王一敏, 梁治鋼

?

基于免疫遺傳算法的抗菌藥物數(shù)據(jù)挖掘①

王一敏, 梁治鋼

(甘肅省人民醫(yī)院網(wǎng)絡(luò)中心, 蘭州 730000)

本文主要研究基于免疫遺傳算法的抗菌藥物數(shù)據(jù)挖掘. 在數(shù)據(jù)挖掘的過程中, 傳統(tǒng)挖掘方法的精確度較低, 因此, 將免疫遺傳算法技術(shù)應(yīng)用到抗菌藥物數(shù)據(jù)挖掘中, 可以提高數(shù)據(jù)挖掘的準(zhǔn)確性和及時性. 數(shù)據(jù)挖掘技術(shù)為有效地分析疾病間的關(guān)系以及其出現(xiàn)的規(guī)律提供了新思路, 以此來更好地治療疾病, 提升治療效果. 在HIS系統(tǒng)中對抗菌藥物的數(shù)據(jù)進(jìn)行分析和挖掘, 獲得潛在的規(guī)律和趨勢, 逐漸建立抗菌藥物診斷知識庫. 依據(jù)HIS系統(tǒng)的醫(yī)囑數(shù)據(jù), 根據(jù)規(guī)則自主學(xué)習(xí)并更新知識庫數(shù)據(jù), 從而為醫(yī)生治療患者提供合理的輔助決策.

免疫遺傳算法; 抗菌藥物; 知識庫; 數(shù)據(jù)挖掘

1 前言

手術(shù)過程中的感染是目前醫(yī)療機(jī)構(gòu)里手術(shù)患者常見的情況, 其發(fā)生率大約是2%-20%[1,2], 它不僅會增加患者的住院時間及再住院率, 而且可導(dǎo)致致死率、平均住院日以及住院費(fèi)用的增加. 抗菌藥物預(yù)防應(yīng)用的主要目的是預(yù)防手術(shù)部位感染的發(fā)生, 目前, 世界各地的衛(wèi)生及醫(yī)療機(jī)構(gòu)制定了抗菌藥物應(yīng)用指南, 我國醫(yī)療行政管理部門也頒布相應(yīng)的法規(guī)推出了符合我國國情的應(yīng)用指南, 相應(yīng)法規(guī)條款已經(jīng)被列入到醫(yī)院等級評審中.

抗菌藥物經(jīng)過了多年的發(fā)展, 已經(jīng)被廣泛的應(yīng)用到臨床中, 它的使用雖然可以有效降低患者手術(shù)部位的感染發(fā)生率, 但是與此同時, 抗菌藥物的使用也帶來了一定的負(fù)作用, 抗菌藥物不合規(guī)格使用的情況時有發(fā)生, 有效控制細(xì)菌耐藥、加強(qiáng)醫(yī)療質(zhì)量和醫(yī)療安全已經(jīng)是政府和醫(yī)療機(jī)構(gòu)共同面臨的問題. 醫(yī)生在抗菌藥物的選擇和使用上具有隨從性和經(jīng)驗(yàn)性, 忽略了抗菌藥物的適應(yīng)癥和患者生理指征, 結(jié)果不僅沒有達(dá)到預(yù)防感染的治療效果, 反而導(dǎo)致患者細(xì)菌的耐藥性明顯增強(qiáng)以及藥品不良反應(yīng)的增加, 使用抗菌藥物的患者的住院時間延長的同時, 治療費(fèi)用也增加了[3]. 因此, 適合患者的抗菌藥物使用研究意義重大, 是當(dāng)前所有醫(yī)療機(jī)構(gòu)都面臨的難題, 雖然有醫(yī)院已經(jīng)使用了合理用藥支持系統(tǒng), 但是并沒有真正的起到為患者服務(wù)的作用, 抗菌藥物的合理性使用還有待進(jìn)一步的提高.

數(shù)據(jù)挖掘DM (Data Mining)是一個新興的人工智能與機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用研究領(lǐng)域, 有著廣闊的應(yīng)用前景, 它是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的應(yīng)用數(shù)據(jù)中, 發(fā)現(xiàn)隱含在其中的并且人們事先未知的、但又是潛在有用的信息和知識的非平凡過程. 數(shù)據(jù)挖掘算法中常用的有機(jī)器學(xué)習(xí)型算法和統(tǒng)計型算法兩類, 機(jī)器學(xué)習(xí)型遺傳算法GA (Genetic Algorithm)被普遍運(yùn)用. 遺傳算法是一種借鑒生物界自然選擇和自然遺傳機(jī)制, 模擬自然進(jìn)化過程搜索最優(yōu)解的方法. 免疫算法IA (Immune Algorithm)是模擬免疫系統(tǒng)對病菌的多樣性識別能力而設(shè)計出來的多峰值搜索算法, 它旨在抽取生物免疫系統(tǒng)中獨(dú)特的信息處理機(jī)制, 研究和設(shè)計相應(yīng)的模型和算法, 進(jìn)而解決各種復(fù)雜問題. 免疫遺傳算法IGA (Immune Genetic Algorithm)是將遺傳算法和免疫算法的優(yōu)點(diǎn)結(jié)合起來的算法, 它即具有遺傳算法的全局性和并行性, 也具有免疫算法的記憶功能, 從而加快了搜索速度, 提高了傳統(tǒng)遺傳算法的總體搜索能力, 最終找到最優(yōu)解.

本文研究重點(diǎn)是利用某三甲醫(yī)院患者一個月的抗菌藥物數(shù)據(jù), 結(jié)合患者的診斷、生理指癥、是否手術(shù)等可能影響抗菌藥物使用的因素, 將免疫遺傳算法應(yīng)用到抗菌藥物數(shù)據(jù)挖掘中, 對抗菌藥物的預(yù)防使用和治療使用情況進(jìn)行分析, 建立分類模型, 利用免疫遺傳算法中先驗(yàn)知識的引入能力, 較好地處理污染數(shù)據(jù)和缺失數(shù)據(jù), 依靠該算法為醫(yī)生的抗菌藥物使用提供最適合個體患者的決策和依據(jù), 有效提高醫(yī)生對患者的治療質(zhì)量和效果.

2 基于IGA的抗菌藥物數(shù)據(jù)挖掘

2.1問題的設(shè)定

目前有不少的合理用藥系統(tǒng)已經(jīng)嵌入到HIS系統(tǒng)中, 醫(yī)生下醫(yī)囑的過程包括事前提醒、事中干預(yù)、事后分析等過程中, 但目前醫(yī)院所用的系統(tǒng)不具備自主學(xué)習(xí)功能, 不能有效的利用已經(jīng)存在的知識, 只是簡單的分析和發(fā)現(xiàn), 針對醫(yī)生不合理的用藥醫(yī)囑給予提示并做出相應(yīng)的調(diào)整, 有些數(shù)據(jù)需要經(jīng)過人工對照患者病歷和醫(yī)囑才能發(fā)現(xiàn)不合理, 所有的抗菌藥物的使用表面看上去似乎都很合理, 但是實(shí)際上對醫(yī)囑過程行為進(jìn)行分析審計, 患者診斷、生理特征、用藥時機(jī)、療程等指標(biāo)與國家規(guī)定存在著差距, 用藥不僅沒有達(dá)到預(yù)防感染的治療效果, 反而導(dǎo)致細(xì)菌耐藥性的增強(qiáng)和藥品不良反應(yīng)的增加[4].

手術(shù)期間經(jīng)常存在給手術(shù)患者隨意時間段內(nèi)用藥, 患者的實(shí)際情況并沒有被完全考慮, 醫(yī)生大多數(shù)情況下靠自己的臨床經(jīng)驗(yàn)來下醫(yī)囑, 由于每個患者的個體情況差異, 導(dǎo)致增加抗菌藥物劑量的情況時常發(fā)生. 例如, 某些抗菌藥物的使用要求是術(shù)前2h內(nèi)才能使用, 但有些臨床醫(yī)師則在手術(shù)前幾天就已經(jīng)給手術(shù)患者使用, 甚至部分手術(shù)醫(yī)師則在手術(shù)前幾天就已經(jīng)給患者使用了抗生素[5]. 導(dǎo)致患者的耐藥性升高, 增加了患者術(shù)后感染的風(fēng)險, 預(yù)防用藥的療程無形中也增加了. 因此將免疫遺傳算法的最優(yōu)解搜索能力應(yīng)用到HIS系統(tǒng)中, 從而給醫(yī)生提供最適合不同患者的醫(yī)囑方案中是病房醫(yī)生站和電子病歷信息系統(tǒng)需要解決的問題. HIS系統(tǒng)抗菌藥物的數(shù)據(jù)主要集中在病區(qū)醫(yī)囑表中, 具體字段名稱為醫(yī)囑名稱、藥品序號、開醫(yī)囑時間、停醫(yī)囑時間、用藥方式、醫(yī)囑類型等.

2.2 編碼方式

本文使用免疫遺傳算法在HIS數(shù)據(jù)庫中進(jìn)行數(shù)據(jù)挖掘, 算法首先要解決的就是編碼問題, 編碼要根據(jù)實(shí)際數(shù)據(jù)的特點(diǎn), 它不僅決定了個體染色體排列形式, 而且決定個個體從搜索空間的基因型變換求解. 編碼方法還影響到遺傳算子、交叉算子、免疫算子的運(yùn)算操作. 因此, 編碼方法在很大程序上決定了如何進(jìn)行群體的遺傳進(jìn)化運(yùn)算以及遺傳進(jìn)化運(yùn)算的效率. 本文中在數(shù)據(jù)庫中挖掘蘊(yùn)含在其中的有效數(shù)據(jù), 需要建立一個規(guī)則來進(jìn)行數(shù)據(jù)的挖掘, 具體用下面的偽代碼實(shí)現(xiàn):

if (rule1 && rule2 && ….&& rule) {Result} (1)

上式中rule采用三元組, 其中Type代表數(shù)據(jù)庫中某個字段值, 本文中該變量值取以下字段: 藥品名稱、藥品適應(yīng)癥、開醫(yī)囑時間、用藥時間、生理指標(biāo)等. Value代表某個字段值得一個取值, 藥品名稱用藥品代碼表示, 藥品適應(yīng)癥用相應(yīng)疾病編碼表示, Operator是連接Type和Value的一個關(guān)系運(yùn)算符, 一般情況下該運(yùn)算符取值為“與”或者“或”, Result則是考慮上述字段值綜合取值. 因此在這里采用結(jié)構(gòu)體數(shù)組編碼的方法進(jìn)行編碼, 數(shù)組的元素個數(shù)與事務(wù)數(shù)據(jù)庫中的字段個數(shù)相對應(yīng), 這里的Y表示rule的取值, 具體編碼方式如圖1所示.

Y1Y2…Yn

2.3 適應(yīng)度計算

適應(yīng)值是評價個體好壞的唯一標(biāo)準(zhǔn), 適應(yīng)值高的個體將被保留, 所有的算法都是基于適應(yīng)度函數(shù)來進(jìn)行數(shù)據(jù)挖掘, 因此建立合適的適應(yīng)度函數(shù)對整個算法的執(zhí)行很重要, 算法的要求需要滿足如下條件: 在規(guī)定的約束條件內(nèi)搜索達(dá)到時間復(fù)雜度最小, 能夠動態(tài)分析數(shù)據(jù)以及得到最優(yōu)解. 置信度表示結(jié)論成立的可相信程度. 覆蓋度表示結(jié)論包含于條件的正確程度, 次數(shù)越大, 說明該規(guī)則越完備. 在確定適應(yīng)度函數(shù)時必須考慮以上條件, 以下是取適應(yīng)度函數(shù):

Fit(r) =*Conf()/Confmin +*Supp(r)/Suppmin +*

Cover()/Covermin (2)

在上式中,、、分別代表置信度、支持度、覆蓋度的權(quán)值,++= 1(>=0,>=0,>=0). Confmin是最小置信度閥值, Suppmin 是最小支持度閥值, Covermin 是最小覆蓋度閥值, 默認(rèn)的三個最小閥值都為1. 適應(yīng)度函數(shù)反映了支持度、置信度和覆蓋度這三者綜合作用的結(jié)果. 在進(jìn)化過程中, 只有這三者都高的規(guī)則才能在競爭中生存下來. 在本文中, 適應(yīng)度函數(shù)定義為從某個時間段內(nèi)某個病種使用抗菌藥物數(shù)量中去掉不適合該病種的抗菌藥物數(shù)量.

2.4 免疫算子

免疫算子的選擇是用來判斷抗體的多樣性及等位基因概率的變化過程. 設(shè)免疫系統(tǒng)有個抗體組成, 每個抗體有位基因. 每個基因位可供選擇的字符(等位基因)共有個. 根據(jù)信息論原理,個抗體第位基因的信息熵可表示為:

式中,為第基因位上基因總數(shù).H為第位基因取個等位基因的概率, 在該文中H為個抗菌藥物醫(yī)囑中, 第位為基因的概率. 當(dāng)?shù)谖换虻乃械任换蚨枷嗤瑫r,H= 1, 則M()=0, 信息熵可看作免疫系統(tǒng)中表示抗體多樣性的一種度量.個抗體所有基因位的平均信息熵為:

為了從抗體中找到適應(yīng)度較高的抗體, 需要比較抗體之間、抗體和抗原間的親和度, 任意兩個抗體與間的親和度表示為:

上式中為兩個抗體的平均信息熵.(2)可以由下面的公式得到:

在式(6)中,(2)表示同一病種和同一生理指征下兩條抗菌藥物醫(yī)囑之間的相似度.

2.5 抗體濃度

抗體的濃度反映群體中相似抗體所占的比例,

2.6 免疫遺傳算法的記憶庫更新

免疫遺傳算法在每次更新記憶庫時, 采用精英保留策略, 先將適應(yīng)度較高的若干個抗體存入記憶庫, 然后按照繁殖概率在剩余群體中選擇優(yōu)秀抗體存入記憶庫, 這樣可以避免適應(yīng)度高的抗體因其濃度高而受到抑制. 父代抗體群的形成與記憶庫更新策略類似, 首先, 將適應(yīng)度排序較高的若干個父代抗體直接加入到子代抗體群, 然后隨機(jī)從剩余父代抗體中進(jìn)行選擇操作, 選擇優(yōu)秀抗體加入到子代抗體群, 父代抗體被選擇的概率即為式(7)計算出的抗體的繁殖概率.

2.7 算法設(shè)計

免疫遺傳算法將待求解的問題作為抗原(Antigen), 在抗菌藥物數(shù)據(jù)挖掘的系統(tǒng)中, 對應(yīng)就是針對不同病癥、癥狀、體征的病人生成一套最適合患者的醫(yī)囑抗菌藥物組合, 即治療方案; 將問題的解作為抗體(Antibody), 對所求問題進(jìn)行合理分析和計算, 產(chǎn)生出多種數(shù)據(jù)的組合, 最終形成最適合患者治療方案的數(shù)據(jù), 即疫苗(Vaccine); 免疫系統(tǒng)(Immune system)確認(rèn)抗原入侵, 然后根據(jù)疫苗信息產(chǎn)生相應(yīng)的抗體來解決問題[6,7]. IGA具體算法如下:

① 參數(shù)初始化: 設(shè)置種群規(guī)模、記憶庫容量、變異概率P等參數(shù);

② 產(chǎn)生初始抗體群: 抗體通常是隨機(jī)產(chǎn)生的, 如果識別的抗原是已經(jīng)有的記憶抗原, 則從記憶庫中取出相應(yīng)的抗體組成初始種群, 否則就隨機(jī)產(chǎn)生, 抗體采用圖1的編碼;

③ 計算抗體適應(yīng)度: 根據(jù)適應(yīng)度函數(shù)計算公式, 計算群體中每個抗體的適應(yīng)度, 按照適應(yīng)度大小降序排列, 選擇其中適應(yīng)度較高的個抗體組成群體;

④ 抗體選擇操作: 對抗體群中的各個抗體進(jìn)行評價. 在IGA中對個體的評價是以個體的繁殖概率為標(biāo)準(zhǔn), 保留全局最優(yōu)抗體;

⑤ 更新記憶庫: 將抗體群分別按適應(yīng)度和繁殖概率排序, 并分別取按適應(yīng)度排序的前三分之一的個體和按繁殖概率排序的前三分之二的個體存入記憶庫中;

⑥ 依次執(zhí)行選擇操作、交叉操作、變異操作得到下一代群體;

⑦ 子代群體與記憶庫的群體合并, 構(gòu)成新一代抗體群;

⑧ 終止條件: 重復(fù)執(zhí)行步驟③至步驟⑦, 判斷是否滿足結(jié)束條件, 是則結(jié)束[5].

本文利用IGA實(shí)現(xiàn)從抗菌藥物知識庫中進(jìn)行不同病種抗菌藥物醫(yī)囑自動組合, 按照一些約束條件(如:病癥、生理特征、年齡、性別、地區(qū), 既往史等)從知識庫中根據(jù)算法來生成一套抗菌藥物醫(yī)囑, 其中每個病種的抗菌藥物使用方案即為一個抗體, 病種中不同生理指征、年齡、性別、職業(yè)為抗體中一個基因, 這樣反復(fù)選擇一個病種不同指征來組成初始種群, 然后按照上述算法的流程進(jìn)行免疫遺傳操作, 最終得出與患者病癥最適合的一套抗菌藥物醫(yī)囑方案.

3 數(shù)據(jù)挖掘應(yīng)用

3.1 基本數(shù)據(jù)

本文以抗菌藥物輔助決策的數(shù)據(jù)挖掘?yàn)閷?shí)例, 對提出的基于機(jī)器學(xué)習(xí)抗菌藥物數(shù)據(jù)挖掘模型進(jìn)行研究. 本實(shí)例的優(yōu)化目標(biāo)就是判定患者使用抗菌藥物的合理性、建立抗菌藥物知識庫以及數(shù)據(jù)挖掘的分類技術(shù)在該實(shí)例應(yīng)用. 對2015年醫(yī)院某一個月住院病人抗菌藥物的數(shù)據(jù)進(jìn)行分析, 其中住院病人5356人, 使用抗菌藥物的病人2479人, 根據(jù)合理用藥使用規(guī)范及標(biāo)準(zhǔn), 符合標(biāo)準(zhǔn)的1946人(達(dá)到78.51%). 采集到的生產(chǎn)數(shù)據(jù)一般都是比較復(fù)雜的, 必須進(jìn)行數(shù)據(jù)清洗和規(guī)范化, 使其既能反應(yīng)出生產(chǎn)的需要, 也能適合數(shù)據(jù)挖掘. 預(yù)處理的功能就是利用各種統(tǒng)計規(guī)律對數(shù)據(jù)進(jìn)行分析, 去掉無用數(shù)據(jù), 從而達(dá)到數(shù)據(jù)挖掘的目標(biāo). 經(jīng)過預(yù)處理的數(shù)據(jù)各個指標(biāo)變量見表1.

表1 變量指標(biāo)及名稱

3.2 抗菌藥物輔助決策指標(biāo)參數(shù)

以抗菌藥物輔助決策作為數(shù)據(jù)挖掘的設(shè)定參數(shù), 對于不同的抗菌藥物、生理指癥及病種進(jìn)行比較和判別, 根據(jù)抗菌藥物使用數(shù)據(jù)得知, 圍手術(shù)期疾病診斷、用藥品種和給藥時機(jī)三項(xiàng)符合標(biāo)準(zhǔn)則定義該病例抗菌藥物符合標(biāo)準(zhǔn), 其中某一項(xiàng)不符合, 則判斷該病例用藥不符合標(biāo)準(zhǔn), 需要進(jìn)行相應(yīng)的改造, 符合置標(biāo)志為“1”, 否則為“0”.

另外, 在后面的最優(yōu)解挖掘算法里相關(guān)參數(shù)設(shè)置如下:=1(支持度權(quán)值),=1(置信度權(quán)值),=1(涵蓋度權(quán)值), P=0.6(變異率),P=0.8(交叉率).

3.3 最優(yōu)解模式挖掘

本文中利用免疫遺傳算法來求解患者使用抗菌藥物的合理性及知識庫的建應(yīng)立與自學(xué)習(xí)能力. 數(shù)據(jù)挖掘的目標(biāo)是求解某醫(yī)院一個月抗菌藥物的合理性使用情況, 希望能發(fā)現(xiàn)最優(yōu)解, 由于每個患者的生理情況不同, 抗菌用藥的使用也沒有一個具體的標(biāo)準(zhǔn), 只是根據(jù)住院病人的相關(guān)藥物信息進(jìn)行分析探索性研究, 從各個醫(yī)療數(shù)據(jù)中獲取最適合病人的有用知識. 在求解的過程中, 將抗菌藥物數(shù)據(jù)按照表1中的數(shù)據(jù)變量指標(biāo)值進(jìn)行相應(yīng)的判斷, 表2是具體判定標(biāo)準(zhǔn).

表2 最優(yōu)解模式挖掘判定標(biāo)準(zhǔn)

3.4 驗(yàn)證結(jié)果

在實(shí)驗(yàn)進(jìn)程中, 為了驗(yàn)證本文算法的合理性, 針對抗菌藥物輔助決策系統(tǒng), 分別采用遺傳算法(Genetic Algorithm)、蟻群算法(Ant Colony Algorithm)、神經(jīng)網(wǎng)絡(luò)算法(Neural Networks Algorithm)、免疫遺傳算法(Immune Genetic Algorithm)等4種算法進(jìn)行仿真求解, 優(yōu)化結(jié)果主要是判斷抗菌用藥的輔助規(guī)則使用及加入知識庫情況, 求解時間是計算上述優(yōu)化結(jié)果所使用的時間, 最終求解的輸出結(jié)果如表3所示, 根據(jù)實(shí)驗(yàn)結(jié)果, 無論是求解質(zhì)量和速度, 本文的方法優(yōu)于其它3種[5].

表3 4種算法求解10個實(shí)例的計算結(jié)果

4 結(jié)語

影響疾病的因素具有不確定性, 確定一個正確的治療方案有時非常困難, 隨著抗菌藥品種類不斷發(fā)展, 新的藥品被推出, 醫(yī)療抗菌用藥的不合理現(xiàn)象與不良反應(yīng)也隨之增加. 本文中采取機(jī)器學(xué)習(xí)-免疫遺傳算法對抗菌藥物進(jìn)行數(shù)據(jù)挖掘, 進(jìn)行的是探索性研究, 對于患者的抗菌藥物數(shù)據(jù)利用信息技術(shù)進(jìn)行嘗試和創(chuàng)新, 為藥物利用深入研究提供新的思路, 有助于建立醫(yī)療數(shù)據(jù)倉庫并進(jìn)行知識發(fā)現(xiàn)的使用.

隨著醫(yī)院信息化的發(fā)展, HIS系統(tǒng)中抗菌藥物的使用分析已經(jīng)由原來以“收費(fèi)”為中心的信息系統(tǒng)向以“電子病歷”為中心的合理性研究轉(zhuǎn)變. 由于患者個體生理各項(xiàng)指標(biāo)的不確定性以及醫(yī)療環(huán)境的特殊性, 抗菌藥物智能輔助判斷需要慎重, 專業(yè)知識、用藥習(xí)慣和臨床經(jīng)驗(yàn)以及合理的算法起著至關(guān)重要的作用, 因此本研究在對某類疾病的抗菌藥物使用合理情況與否進(jìn)行智能判斷時, 沒有直接判斷是否合理, 而是以既定指標(biāo)的“符合”或“不符合”標(biāo)準(zhǔn)進(jìn)行分類.

測試結(jié)果表明該挖掘方法在一定程度上能夠幫助醫(yī)生對抗菌藥物的輔助使用及診斷準(zhǔn)確性問題, 對抗菌藥物輔助知識庫的數(shù)據(jù)可以進(jìn)行有效更新, 對其中的干擾數(shù)據(jù)進(jìn)行了加權(quán)修正, 為醫(yī)生的輔助決策提供了良好的數(shù)據(jù)基礎(chǔ)[10]. 總之, 抗菌藥物的合理使用是一個復(fù)雜過程, 為了增強(qiáng)模型的說服力, 需要采用更多的樣本數(shù)據(jù)進(jìn)行模型的完善.

1 Afzal KAK, Mirshad PV, Rashed MR, Banu G. A study on the usage pattern of antimicrobial agents for the prevention of surgical site infections (SSIs) in a tertiary care teaching hospital. J. Clin. Diagn. Res., 2013, 7(4): 671–674.

2 Alp E, Elmali F, Ersoy S, et al. Incidence and risk factorsof surgical site infection in general surgery in adeveloping country. Surg. Today, 2014, 44(4): 685–689.

3史占軍,張亞莉,景宗森.規(guī)范化與長期應(yīng)用抗生素預(yù)防術(shù)后傷口感染的效果對比.中華醫(yī)院感染學(xué)雜志,2003,13(1): 57–59.

4杜建強(qiáng),聶斌.數(shù)據(jù)挖掘在中醫(yī)藥領(lǐng)域應(yīng)用研究進(jìn)展.中國中醫(yī)藥信息雜,2013,20(6):109–112.

5肖偉平,何宏.基于遺傳算法的數(shù)據(jù)挖掘方法及應(yīng)用.湖南科技大學(xué)學(xué)報,2009,24(3):82–86.

6於時才,梁治鋼.基于免疫遺傳算法的移動機(jī)器人路徑規(guī)劃.微計算機(jī)信息,2008,24(2):264–266.

7 Jiao LC, Wang L. A novel genetic algorithm based on immunity. IEEE Trans. on System, Man and Cybernetics-Part A: Systems and Humans, 2000, 30(5): 552–561.

8蘇婭,劉杰,黃亞樓.在線醫(yī)療文本中的實(shí)體識別研究.北京大學(xué)學(xué)報(自然科學(xué)版),2016,52(1):1–9.

9譚文明,甘琴,龔世菊,賴小紅,覃海坤.三甲醫(yī)院處方點(diǎn)評軟件系統(tǒng)的開發(fā)和應(yīng)用.北方藥學(xué),2015,(2):142–144.

10翟曉波,何志高,方芳,鮑思蔚,徐婷,文傳民. “圍手術(shù)期抗菌藥物監(jiān)控系統(tǒng)”的臨床應(yīng)用.藥學(xué)與臨床,2012,10: 1458–1460.

Data Mining of Antimicrobial Drug Based on Immune Genetic Algorithm

WANG Yi-Min, LIANG Zhi-Gang

(Networks Center, Gansu Provincial Hospital, Lanzhou 730000, China)

In this paper, we study data mining of the antimicrobial drug based on immune genetic algorithm. The accuracy of traditional approach for data mining is poor. The immune genetic algorithm technology, which is applied to the data mining of antimicrobial drug can improve the accuracy and timeliness of data mining. Data mining provides a new idea for the effective analysis of the relationship between the disease and its occurrence regularities, which helps better curing the disease and improving the treatment effect. By immune genetic algorithm, it analyzes and mines antibacterialdrug data in HIS, and obtains the rules and trends of potential, which gradually establishes the diagnosis knowledge database of antibacterial drug. According to the doctor’s order data of HIS system and autonomous learning and updatding the knowledge database, the approach provides a reasonable assistant decision for doctors to treat patients.

immune genetic algorithm; antibacterial drug; knowledge database; data mining

甘肅省青年科技基金(2014GS03498)

2016-06-20;

2016-08-08

[10.15888/j.cnki.csa.005657]