基于云計算在腦血管疾病預測中的研究

邢瑞芳 劉巍 史艷維

摘要：目的：探究使用云計算預測腦血管疾病，為腦血管疾病的預測提供了一種新思路。方法：分析2019年8月至2020年1月，西安航天總醫院255例腦血管患者，對照組210例，通過云計算分析數據，通過3D-slicer實現數據可視化。結果：腦血管疾病患者的血脂異常。結論：腦血管疾病患者的血脂異常，定期監測血脂變化對于腦血管病的預測有預防，通過控制血脂等因素可以預測疾病發生。

關鍵詞：云計算;腦血管疾病

中圖分類號：R651.15 文獻標識碼：A

腦血管各項指標變化可以推測心腦血管疾病的發生，血脂的變化㈣，脈壓的變化都可以作為統計分析的參考因子，用以預測腦血管疾病的發生。根據云計算可以在疾病預測領域的深入，云計算建立腦血管疾病預測數據模型，根據統計學方法預測腦血管的發病概率并對相關數據實現可視化分析成為一種嘗試。首先運用數據挖掘算法進行隨機森林預測分析，再根據聚類算法實現可視化分析，由此可以建立預測模型，并提取有關重要性或關聯程度的各個特征屬性，便于進一步研究。醫學圖像是存在模糊性，部分圖像無法準確分割，決定了醫學診斷的模糊性，這時醫生的主觀診斷是具有不確定性。

數據挖掘算法可以用于腦血管疾病監測。在云計算環境的條件下，采用數據降維處理，并采用權重投票的方式提高預測效率。可視化可以通過云計算和可視化技術實現效果的顯示，獲取有效的數據信息。

1對象和方法

1.1對象

2019年8月至2020年1月在西安航天總醫院的確診腦出血或腦梗的255例住院患者，其中男性占157例，女性98例，年齡36至83歲，平均（59.8±9.2）歲。對照組210人，包括138名男性和72名女性，平均年齡（57.2±6.4）歲。診斷依據第四屆全國腦血管病學術會議標準，經過CT或MRI驗證查實。NIHON KOHDEN BSM-2303C日本光電心電監護儀，德國西門子SOMATOM Definition AS+64排128層全是螺旋CT掃描系統。患者首次就診進行CT掃描，6-8小時進行第二次CT掃描。多田式公式：長×寬×高×π/6，應用該方法計算出血量，這種方法常應用于囊腫體積，出血體積，腫瘤體積估算，患者頭顱CT檢查結果見圖1，圖2為血腫擴大組，圖3、圖4為血腫未擴大組（上排為入院時CT，下排為入院6小時后CT）。

1.2建立模型

1.2.1病史采集

針對病人采集病案號、姓名、年齡、性別、詳細病史。了解血壓、血脂、血糖、胰島素、腎功能等各項指標。

1.2.2標本采集

清晨空腹采集靜脈血，并制作檢驗，并準備進行實驗室檢測。

1.2.3腦血管預測模型

首先根據采集的病人的血脂、血糖、胰島素、腎功能等各項數據組成原始數據，并進行處理，劃分為訓練數據和測試數據。運用云計算的貪心算法，先要確定標準，并根據確定的標準將數據排序，對于每次輸入，進行選擇，在根據貪心算法的選擇，繼續實行，建立腦血管疾病相關數據模型，通過分層學習，第一設x=an，訓練RBM，直至達到平衡。第二，進入下一層的學習，并采用第一個結果的輸出。第三，重復執行前面的前兩步，直至最后一層。第四，通過極大似然函數做目標函數，并實現網絡的最優結構。實現輸出數據的目標誤差范圍，分層模型學習，學習后對模型進行微調。基于隨機森林預測分析的數據挖掘和聚類可視化分析方法作為研究課題，以此為基礎建立的預測模型可以有效提取出腦血管疾病數據中的各個特征屬性的重要性及關聯程度。

1.3方法

對腦血管模型的結點個數和網絡層數進行優化，設計隱藏層初始值為1，結點數為10個，隱藏層為5個，根據實驗發現隱藏層更加敏感，通過對實驗的觀察結果分析，得到最佳的結點個數，從而確定層數。如表1。

模型建立完成，預測需進行組間比較，P<0.05差異具有統計學意義。

1.4基本思路和方法

（1）將采集數腦血管疾病數據輸入腦血管預測模型，并輸出結果。

（2）3D-slicer實現數據可視化。如圖5，圖6。

（3）通過腦血管疾病預測實現統計數據可視化技術可以達到交互式的呈現效果。

2結果分析

如表2所示，腦血管病組與健康組的TG、TC、LDL-C、ApoAI、IP（a）相比P

3討論

腦血管疾病患者的血脂異常，定期監測血脂變化對于腦血管病的預測有預防，通過控制血脂等因素可以預測疾病發生。系統最終實現輸入數據后，可以點擊查看預測結果，患腦血管疾病的概率，但結果僅供參考。