discovery，2004（8）：53-87.

[2]肖光磊，陸建峰等.正相關關聯規則及其在中醫藥中的應用[J].計算機工程與應用，2010（46）：227—230。

[3]梁繁榮，任玉蘭.針灸數據挖掘與臨床決策[M].巴蜀書社，2009.5

[4]任玉蘭，高燕等.數據倉庫在針灸臨床循證決策分析中的應用研究[J].醫學與哲學，2009.11

[5]陳慧萍，林莉莉等.WEKA數據挖掘平臺及其二次開發[J].計算機工程與應用，2008.44（19）：76—79