基于大數據分析的潛在高血壓病預測研究

周彩云

【摘 要】在研究有關于高血壓診斷的準確性和預測方面的問題，通常情況下要通過病人實際的情況，既包括生活習慣、腰部臀部的身體的特征狀況、以及體質指數來進行綜合的判斷，最后能夠實現對于潛在高血壓的預測。往往在預測過程之中，由于每個人的體質、病理方面的特征復雜多樣，會出現數據的屬性單值產生突變的情況，最后導致對于高血壓實際預測的準確性不是很高。因此，采用大數據分析隱藏的高血壓，這種預測方法是很有必要的。

【關鍵詞】高血壓;數據;預測

【中圖分類號】R544.1【文獻標識碼】A【文章編號】1005-0019（2020）06--02

高血壓是當今社會比較常見的一種心血管疾病，伴隨著人們的生活方式的轉變、以及人們生活壓力逐漸增加，有關于高血壓的發病也表現出逐漸上升的狀態，由于這個數量已經大到能夠威脅到人們的身心健康，所以如果能夠對于潛在的高血壓進行精準的預測，就能夠比較好的對高血壓的早期治療方面提供合理的依據。如今，常使用的預測方法有根據神經網絡計算預測法，以及決策樹算法預測法，還有關聯規則算法預測法。通常，使用最多的是神經網絡計算預測法，這種方法能夠比較準確的預測高血壓，能夠滿足對于醫學檢測的實際需要，所以被廣泛關注，也有著比較好的發展前景。

但是此類方法在對于潛在高血壓患者的預測過程之中，需要處理的數據量是十分龐大的，要通過對病人各方面的數據進行詳細計算，由于個人體質以及病理特性比較少，會容易導致單值突變，并且沒有考慮到各項參數對高血壓的影響權重方面的考慮，也會導致對于預測高血壓的精度大大降低。為了規避上述方法的缺點，我們基于大數據的方式來分析潛在的高血壓。

1 潛在高血壓的基本預測原理

對于高血壓患病通常定義為舒張壓力大于或者等于90mmHg，以及收縮壓力大于或等于140mmHg。一般對于高血壓的患者來說，在身體某方面的數據指標會與常人大不相同。通過對于大數據的分析相關聯的理論和技術，在數量比較大的個體生理數據信息之中，能夠尋找到有可能引發高血壓癥狀，具有一定參考價值的相關數據，然后根據有關數據進行科學的處理和研究。

在病理的儲存系統之中通常包含著海量的數據，對于高血壓病癥的預測有著不同權重的重要性。有時候還會有一些冗余數據，所以，在對于人體大生理參數情況進行詳細分類的時候，要確保在系統分類標準不改變的情況之下，能夠把一些無關緊要的數據進行針對性的刪除，用來進一步的增加對于高血壓預測系統的明晰程度，能夠比較準確的對于分類的結果和標準的參數指標進行進一步的對比，從而能夠實現對于高血壓病癥的有效預測。

其基本過程是首先通過數據采集、數據預處理進行標準的分層計算，然后對于其生理的參數屬性進行進一步分類，以及獲取外部血管的功能性參數的最佳分類。包括對于參數的分析和提取外部的血管評價指數和心功能的參數分析，通過判斷矩陣進行心功能的評價提取。

最后對心血管的參數進行進一步的參數分析，以此來獲得最佳分割平面，然后采用模糊數學，引入二維隸屬度分析，最后進行潛在高血壓的發病可能性評估。

2 根據大數據分析潛在高血壓的預測過程簡述

2.1 對于采集到的各項人體的生理數據處理

首先收集有關數據，進一步建立有關待測人員的個體生理信息數據庫，一般包括其遺傳史、體重、飲食狀況、姓名、年齡、身高、飲酒史、血糖、血脂、抽煙史方面的信息情況，以及了解被測人員的生活方式、腰臀圍、體質指數數據，然后進行檢測預處理：①數據整理。對于被測人員的原始數據采集過程中，一定會有大量的無效數據以及不完整數據信息。所以有必要進行處理。②數據整合。對于高血壓病的預測過程之中，要確定預測參考值和對應的屬性，然后進一步的建立相關的生理數據對高血壓的影響權重大小，最后在數據庫中挑選所需要的各個數據屬性。③ 數據轉換。把隸屬于非布爾屬性人體基本特征數據轉變成布爾數據屬性，然后輸入到另外新的數據庫里，對轉化之后的人體數據進一步離散化處理。

通過上述步驟處理可以過得對于被測人的各項數據，能夠比較方便的開始對于高血壓進行數據分析。

3 實驗結果研究分析

信息數據來源于某醫院，通過采集50多位高血壓病人的基本信息，使用機器AUTOBIO A2000PLUS來進行高血壓檢驗。其中患者的初始信息包括其遺傳史、體重、飲食狀況、姓名、年齡、身高、飲酒史、血糖、血脂、抽煙史，采用藥物的批號為，腎素，批號190329，其質控批號2019022201以及醛固酮，批號190312其質控批號2019040401，樣本的具體信息如下。

分別利用傳統的方法和利用大數據的方法對與潛在的高血壓進行預測，能夠得到其擬合結果如表2

由上表對比可以看出，采用大數據方法對于高血壓病的預測，比較至于傳統方式來說，有著十分明顯的提高。這說明了有關于大數據對于高血壓病癥的預測有著充分的優勢。

通過實驗可發現，當對于預測的對象比較少的時候，用傳統方法預測和用大數據預測的結果保持相對一致性。但是隨著預測對象的逐漸增加，通過大數據預測能過將準確度保持在一個相對穩定的水準，不會有十分強烈的波動性。然而，對于傳統的方式來說，其準確性是隨著測試數量的增加而會大幅度的降低。這也反映了利用大數據進行高血壓病的預測有著十分明顯的效果。

3 結束語

對于傳統的高血壓病的預測模式，由于人體的生理參數錯綜復雜，數據的數量比較巨大，而且過程相比較也十分的復雜，所以對預測的最終效果一般來說也會不理想。因此，在對于利用大數據分析潛在的高血壓的方法。利用收集到的數據和信息進行進一步的數據整理、數據整合和數據轉換來對被測人員的各種生理上的信息進行預處理，根據支持向量機的基本原理，然后根據數據的屬性進行進一步的分類，以及計算各個生理參數的具體指標和高血壓病癥的相關權重，能夠得到不同的屬性對高血壓疾病的影響程度，最后將其與標準的參數進行交叉比較，能夠得到對于潛在的高血壓疾病的預測結果。最終的實驗結果顯示，使用大數據方法進行潛在的高血壓疾病方面的預測，能夠比較大的增加預測的準確程度，具有比較突出的優勢。

參考文獻

官思發，朝樂門.大數據時代信息分析的關鍵問題、挑戰與對策[J].圖書情報工作，2015，59（03）：12-18+34.