鄭丹青

（株洲職業(yè)技術(shù)學(xué)院 電子信息工程系，湖南 株洲 412001）

0 引 言

數(shù)據(jù)挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)中，尋找有意義、有價(jià)值信息的過(guò)程。數(shù)據(jù)挖掘可以應(yīng)用于任何類型的信息儲(chǔ)存庫(kù)（如關(guān)系數(shù)據(jù)庫(kù)、數(shù)據(jù)倉(cāng)庫(kù)、事務(wù)數(shù)據(jù)庫(kù)和高級(jí)數(shù)據(jù)庫(kù)系統(tǒng)）以及瞬態(tài)數(shù)據(jù)（如數(shù)據(jù)流）［1］。目前，數(shù)據(jù)挖掘在醫(yī)學(xué)領(lǐng)域的應(yīng)用主要集中在疾病輔助診斷、藥物開(kāi)發(fā)、醫(yī)院信息系統(tǒng)中的應(yīng)用和遺傳學(xué)方面的應(yīng)用等。在疾病診斷方面，如采用貝葉斯學(xué)習(xí)分類方法對(duì)男女患者的圖像進(jìn)行自動(dòng)診斷，將數(shù)據(jù)挖掘用于肝癌遺傳綜合征的自動(dòng)檢測(cè)［2］，運(yùn)用決策樹(shù)方法，以醫(yī)院病案室保存的冠狀動(dòng)脈粥樣硬化性心臟?。ê?jiǎn)稱冠心?。┎“钢羞x取了一些數(shù)據(jù)作為挖掘的原始數(shù)據(jù)集進(jìn)行醫(yī)療數(shù)據(jù)分析［3］等。在醫(yī)院信息系統(tǒng)中，利用決策樹(shù)方法進(jìn)行醫(yī)院信息系統(tǒng)挖掘及醫(yī)療政策分析［4］等。

近年來(lái)，隨著醫(yī)院信息化建設(shè)的發(fā)展，電子病歷和病案的大量應(yīng)用，醫(yī)療設(shè)備和儀器的數(shù)字化，使得醫(yī)院數(shù)據(jù)庫(kù)系統(tǒng)中積累了大量有關(guān)病人的病史、診斷、檢驗(yàn)和治療的臨床信息，而如何利用數(shù)據(jù)挖掘技術(shù)從醫(yī)院信息系統(tǒng)中抽取、清洗和變換數(shù)據(jù)，采用分類、聚類、關(guān)聯(lián)分析等方法構(gòu)建臨床醫(yī)療數(shù)據(jù)分析系統(tǒng)。通過(guò)對(duì)患者資料數(shù)據(jù)庫(kù)中大量歷史數(shù)據(jù)處理、提煉蘊(yùn)含其中的大量有價(jià)值的信息，發(fā)現(xiàn)隱藏的關(guān)系和模式，預(yù)測(cè)未來(lái)的發(fā)展趨勢(shì)，已成為醫(yī)院信息化建設(shè)中所需要進(jìn)一步研究的課題。其中，對(duì)疾病的臨床診斷、治療和預(yù)后的關(guān)系研究也是醫(yī)學(xué)科學(xué)研究很重要的方面［5］。

文中將以胃癌術(shù)后復(fù)發(fā)的危險(xiǎn)因素分析為例，探討構(gòu)建基于數(shù)據(jù)挖掘的臨床醫(yī)療數(shù)據(jù)分析系統(tǒng)，并運(yùn)用元數(shù)據(jù)管理方法，使用戶可以根據(jù)數(shù)據(jù)分析的需要自行選取數(shù)據(jù)分析模型中的變量，使系統(tǒng)具有靈活性和擴(kuò)展性。

1 臨床醫(yī)療數(shù)據(jù)挖掘模型結(jié)構(gòu)

醫(yī)院信息系統(tǒng)包括管理信息系統(tǒng)和臨床信息系統(tǒng)兩部分。其中，臨床信息系統(tǒng)主要處理有關(guān)病人方面的信息，如患者入院、住院、治療、檢查、出院等醫(yī)療信息。而利用數(shù)據(jù)挖掘決策樹(shù)技術(shù)，通過(guò)對(duì)醫(yī)院信息系統(tǒng)中疾病的臨床診斷、治療和預(yù)后情況進(jìn)行數(shù)據(jù)分析，可從中發(fā)現(xiàn)影響疾病預(yù)后情況的因素?，F(xiàn)以胃癌術(shù)后復(fù)發(fā)情況的數(shù)據(jù)分析為例，為尋找出胃癌術(shù)后復(fù)發(fā)的危險(xiǎn)因素，構(gòu)建臨床醫(yī)療數(shù)據(jù)挖掘模型結(jié)構(gòu)如圖1所示。

圖1 臨床醫(yī)療數(shù)據(jù)挖掘模型結(jié)構(gòu)

2 數(shù)據(jù)挖掘的實(shí)現(xiàn)過(guò)程

2.1 數(shù)據(jù)選取

為了進(jìn)行胃癌術(shù)后復(fù)發(fā)情況分析，首先確定胃癌術(shù)后復(fù)發(fā)與哪些因素有關(guān)，從中選取年齡、胃切除、家族遺傳、營(yíng)養(yǎng)狀況、術(shù)后化療、是否復(fù)發(fā)等相關(guān)信息作為數(shù)據(jù)挖掘項(xiàng)目的變量，這些變量數(shù)據(jù)類型及取值范圍見(jiàn)表1。

表1 定義數(shù)據(jù)分析模型的變量

其次從業(yè)務(wù)數(shù)據(jù)庫(kù)中抽取數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)預(yù)處理，去掉與決策無(wú)關(guān)的屬性，處理含空缺值的屬性，形成決策樹(shù)的訓(xùn)練數(shù)據(jù)集見(jiàn)表2。

表2 胃癌術(shù)后復(fù)發(fā)訓(xùn)練數(shù)據(jù)集（部分）

其中選取是否復(fù)發(fā)作為目標(biāo)屬性，建立一棵決策樹(shù)，以進(jìn)行胃癌術(shù)后復(fù)發(fā)的危險(xiǎn)因素分析。

2.2 構(gòu)建數(shù)據(jù)倉(cāng)庫(kù)模型

胃癌術(shù)后復(fù)發(fā)數(shù)據(jù)倉(cāng)庫(kù)分為年齡、胃切除、家族遺傳、營(yíng)養(yǎng)狀況、術(shù)后化療、是否復(fù)發(fā)6個(gè)維表和一個(gè)事實(shí)表，數(shù)據(jù)倉(cāng)庫(kù)模型如圖2所示。

圖2 數(shù)據(jù)倉(cāng)庫(kù)模型

然后，根據(jù)表1和表2所示數(shù)據(jù)，利用SQL SERVER 2008創(chuàng)建臨床醫(yī)療數(shù)據(jù)倉(cāng)庫(kù)。

2.3 構(gòu)建數(shù)據(jù)挖掘平臺(tái)

數(shù)據(jù)挖掘平臺(tái)包括數(shù)據(jù)挖掘建模、數(shù)據(jù)挖掘結(jié)果展示和用戶交互界面等。其中，數(shù)據(jù)挖掘建模是數(shù)據(jù)挖掘操作的核心步驟，挖掘建模包括學(xué)習(xí)算法的選擇、算法參數(shù)的確定等［6］。

數(shù)據(jù)挖掘建模采用myEclipse作為開(kāi)發(fā)工具，weka作為數(shù)據(jù)挖掘工作平臺(tái)。一方面利用weka軟件所集合的能承擔(dān)數(shù)據(jù)挖掘任務(wù)的機(jī)器學(xué)習(xí)算法，包括對(duì)數(shù)據(jù)進(jìn)行預(yù)處理、分類、回歸、聚類、關(guān)聯(lián)規(guī)則等實(shí)現(xiàn)數(shù)據(jù)挖掘建模；另一方面采用myEclipse作為開(kāi)發(fā)工具，運(yùn)用Java語(yǔ)言開(kāi)發(fā)設(shè)計(jì)數(shù)據(jù)挖掘算法，然后，利用weka的接口將所編制的數(shù)據(jù)挖掘算法集成到weka軟件中。

2.4 實(shí)現(xiàn)數(shù)據(jù)挖掘分析

利用weka軟件實(shí)現(xiàn)數(shù)據(jù)挖掘分析，首先要實(shí)現(xiàn)weka與數(shù)據(jù)倉(cāng)庫(kù)的連接，選擇臨床醫(yī)療數(shù)據(jù)倉(cāng)庫(kù)作為數(shù)據(jù)源，將數(shù)據(jù)倉(cāng)庫(kù)中的事實(shí)表作為數(shù)據(jù)挖掘的模型表。

weka與數(shù)據(jù)倉(cāng)庫(kù)的連接方法，首先用解壓軟件打開(kāi)Weka3.6的安裝目錄下的weka.jar文件，在 weka.jar／weka／experiment目錄下找到DatabaseUtils.props.mssqlserver文件，并替換原來(lái)的DatabaseUtil.props文件，然后修改此文件中的jdbcURL，設(shè)置服務(wù)器和數(shù)據(jù)庫(kù)名，并將數(shù)據(jù)庫(kù)中的數(shù)據(jù)類型設(shè)置為對(duì)應(yīng)的weka僅支持的分類型（nominal）、數(shù)值型（numeric）、字符串型（string）和日期（date）型。然后重新打包 weka.jar，并替換原來(lái)同名文件。設(shè)置環(huán)境變量，將SQL Server2008的數(shù)據(jù)庫(kù)驅(qū)動(dòng)程序sqljdbc4.jar加入到classpath變量中。

在完成數(shù)據(jù)庫(kù)連接，打開(kāi)數(shù)據(jù)表后，在weka數(shù)據(jù)挖掘工作平臺(tái)上選擇數(shù)據(jù)挖掘技術(shù)方法，如選擇決策樹(shù)算法進(jìn)行胃癌臨床醫(yī)療數(shù)據(jù)分析。在選擇了輸入和預(yù)測(cè)列后，通過(guò)選擇決策樹(shù)中的某一種算法，就可在weka數(shù)據(jù)挖掘工作平臺(tái)上展示出數(shù)據(jù)挖掘結(jié)果。還可將測(cè)試集導(dǎo)入挖掘模型中，進(jìn)行模型的訓(xùn)練和測(cè)試，并對(duì)數(shù)據(jù)挖掘模型評(píng)估、預(yù)測(cè)。

3 元數(shù)據(jù)管理設(shè)計(jì)

在臨床醫(yī)療數(shù)據(jù)分析系統(tǒng)中，數(shù)據(jù)分析模型的變量會(huì)因所分析的對(duì)象不同而發(fā)現(xiàn)變化，為了使醫(yī)療數(shù)據(jù)分析系統(tǒng)具有擴(kuò)展性和靈活性，設(shè)計(jì)元數(shù)據(jù)庫(kù)和元數(shù)據(jù)管理項(xiàng)目。

第一部分是對(duì)數(shù)據(jù)抽取、轉(zhuǎn)換、加載模塊中的數(shù)據(jù)進(jìn)行管理。為實(shí)現(xiàn)這項(xiàng)管理功能，在元數(shù)據(jù)庫(kù)設(shè)計(jì)中包括數(shù)據(jù)源信息表、目標(biāo)數(shù)據(jù)源信息表、數(shù)據(jù)源與目標(biāo)數(shù)據(jù)源之間映射關(guān)系信息表和數(shù)據(jù)轉(zhuǎn)換規(guī)則信息表等。其中數(shù)據(jù)源信息表和目標(biāo)數(shù)據(jù)源信息表用于保存數(shù)據(jù)文件編號(hào)、文件類型、文件名稱和文件所在位置（目錄）等［7］。

第二部分是對(duì)數(shù)據(jù)倉(cāng)庫(kù)中事實(shí)表和維表中數(shù)據(jù)進(jìn)行管理。因?yàn)樵趯?duì)不同疾病的臨床醫(yī)療數(shù)據(jù)進(jìn)行分析時(shí)，數(shù)據(jù)分析模型所定義的變量個(gè)數(shù)是不同的，因此，通過(guò)元數(shù)據(jù)管理實(shí)現(xiàn)對(duì)數(shù)據(jù)倉(cāng)庫(kù)中事實(shí)表和維表中屬性的動(dòng)態(tài)管理，由事實(shí)表的元數(shù)據(jù)表決定事實(shí)表的屬性和維表個(gè)數(shù)及屬性。

通過(guò)元數(shù)據(jù)管理可以實(shí)現(xiàn)由醫(yī)務(wù)人員根據(jù)醫(yī)學(xué)分析的需要，自行選取數(shù)據(jù)分析模型中的變量，構(gòu)建不同的訓(xùn)練數(shù)據(jù)集進(jìn)行醫(yī)學(xué)分析。利用這種方法使臨床醫(yī)療數(shù)據(jù)分析系統(tǒng)應(yīng)用更加靈活。

4 實(shí)驗(yàn)結(jié)果

以文獻(xiàn)［8］中所提供的胃癌術(shù)后復(fù)發(fā)數(shù)據(jù)集為例，并將此數(shù)據(jù)集作為不同數(shù)據(jù)源，測(cè)試加載到數(shù)據(jù)倉(cāng)庫(kù)中，采用myEclipse作為開(kāi)發(fā)工具，weka作為數(shù)據(jù)挖掘工作平臺(tái)，連接數(shù)據(jù)倉(cāng)庫(kù)，讀取數(shù)據(jù)挖掘的模型表，選擇決策中的M5P算法，對(duì)胃癌臨床醫(yī)療進(jìn)行分析，結(jié)果如圖3所示。

由此可見(jiàn)，胃癌術(shù)后復(fù)發(fā)危險(xiǎn)因素有胃切除、家族遺傳和術(shù)后化療。

圖3 胃癌臨床醫(yī)療數(shù)據(jù)分析結(jié)果

5 結(jié) 語(yǔ)

通過(guò)構(gòu)建基于數(shù)據(jù)挖掘的臨床醫(yī)療數(shù)據(jù)分析系統(tǒng)，并將之應(yīng)用于胃癌術(shù)后復(fù)發(fā)的危險(xiǎn)因素分析，從中發(fā)現(xiàn)與疾病有關(guān)的危險(xiǎn)因素，實(shí)現(xiàn)了對(duì)疾病危險(xiǎn)因素篩選分析。同時(shí)，通過(guò)構(gòu)建元數(shù)據(jù)管理，使數(shù)據(jù)挖掘系統(tǒng)具有很好的擴(kuò)展性和靈活性。通過(guò)此系統(tǒng)與醫(yī)院信息系統(tǒng)的接口，可以方便從醫(yī)院信息系統(tǒng)直接提取數(shù)據(jù)，并可實(shí)現(xiàn)由醫(yī)務(wù)人員根據(jù)醫(yī)學(xué)分析的需要自行選取數(shù)據(jù)，進(jìn)行數(shù)據(jù)分析研究的功能。隨著臨床醫(yī)療數(shù)據(jù)的不斷增加，利用數(shù)據(jù)挖掘技術(shù)對(duì)醫(yī)院信息系統(tǒng)中疾病的臨床診斷、治療和預(yù)后情況進(jìn)行數(shù)據(jù)分析等諸多研究將會(huì)被日益重視并廣泛應(yīng)用。

［1］Jiawei Han，Micheline Kamber.數(shù)據(jù)挖掘概念與技術(shù)［M］.范明，孟小峰，譯.北京：機(jī)械工業(yè)出版社，2007：199－200.

［2］于長(zhǎng)春，賀佳，范思昌.數(shù)據(jù)挖掘技術(shù)在醫(yī)學(xué)領(lǐng)域中的應(yīng)用［J］.第二軍醫(yī)大學(xué)學(xué)報(bào)，2003，24（11）：1250－1252.

［3］劉昆，劉業(yè)政.基于決策樹(shù)的醫(yī)療數(shù)據(jù)分析［J］.計(jì)算機(jī)工程，2002，28（2）：41－43.

［4］章兢，張小剛.數(shù)據(jù)挖掘算法及其工程應(yīng)用［M］.北京：機(jī)械工業(yè)出版社，2006：37，69－73.

［5］徐剛，袁兆康.數(shù)據(jù)挖掘及其在醫(yī)學(xué)領(lǐng)域中的應(yīng)用和展望［J］.實(shí)用臨床醫(yī)學(xué)，2006，7（11）：196－198.

［6］紀(jì)希禹.數(shù)據(jù)挖掘技術(shù)應(yīng)用實(shí)例［M］.北京：機(jī)械工業(yè)出版社，2009.

［7］鄭丹青.基于元數(shù)據(jù)的數(shù)據(jù)倉(cāng)庫(kù)ETL系統(tǒng)設(shè)計(jì)與研究［J］.吉林師范大學(xué)學(xué)報(bào)，2010，31（2）：43－45.

［8］王彤.醫(yī)學(xué)統(tǒng)計(jì)學(xué)與SPSS軟件應(yīng)用［M］.北京：北京大學(xué)醫(yī)學(xué)出版社，2008.