張佛曉

摘要：藏醫(yī)藥學(xué)是我國極具民族特色的醫(yī)藥學(xué)科之一，在藏族人民漫長的生產(chǎn)、生活實(shí)踐中，其系統(tǒng)的理論和獨(dú)特的臨床療效及用藥特色，為藏族人民繁衍生息、保障生命健康做出了重要貢獻(xiàn)，越來越多的人開始注意到藏醫(yī)藥學(xué)科的發(fā)展。

但是由于藏醫(yī)藥事業(yè)發(fā)展起步晚、起點(diǎn)低、底子薄，和其他醫(yī)藥學(xué)科相比還存在很大的差距，所以對(duì)藏醫(yī)藥事業(yè)的科學(xué)化研究迫在眉睫。

雖然數(shù)據(jù)挖掘技術(shù)已經(jīng)在傳統(tǒng)醫(yī)學(xué)如：中醫(yī)藥學(xué)科上得到了廣泛地應(yīng)用，如聚類算法、關(guān)聯(lián)規(guī)則算法、分類算法。但由于藏醫(yī)和中醫(yī)有著諸多臨床診療上的差距，使得對(duì)于藏醫(yī)藥的研究中不可完全套用中醫(yī)數(shù)據(jù)挖掘的方法。文章主要總結(jié)常用的數(shù)據(jù)挖掘技術(shù)及近年來數(shù)據(jù)挖掘技術(shù)在藏醫(yī)藥上的發(fā)展及前景展望。

關(guān)鍵詞：藏醫(yī)診療 數(shù)據(jù)挖掘 分類聚類 關(guān)聯(lián)規(guī)則

1常用的數(shù)據(jù)挖掘技術(shù)

1.1數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理占到數(shù)據(jù)挖掘60%的時(shí)間，良好的數(shù)據(jù)預(yù)處理是得到有效挖掘結(jié)果的重要前提?，F(xiàn)有的數(shù)據(jù)預(yù)處理技術(shù)主要包括數(shù)據(jù)清洗、數(shù)據(jù)采樣、特征處理、特征選擇和降維。

由于醫(yī)療數(shù)據(jù)的特點(diǎn)，一方面數(shù)據(jù)獲取比較困難，往往獲得的數(shù)據(jù)往往會(huì)存在缺失、冗余等問題。另一方面，醫(yī)療數(shù)據(jù)中包含很多患者信息，需要做各種脫敏處理，否則會(huì)侵犯患者的個(gè)人隱私。

如對(duì)藏醫(yī)中慢性萎縮性胃炎診療數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，包括對(duì)數(shù)據(jù)中的缺失值進(jìn)行填充、對(duì)不符合常理的數(shù)據(jù)進(jìn)行刪除，對(duì)樣本數(shù)據(jù)進(jìn)行采樣，減少因數(shù)據(jù)類別不平衡對(duì)結(jié)果的影響。對(duì)特征進(jìn)行處理，數(shù)據(jù)主要是數(shù)值型和類別型的數(shù)據(jù)，常用的方法有歸一化和標(biāo)準(zhǔn)化、log數(shù)值域的變化、數(shù)據(jù)離散化、orie-hot編碼等。對(duì)數(shù)據(jù)進(jìn)行降維和特征提取等，從而達(dá)到壓縮數(shù)據(jù)維度、減少規(guī)則冗余度的目的，從而提高癥型分類和預(yù)測的準(zhǔn)確率。

1.2關(guān)聯(lián)分析算法

R.Agrawal等首先提出了經(jīng)典的頻繁項(xiàng)集挖掘方法AIS，Apriorl[6]算法;J.S.Park等對(duì)關(guān)聯(lián)規(guī)則算法進(jìn)行改進(jìn)提出DHP算法有效的減小了頻繁候選集的規(guī)模;同年，Savasere提出基于劃分的關(guān)聯(lián)規(guī)則算法減少算法對(duì)數(shù)據(jù)集的掃描次數(shù)，大大的提高了算法的效率;之后R .Wille提出了基于概念格的挖掘算法等，隨著時(shí)代的變化關(guān)聯(lián)規(guī)則算法也在不斷地演變改進(jìn)。

關(guān)聯(lián)規(guī)則分析在醫(yī)療數(shù)據(jù)研究中發(fā)揮著重要的作用，用于挖掘癥狀和癥型之間的潛在關(guān)系，發(fā)現(xiàn)“癥狀癥狀、癥狀 癥型”等數(shù)據(jù)中的內(nèi)在聯(lián)系，尋找臨床數(shù)據(jù)隱藏的價(jià)值，讓醫(yī)生能更好的對(duì)患者進(jìn)行診斷，可以為分類和預(yù)測做輔助作用是癥型的預(yù)測和分類研究中的重要環(huán)節(jié)。

1.3分類算法

目前數(shù)據(jù)挖掘中常用的分類算法有SVM算法（SupportVector Machine），決策樹算法（Decision Tree），K近鄰算法，樸素貝葉斯算法，神經(jīng)網(wǎng)絡(luò)算法，以及邏輯回歸（LogisticRegression）等。但是鑒于目前需要解決的問題的難度和醫(yī)療數(shù)據(jù)維度的復(fù)雜性的不斷增加，傳統(tǒng)的數(shù)據(jù)挖掘算法已經(jīng)不能滿足需求，由此出現(xiàn)了多種集成學(xué)習(xí)算法，集成學(xué)習(xí)主要分為bagging和boosting兩種方式，是將某些弱學(xué)習(xí)器通過投票的方式或者取平均值的方式得出最終的結(jié)果，從而使預(yù)測準(zhǔn)確率得到很大的提升。

2數(shù)據(jù)挖掘在藏醫(yī)中應(yīng)用

2.1數(shù)據(jù)挖掘在藏醫(yī)輔助決策診療中的應(yīng)用

目前對(duì)常見的高原常見病（萎縮性胃炎），藏醫(yī)主要依據(jù)個(gè)人經(jīng)驗(yàn)來對(duì)患者進(jìn)行診斷，包括對(duì)患者的脈象診斷，患者的舌苔情況，患者的尿液顏色和氣味及患者的癥狀等。脈象下包括洪、滑、緊等十七個(gè)方面，舌苔的顏色和厚度等七個(gè)方面，而尿液的情況也比較復(fù)雜，包括尿液的顏色，尿液的氣味等十七個(gè)方面的判斷，對(duì)于同一種疾病癥狀也很復(fù)雜。拿萎縮性胃炎來說，在藏醫(yī)中萎縮性胃炎一般分為四個(gè)癥型，不同的癥型及相同的癥型患者的癥狀和體征表現(xiàn)往往有很大差距。所以僅通過個(gè)人經(jīng)驗(yàn)判斷比較容易出錯(cuò)，需要通過科學(xué)的手段對(duì)癥型和癥狀進(jìn)行判斷。

可以利用數(shù)據(jù)挖掘中無監(jiān)督學(xué)習(xí)的聚類算法結(jié)合臨床診療數(shù)據(jù)對(duì)高原常見?。ㄎs性胃炎）進(jìn)行合理的分型，運(yùn)用數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則算法，發(fā)現(xiàn)藏因臨床診療“癥狀癥型，癥狀 癥狀”之間隱含的規(guī)則，尋找臨床數(shù)據(jù)隱藏的價(jià)值，讓醫(yī)生能更好的對(duì)患者進(jìn)行診斷，可以為分類和預(yù)測做輔助作用是癥型的預(yù)測和分類研究中的重要環(huán)節(jié)。

據(jù)統(tǒng)計(jì)藏醫(yī)中存在著針灸和放血治療的疾?。ㄗC候）多達(dá)489種可以利用聚類分析和關(guān)聯(lián)規(guī)則分析藏醫(yī)中針灸的穴位定位、穴位主治病種等。在治療方法上，藏族醫(yī)學(xué)運(yùn)用不同穴位治療的相同的疾病最多的是癲狂、昏厥、氣短的疾病，對(duì)于急性發(fā)作的神志疾病、呼吸系統(tǒng)疾病、心腦血管疾病能起到非常獨(dú)特的療效。

2.2數(shù)據(jù)挖掘在藏醫(yī)用藥規(guī)律的研究

目前藏藥組方規(guī)律的研究主要是在臨床藥物觀察、大量文獻(xiàn)整理研究、通過各種藥理實(shí)驗(yàn)等方面。很少有通過數(shù)據(jù)挖掘的算法進(jìn)行藏醫(yī)組方規(guī)律的研究，目前聚類算法和關(guān)聯(lián)規(guī)則算法在藏醫(yī)用藥規(guī)律研究中有很好的效果，在萎縮性胃炎用藥方面主要采用apriori算法對(duì)每味藥進(jìn)行頻繁項(xiàng)集，置信度和支持的的挖掘，得出可信的用藥的組合規(guī)律。同時(shí)可以利用無監(jiān)督的聚類算法對(duì)藥物進(jìn)行聚類可以新處方規(guī)律的挖掘。

張藝等人在藏醫(yī)脾胃病研究中利用關(guān)聯(lián)規(guī)則算法對(duì)脾胃病用藥得出了置信度大于0.85的治療藏醫(yī)中脾胃病的新處方，利用層次聚類算法演化得出了新的核心用藥組合。

藥物可能會(huì)因?yàn)樵谑欠耧柛够蛘呤撬幍臅r(shí)間對(duì)治療效果有一定的影響，王明強(qiáng)等人在藏醫(yī)隆滯布病的用藥組方規(guī)律研究中加入了時(shí)序關(guān)系挖掘，利用關(guān)聯(lián)規(guī)則算法得出效果明顯的加入了時(shí)序關(guān)系的藥物組方規(guī)律。

3總結(jié)

近幾年來逐漸開始有研究者將數(shù)據(jù)挖掘算法應(yīng)用于藏醫(yī)的癥狀癥型分析和藥物組方規(guī)律的挖掘中，這對(duì)藏醫(yī)藥科學(xué)的發(fā)展起到了很大的推動(dòng)作用，目前藏醫(yī)在科學(xué)性和規(guī)范性上還處于初級(jí)階段，在這方面的研究提高了藏醫(yī)癥型診斷的科學(xué)性，以及用藥的規(guī)范性。慢慢的推動(dòng)藏醫(yī)由經(jīng)驗(yàn)主義到科學(xué)主義的演變。

參考文獻(xiàn)

[l]王培培，健康體檢數(shù)據(jù)預(yù)處理方法研究與應(yīng)用[D].鄭州大學(xué)，2016.

[2] Han J，Kamber M. Data Mining： Concepts and 'rechniques，Morgan Kaufmann[Jl. Machine Press， 2001 （in Chinese， 2006，1（4）：394-395.

[3] Dunham M H. Data Mining： Introductory and AdvancedTopicsEMl// Data mining introductory and advanced topics/.Prentice Hall/Pearson Education， 2003.

[4] Zhi-Gang J， Xu J. Research on Data Preprocess inData Mining and Its Application[J]. Application Research ofComputers， 2004， 21（7）：117-118.

[5]Agrawal R， Srikant R.Mining association rules between setsof items in large databases[Al.ProcACM SIG MOD Int'I ConfManagement of dataECl.Washington DC， May 1993.207-216

[6]Agrawal R， Srikant R.Fast algorithms for mining associationrules[A].Proc 20th In't I Conf Very Large Database[Cl.Santiago，Chile， Sept 1994.487-499

[7] Park J S，Chen M S，Yu P S.An effective hash-basedalgorithm for mining association rules[J]. Acm Sigmod Record，1995， 24（2）：175-186.

[8] Savasere A， Orniecinski E，Navathe S B. An EfficientAlgorithm for Mining Association Rules in Large Databases[C]//International Conference on Very Large Data Bases. MorganKaufmann Publishers Inc. 1995：432-444.

[9] Ganter B，Godin R. Formal Concept AnalysisLMl. SpringerBerlin Heidelberg， 1999.

[10] Joachims T. Transductive Inference for Text Classificationusing Support Vector MachinesECl// Sixteenth InternationalConference on Machine Learning. Morgan Kaufmann PublishersInc. 1999：200-209.

[11] Quinlan J R. C4.5： programs for machine learning[M].Morgan Kaufmann Publishers Inc. 1993.

[12] Cover T M， Hart P E. Nearest neighbor patternclassification. IEEE Trans Inf Theory IT-13（1）：21-27[J]. IEEETransactions on Information Theory， 1967， 13（1）：21-27.

[13] Mccallum A， Nigam K.A Comparison of Event Models forNaive Bayes Text Classification[J]. IN AAAI-98 WORKSHOP ONLEARNING FOR TEXT CATEGORIZATION， 1998， 62（2）：4148.

[14] Hagan M.T.， Demuth H.B.， Beale M.H.： Neural NetworkDesign. PWS Publishing， Boston （1996）

[15] Hosmer D W， Lemeshow S.Applied logistic regression[M].Wiley， 2000.

[16]王世潁.基于醫(yī)療數(shù)據(jù)挖掘的高原常見病藏醫(yī)診療決策支持技術(shù)研究[D]青海大學(xué).

[17]歐陽波.基于數(shù)據(jù)挖掘的藏蒙放血和灸療法比較研究[D]北京中醫(yī)藥大學(xué).

[18]張藝.基于數(shù)據(jù)挖掘和整合藥理學(xué)平臺(tái)的藏醫(yī)治療脾胃病用藥規(guī)律及作用機(jī)制[J]中國中藥雜志2018，16.

[19]王明陽，基于數(shù)據(jù)挖掘的藏醫(yī)隆滯布病癥狀、用藥規(guī)律的探索與分析[D]北京中醫(yī)藥大學(xué).