基于醫療數據的挖掘算法研究與應用

郭志豪

（蘭州城市學院 甘肅 蘭州 730000）

1 引言

為更好地推進我國醫療衛生事業的發展和進步，國家衛健委在2015年通過了醫院監管系統建設方案，其對于我國各個醫院數據采集工具的使用做出了明確說明，要求對各項數據的應用必須要規范化、科學化和合理化。醫療數據統一上傳，集中管理，可以幫助患者更加便捷地查詢自身就醫信息，醫務工作人員對于患者的就醫以及病史等也有了更加深入的了解和認識，其是醫療衛生事業進步的重要表現。但實際上，我國建設方案雖然出臺已久，但是實際應用的質量效果卻不盡如人意，醫療領域的信息化程度沒有跟上互聯網發展的步伐，尤其是在一些縣鎮醫院，其實施效果比較差，這對于我國醫療衛生的進步實際上產生極為不利的影響。為此，本文嘗試對醫療大數據中數據挖掘技術進行研究和分析，希望能夠更好地發揮相關技術的作用優勢，推進各項工作朝著更好的方向發展[1]。

2 數據挖掘技術概述

在當前的信息化背景下，科學技術、醫療服務領域產生的信息呈爆炸式增長，這些信息中的一些數據十分關鍵，具備較高的分析價值。將這些數據轉化為容易被人們接受的圖表，一方面可以方便醫療工作人員的日常工作，同時也可以推動醫療大數據挖掘的進步[2]。所謂的數據挖掘，主要是指從海量的信息中挖掘出具備價值的信息，涉及機器學習、人工智能、統計分析和模式分類等不同學科的知識[3]。一般情況下，數據挖掘主要分成如下3個階段。

（1）數據準備。數據準備階段需要剔除干擾數據，主要圍繞數據的清理、集成和選擇幾方面展開工作。將數據挖掘的基礎性數據形成一個數據庫，然后再對其降噪，最后再從數據庫中找到有用的信息；（2）發現規律。該階段主要是指通過運用各種算法來分析數據庫，并且發現有效信息，是整個數據挖掘中十分重要的環節，該環節主要是對最終的決策提供必要的支持；（3）表現規律。該階段是在發現了數據的規律以后，利用可視化的工具將其展示出來，便于醫療人員的研判。

3 醫療大數據中的數據挖掘應用分析

為充分地發揮出數據的作用，需要對醫療大數據進行深度挖掘，并詳細整理、分析看似雜亂的數據，找到其中蘊含的價值信息，從而方便臨床護理、醫學研究和疾病治療等方面的研究。對于患者來說，也可通過全面分析醫療大數據的相關信息，使其享受到更加高效精準的服務，免去一些不必要的檢查，避免醫療資源的浪費。醫學領域的研究也可通過深度挖掘醫療大數據為疾病的診斷和藥物的研發提供強大的支持，攻克很多過去無法解決的醫學難題。縱觀整個醫療領域，挖掘分析醫療大數據可在醫療成本評估和醫療質量管理兩方面起到一定的作用。

在以上兩方面的應用過程中，主要是通過對于醫療大數據信息進行深度挖掘來密切監測廣大群眾的健康狀況，并從中分辨出一些疾病的高發人群，從而精準預測一些流行病或區域性疾病的發展走向，從而為公共衛生政策的制定提供一定的支持。數據挖掘技術是合理分析醫療大數據的關鍵，隨著深度學習技術的不斷進步，數據挖掘領域也得到了前所未有的發展，主要包括關聯規則挖掘、異常挖掘等，這些算法是醫療數據應用的基礎，同時在上述算法的基礎上也衍生出了其他拓展算法，下面分別說明。

3.1 關聯規則算法分析

關聯規則發掘技術主要是通過分析不同實驗，然后對其中有一定依賴或關聯的信息進行收集和分析，在數據挖掘技術中屬于關鍵性問題。關聯規則挖掘這一研究方向一經提出，在國際上得到了學者的廣泛關注，通過這些年的不斷發展也推出了很多關聯規則的挖掘算法，典型的有Apriori算法。該算法是關聯規則挖掘算法中第一個被成熟應用的算法。在醫療行業的運行過程中，每天都會產生海量的數據信息，而這些信息之間看似雜亂無章，但實際的內在聯系十分密切，通過關聯規則挖掘算法的統計分析，可提取其中有關聯的知識，從而對致病因素、疾病診療及公共衛生健康監測等工作提供一定的幫助。

例如，通過海量的電子病歷信息，可以發掘心血管病死亡情況和傳統危險元素之間的關聯規則，然后通過分析這些數據，還可以總結出心血管病死亡和體重超標之間的內在關系。又如，通過Apriori算法分析大量的女性乳腺疾病方面的數據，可以建立乳腺癌和其他屬性之間的關聯規則。很多醫學科研工作需要分析病因，如一些新出現的并發癥是不是由另一種并發癥誘發而來的，這就需要數據挖掘技術中的關聯算法從大量的隨機個例中找尋內在的關聯。關聯算法的優點主要在于在該算法下更容易識別內在的因果關系，如果在前后時間序列的互推中具有較高的置信度，則說明兩者之間存在著較為強烈的因果關系，否則為單方面映射或無映射。

3.2 分類挖掘算法分析

分類挖掘分析可通過分類算法將數據庫中的對象映射成某一個預設的類別，從而便于模型來計算和預測，進而實現對未知對象的類別歸類。上文中所提到的序列數據庫，主要是由一系列的數據對象構成，在這些數據對象中每一個單一對象都可以視為多種特性所構成的綜合輸入向量，且訓練樣本需要帶有多種類別標記。

現如今，對于不同數據類別的應用場合，已經有多種多樣的分類挖掘模型，較為常見的有機器學習、神經網絡、專家系統等方法。分類挖掘分析結合醫療行業來看及應用主要包括如下兩方面：首先，基于智能算法的疾病預測；其次，預測一些醫療事件。

在醫療服務中，大部分的疾病診斷都局限在經驗性診斷上，但由于不同的病患存在著較大的個體差異，同時復合疾病也對經驗性診斷帶來了一定程度的限制。所以，在具體的診斷過程中，對于一些疑難雜癥，醫生很難憑借現有的經驗給出十分精確的判斷。但通過正確的搜集海量的診斷病例的信息，然后借助大數據分析工具，可以詳細地分析所有病例中的綜合癥狀，然后研究出疾病類型和病癥之間的內在聯系。在實際的臨床診斷過程中，通過分析患者所提供的基礎性信息，將其輸入到診斷系統中，就可給出較為精確的確診結論。國內目前有很多醫學專家和機器學習算法科研人員都通過醫療大數據的分類挖掘分析逐步構建起以預防早期慢性病為目的的防控體系。在新冠肺炎疫情的防控過程中，騰訊公司也聯合一些國內的醫療機構研發了一系列的智能診斷系統，減輕醫療人員的壓力。

3.3 聚類算法分析

所謂的聚類分析主要是根據不同的規律按照個體屬性來分成不同的類別，其目的主要是為了縮小同類別下不同個體之間的距離。許多領域目前都廣泛應用了該技術，例如人工智能領域。聚類分析與分類學習相比，所分析的對象并沒有類別的標記，而是通過算法來自動確定，但由于訓練數據庫中對象的不同，其本質上有類別標記。近年來，聚類分析逐步成為大數據挖掘領域中較為前沿和熱門的研究領域，經過學者們不斷分析研究，逐步開發了K均值聚類算法、BIRCH聚類算法等一系列的聚類分析模型，主要針對未知分布規律的數據展開挖掘，同時還可以挖掘具有代表性的事件集。

聚類分析算法被應用到醫療領域中的典型場景，主要有疾病的分布分析和醫療費用兩方面。過去的臨床科研研究對象一般以醫院的患者為主體，通過分析臨床指標和患者的基本變量展開研究。但一般情況下，性別和年齡存在差異的患者其醫學特征也并不相同，所以還要根據性別和年齡對病患展開分組，在分組過程中采用人工劃分的方法，例如以10年或5年為一個跨度，但這種分組難以客觀地反映出研究對象的年齡分布規律。而采用聚類分析算法，可以更加科學合理地換位研究對象的年齡和性別，并且對于不同性別和年齡組別下的患者，臨床指標也能展開深入的分析。

3.4 異常挖掘算法分析

數據庫建設過程中可能會遇到這樣或者那樣的問題，研究對象難以真實反映情況的現象也并不少見，之所以如此是因為研究對象與數據庫中的一般性樣本并不匹配，這些數據樣本通常被人們稱作離群點。為了保證數據挖掘技術應用的質量與效果，通常情況下，這些離群點可能會事先被當作異常數據處理掉，但在實際應用過程中，可能會發現這些異常數據反而更具有特點，如果進一步深入挖掘，可以挖掘出更加多元化的信息。在異常挖掘過程中，科研人員必須弄清楚如下兩方面的問題：（1）選擇何種挖掘算法作為確定異常點的挖掘方法；（2）在數據庫中何種特征的數據被劃分為異常數據。目前，較為成熟的異常挖掘分析算法，主要有基于距離的算法、基于偏差的算法及基于統計的算法。

例如，國內的有些學者就借助心電圖的歷史數據實施異常挖掘，在挖掘過程中主要采用了時間序列數據，通過對數據進行挖掘，疾病診斷效果大幅度提升。同時，也可以針對醫療賬單中的數據進行挖掘，找到可能存在的醫保欺詐行為，該方法在控制醫療保險行業的欺詐行為中存在著十分明顯的效果。但值得注意的是，上述數據挖掘分析方法，在整個醫療大數據的應用過程中相對比較理論化，在應用過程中還要結合具體情況不斷調整使其適應醫院的實際形勢。

4 結語

綜上所述，當前醫療大數據中的數據挖掘技術，對于我國醫療衛生事業的發展和進步有著較為積極促進作用，其可以為廣大人民群眾提供更好的治療效果，可以使醫療工作更具有針對性。但是不可否認的是，當前醫療大數據中的數據挖掘技術在具體應用中，還存在多方面的不足，而要想更好地發揮相關技術的優勢作用，就需要正視其存在的缺點和不足，然后采取針對性措施予以優化，以便更好地發揮大數據技術的作用與價值。