機器學習技術在療養數據挖掘中的應用初探

李盼盼，譚慶平，曾平，王重，張浩宇，謝勤政，顏穎

1.國防科技大學 計算機學院，湖南 長沙 410005；2.戰略支援部隊 興城療養院，遼寧 興城 125105

引言

療養機構是軍隊衛勤保障體系的重要組成部分，擔負著預防保健、功能康復，以及特勤人員的健康鑒定、醫學訓練等療養保健任務，是軍隊衛勤保障鏈中不可或缺的重要組成部分[1]。近十年以來，我軍療養機構的信息化建設取得了跨越式發展，工作效率和衛勤保障能力都有了顯著提高，但在基于療養領域的數據分析研究方面基礎薄弱。目前，療養機構使用的系統均缺乏對療養數據進行深層分析以及對療養知識進行自動獲取的功能，制約了我軍療養領域的進一步發展。

當前，在改革強軍的背景下，療養服務模式正由傳統經驗模式向以療養與科研有機融合為核心的循證療養模式轉變[2]，因此引入機器學習技術和數據挖掘技術對于提升療養數據的利用率、拓展療養服務功能、制定療養保健政策、合理配置衛勤資源等具有積極的意義。

1 療養數據挖掘現狀

在傳統的療養數據分析過程中，一般采用通過問卷調查或是平行組實驗來獲得實驗數據，然后進行統計學分析的技術路線，指標一般是帶有檢驗的回歸誤差或分類精度。例如，張燚德等[3]采用明尼蘇達滿意度問卷短式版對246名特勤人員實施隨機抽樣問卷調查并對結果采用單因素方差分析和Spearman相關分析進行統計分析，得出論特勤人員工作滿意度的主要影響因素；任佰慧[4]通過對97名特勤療養員行進行心理護理的平行組實驗，然后對相關實驗數據進行統計分析，得出心理護理能夠提高和改善特勤療養員心理健康水平和自我和諧程度的結論。

上述方法適用于對數據維度低、質量好、符合統計規律的小樣本數據分析，但在面對低數學特征、非規范化形式的復雜數據分析時往往效果不好。而療養數據具有多態性（純數據、圖像、文字等）、不完整性、冗余性等特征，這些特征決定了療養數據的復雜性。此外，上述方法只對臨時采集的數據進行了分析，沒有利用歷史數據，而歷史數據中往往蘊含著寶貴的信息規律。因此，現階段真正意義上的療養數據挖掘尚處于探索階段，本文即是對機器學習技術在療養數據挖掘中的應用探索進行介紹。

2 機器學習介紹

機器學習是對能通過經驗自動改進的計算機算法的研究，是從大量數據中自動或半自動地尋找有用模式的過程[5]。基于數據的機器學習是現代人工智能技術中的一個重要研究內容和方向，其主要研究是從觀測數據（樣本）出發尋找規律，并利用這些規律對未來數據或無法觀測的數據進行預測[6]。

機器學習的概念是阿瑟·薩繆爾在1956年的達特茅斯會議上首次提出的，薩繆爾將其定義為“不顯式編程地賦予計算機能力的研究領域”。1957年，Rosenblatt[7-8]提出了第一個學習機器的模型，稱作為感知器，這標志著人們對學習過程進行數學研究的真正開始。感知機是神經網絡和支持向量機的基礎，它的提出對機器學習乃至整個計算機科學都具有里程碑的意義[9]。二十世紀80年代，是機器學習成為一個獨立的學科領域并開始快速發展、各種機器學習技術百花齊放的時期。而二十世紀90年代中期到21世紀00年代中期是機器學習發展的黃金時期，主要標志是學術界涌現出一批重要成果，比如，基于統計學習理論的支持向量機[10]、隨機森林和Freund等[11]集成分類方法，基于正則化理論的稀疏學習模型及應用等。

從2010年以后，深度學習帶來了機器學習的一個新的浪潮，受到從學術界到工業界的廣泛重視，也導致了“大數據+深度模型”時代的來臨[12]。今天，機器學習已經與我們的生活密切相關，例如在天氣預報、能源勘探、環境監測等方面，有效地利用機器學習技術對衛星和傳感器發回的數據進行分析可以提高預報和檢測的準確性；在商業營銷中，有效地利用機器學習技術對營銷數據、客戶信息進行分析，不僅可以幫助商家優化庫存減低成本，還有助于針對用戶設計特殊營銷策略[13]。

3 機器學習技術在療養領域的應用基礎

3.1 數據基礎

我軍療養機構的信息化建設比較完善，軍隊療養院信息管理系統、一卡通系統、體檢系統等信息系統的應用在方便療養工作的同時也累積了大量結構化和非結構化的療養數據，這些數據是非常珍貴的資源，包含了療養員的基本信息、體檢信息、療案信息等。除此以外，還有很多非結構化的數據對于分析療養行為、制定個性化療養方案也非常有用，比如療養員的心理測評報告、滿意度調查問卷等紙質資料。這些累積的信息數據為機器學習的應用提供了非常好的數據支撐。

3.2 技術基礎

機器學習技術的種類很多，回歸算法、神經網絡、支持向量機（Support Vector Machine，SVM）、聚類算法、降維算法、推薦算法等技術在不同領域都取得了非常好的應用效果。例如在醫療領域，崔文等[14]采用反向傳播（Back Propagation，BP）神經網絡算法，解決了醫療監護中存在的病人體征緩慢變化監測問題；楊靜等[15]基于主成分分析和BP神經網絡算法，實現血液中肝癌細胞的自動識別；胡啟東等[16]基于SVM提出了一種有效的醫療圖像血管識別方法。療養數據與醫療數據具有類似的數據特征，因此我們可以參考機器學習技術在醫療數據上的成熟技術[17-18]。除此之外，面向機器學習的可用框架也迎來了爆發式增長，這些為機器學習在療養數據挖掘提供了非常好的技術基礎。

4 機器學習技術在療養領域的應用分析

4.1 在疾病輔助診斷中的應用

療養機構雖然不同于以疾病治療為主的醫院，但也擔負著我軍療養員的健康鑒定、預防保健、功能康復等醫療任務。應用機器學習中的神經網絡、關聯規則等技術，通過分析療養數據中療養員的入院診斷、體檢信息、用藥信息、出院診斷等各種醫療信息，挖掘出有價值的診斷規則，從而輔助醫生做出診斷[19-20]。例如，Khosla等[21]提出一種集成機器學習的方法，用來解決卒中疾病的預測問題；Palaniappan等[22]應用如決策樹、貝葉斯等機器學習技術開發智能心臟病預測系統。

4.2 在個性化療養工作中的應用

個性化療養是近幾年為了提高我軍的療養保障質量而提出的新概念，具體是針對不同療養個體和療養團體的特點，在體能訓練、心理治療、景觀活動、文化娛樂、飲食營養及自然療養因子治療等方面制定個性化療養活動，具有針對性強、療養效果好的優點[23-24]。在實施過程中，利用機器學習技術可以分析得出不同特征療養員的特點和需求，以此來制定針對性的療養方案。

4.3 探索自然療養因子對療養員的影響

自然療養因子，是在療養地和療養院的特定環境中被應用的具有醫學價值的自然界的物理、化學和生物因子，其性質屬于生態學因子范疇[25]。療養學的一個研究分支，就是研究自然療養因子的連續作用對阻斷人體有害因子作用的機制，采用機器學習中的關聯規則算法，可以從歷史數據中挖掘療養因子和療養員生理指標之間的關聯性。例如，胡瑞娟等[26]利用改進的Apriori算法對乳腺疾病數據進行分析，建立腫瘤復發和其他屬性間的關聯規則，取得了很好的效果。田亞凱等[27]將改進的關聯規則算法應用在了醫療監控中，提高了效率，為監護人員針對一些突發性疾病做出及時診斷提供了良好的決策支持。

4.4 在療養信息統計和療案質控管理中的應用

療養信息的統計上報和療案的質控管理是療養院的一項重要工作，利用機器學習中的異常檢測技術，對療養系統中的數據進行實時管理，發現問題及時提醒相關人員修改，保障療養信息錄入質量達到上級的數據采集標準，保證療案質控質量。陳小杰等[28]基于機器學習算法對光電反射傳感器采集的心率大數據，研制了心律異常智能可穿戴預警系統，取得了不錯的效果。

4.5 在療養資源管理中的應用

我軍的療養機構很大一部分集中在我國北方，這些療養機構的特點就是季節性非常明顯,在療養旺季時車輛、理療設備、醫護資源、溫泉場所等資源非常緊張[29]，因此療養資源的管理和分配非常重要。可以利用機器學習中的回歸算法和神經網絡等技術，分析療養數據中療養員的入院時間、入院人數、入住天數、理療次數等信息，得出療養員的住院規律和療養需求，構建出相應的預測模型，從而做好療養資源的最優化合理分配，提高療養保障能力。例如，徐曉明[30]在分析分布交互仿真任務特有需求的基礎上，提出了一種基于SVM機器學習的仿真資源調度模型,實驗表明，該調度模型可以獲得整體最優的調度結果。

5 結語

不同于傳統的基于統計學處理的療養數據分析方法，機器學習技術在面對低數學特征、非規范化形式的復雜數據分析時往往具有更好的效果。而且到目前為止，人們在進行療養數據分析時很少利用大量積累的歷史數據，一個重要的原因就是傳統的統計學更適合于小樣本數據分析。因此，機器學習技術的使用，為我們開展療養大數據分析提供了技術基礎。在療養領域，機器學習技術目前在疾病輔助診斷方面開展的研究較多，且取得了非常好的臨床使用效果，但在其它方面的研究還很少，特別是在個性化療養方面的基礎薄弱。

雖然目前機器學習技術在我軍療養領域的研究尚處于研究階段，但隨著相關工作的開展，機器學習技術在療養領域的發展趨勢必將越來越深入、越來越廣泛。機器學習技術在我軍療養領域中的應用不僅能夠有效提升療養數據挖掘的效率和質量，為我軍療養機構工作的開展提供有效支持，而且為解決療養領域存在的問題提供了新思路，對于促進數據挖掘等新技術在療養行業的研究和應用起到了極大的推動作用。

[參考文獻]

[1] 王月兵,田徑.加強新時期軍隊療養院療養保障建設的思考[J].臨床合理用藥雜志,2017,10(13):172-173.

[2] 廖忠友,李學成,宋大宇,等.對加快中西部地區軍隊療養院療養康復學科建設的思考[J].西南國防醫藥,2014,24(3):321-322.

[3] 張燚德,楊文華,吳明蘭.特勤人員工作滿意度調查分析[J].海軍醫學雜志,2016,37(6):481-483.

[4] 任佰慧.療養期間特勤人員心理護理效果分析[J].中國療養醫學,2017,26(4):395-397.

[5] 威滕.數據挖掘實用機器學習技術[M].北京:機械工業出版社,2006.

[6] 任力安,何清,史忠植.分類超曲面方法在海量數據分類中的應用[J].計算機科學,2002,29(9):33-35.

[7] Rosenblatt F.The perceptron—a perceiving and recognizing automaton[A].Math. Stat[C].1957.

[8] Rosenblatt F.The perceptron: a probabilistic model for information storage and organization in the brain[J].Psychol Rev,1958,65(6):386.

[9] 王玨,石純一.機器學習研究[J].廣西師范大學學報(自然科學版),2003,21(2):1-15.

[10] 唐發明.基于統計學習理論的支持向量機算法研究[D].武漢:華中科技大學,2005.

[11] Freund Y,Schapire R,Abe N.A short introduction to boosting[J].J Japan Society Artif Intel,1999,14(771-780):1612.

[12] 何清,李寧,羅文娟,等.大數據下的機器學習算法綜述[A].中國計算機學會人工智能會議[C].2013.

[13] 周志華.機器學習[J].中國民商,2016,(3).

[14] 崔文,金杉.基于BP神經網絡的病人體征緩變監護方法[J].電子技術與軟件工程,2017,(3):19.

[15] 楊靜,王成,謝成穎,等.基于主成分分析和反向傳播神經網絡的肝癌細胞后向散射顯微光譜判別[J].生物醫學工程學雜志,2017,(2):246-252.

[16] 胡啟東,李建強,張苓琳,等.一種基于SVM的醫療圖像血管識別方法:中國,CN106530283A[P].2017.

[17] Lehrstühle.Machine learning in medical applications[J].Circulation,2015,132(20):1920-1930.

[18] Criminisi A.Machine learning for medical images analysis[J].Med Image Anal,2016,33:91-93.

[19] 陳軼.機器學習技術在醫療數據挖掘中的應用[J].電子測試,2015,(3):93-95.

[20] 嚴旭.機器學習技術在醫療數據挖掘中的應用探討[J].信息系統工程,2016,(1):89.

[21] Khosla A,Cao Y,Lin CY,et al.An integrated machine learning approach to stroke prediction[A].ACM SIGKDD International Conference on Knowledge Discovery and Data Mining[C].New York:ACM,2010:183-192.

[22] Palaniappan S,Awang R.ntelligent heart disease prediction system using data mining techniques[A].IEEE/ACS International Conference on Computer Systems and Applications[C].Trier:DBLP,2008:108-115.

[23] 吳曉青,于方,侯志峰.個性化療養處方的提出與實施[J].解放軍醫院管理雜志,2014,(2):165-166.

[24] 于紹冰.個性化療養路徑信息系統在軍隊干部保健療養中的應用[J].中國療養醫學,2014,23(11):1051-1053.

[25] 張衛兵.特勤療養學[M].北京:人民軍醫出版社,2009.

[26] 胡瑞娟,李巖芳,何昀.基于關聯規則算法的醫療數據挖掘[J].長春理工大學學報(自然科學版),2009,32(2):282-284.

[27] 田亞凱,陳小惠.改進關聯規則算法在醫療監控中的應用[J].計算機技術與發展,2015,(10):183-186.

[28] 陳小杰,曹國華.基于機器學習的心律異常智能可穿戴預警系統[J].電子技術與軟件工程,2017,(15):102.

[29] 劉銘.優化衛生資源配置推進軍隊療養院持續發展[J].中國療養醫學,2006,15(4).

[30] 徐曉明.基于SVM機器學習的仿真網格資源調度模型[J].武漢理工大學學報(信息與管理工程版),2013,35(4):555-559.