摘 要：高血壓是引起冠心病、中風(fēng)、心力衰竭等疾病的重要風(fēng)險(xiǎn)因素，并已成為影響人類健康的重要疾病，對患者進(jìn)行藥物治療是控制血壓的常見手段。本文通過對高血壓患者的服藥情況及血壓值進(jìn)行分析，建立兩者之間的（β，beta）分布評價(jià)模型，利用遺傳算法對該模型進(jìn)行優(yōu)化。通過與線性擬合相比較，表明該模型能很好地預(yù)見患者的血壓情況。

關(guān)鍵詞：高血壓；β分布；遺傳算法；交叉驗(yàn)證

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A

1 引言（Introduction）

心腦血管疾病是全球威脅人類健康的重大疾病，其發(fā)病和死因一半以上與高血壓有關(guān)，同時(shí)居民腦卒中和冠心病發(fā)病最重要的危險(xiǎn)因素也是高血壓，所以控制高血壓是防治心腦血管病、腦卒中和冠心病的關(guān)鍵?！吨袊哐獕悍乐沃改稀分赋觯颊哂行У乜刂蒲獕嚎梢詼p少心腦血管及其他并發(fā)癥的發(fā)生，從而提高生存質(zhì)量。醫(yī)學(xué)研究表明：對高血壓進(jìn)行早期預(yù)防和早期穩(wěn)定的治療及健康的生活方式，可使75%的高血壓及并發(fā)癥得到預(yù)防和控制。Wilbert S.Aronow[1]對治療老年人高血壓情況進(jìn)行研究，發(fā)現(xiàn)抗高血壓藥物治療能有效降低心血管、腦卒中死亡率；Huan M.Nguyen、Karlene Ma[4]等人在研究治療成人嚴(yán)重高血壓中發(fā)現(xiàn)，氯維地平能有效控制術(shù)期的血壓，且副作用很小。目前高血壓病人的知曉率、控制率和治療率一直處于較低的水平，本文從提高高血壓患者的控制率方面，構(gòu)建高血壓藥物療效評價(jià)模型，發(fā)現(xiàn)持續(xù)用藥與血壓的關(guān)系，為醫(yī)生開藥、病人持續(xù)用藥提供指導(dǎo)，增強(qiáng)病人的可持續(xù)用藥程度，從而提高患者的控制率和治療率，提高患者的生活水平。

2 高血壓水平定義（Definition of hypertension）

對高血壓的定義，國內(nèi)外的標(biāo)準(zhǔn)稍有不同，本文的研究采用文獻(xiàn)[3]中對高血壓水平的定義，即在不使用降壓藥物的情況下，非同日3次測量，收縮壓SBP≥140mmHg和（或）舒張壓DBP≥90mmHg；患者有既往高血壓史，而目前正在使用降壓藥物的，即使當(dāng)前的血壓值低于140/90mmHg，也判定為患有高血壓。如果收縮壓SBP≥140mmHg，舒張壓DBP<90mmHg可以判定為單純的收縮期高血壓。收縮壓升高比舒張壓升高給人帶來的影響更大，因此本文主要是研究收縮壓與用藥時(shí)間的關(guān)系，其值與相應(yīng)關(guān)系的描述如表1所示。

5 基于遺傳算法的參數(shù)優(yōu)化設(shè)計(jì)（Parameter

optimization design based on genetic algorithm）

5.1 遺傳算法

對于復(fù)雜問題或缺乏先驗(yàn)知識的問題，傳統(tǒng)的基于專家經(jīng)驗(yàn)的建模方法難以實(shí)現(xiàn)，而遺傳算法具有很強(qiáng)的全局搜索能力，因此，本文提出了將遺傳算法用于模糊建模。遺傳算法有其強(qiáng)大的全局搜索能力，能夠同時(shí)處理群體中的多個(gè)個(gè)體，也即對搜索空間中的多個(gè)解進(jìn)行評估，減少了陷入局部最優(yōu)解的風(fēng)險(xiǎn)，遺傳算法利用進(jìn)化過程獲得的信息自行組織搜索時(shí)，適應(yīng)度大的個(gè)體具有較高的生存概率，并獲得更適應(yīng)環(huán)境的基因結(jié)構(gòu)。本文主要通過遺傳算法對上述模型進(jìn)行參數(shù)優(yōu)化，找出問題的最優(yōu)解，確定最佳模型。

5.2 參數(shù)評估

本文所提出的參數(shù)優(yōu)化算法的思想是將模型參數(shù)作為優(yōu)化對象，通過遺傳算法迭代并使用適應(yīng)值評價(jià)函數(shù)對求解性能進(jìn)行評價(jià)，通過交叉、變異不斷進(jìn)行解的優(yōu)化。

評價(jià)最終模型的標(biāo)準(zhǔn)，通常根據(jù)預(yù)測數(shù)據(jù)與原始數(shù)據(jù)之間的誤差來判斷。均方根誤差又叫標(biāo)準(zhǔn)誤差，它是觀測值與真值偏差的平方和觀測次數(shù)n比值的平方根。在實(shí)驗(yàn)中，觀測次數(shù)n總是有限的，真值只能用最佳值來代替，標(biāo)準(zhǔn)誤差對一組觀測中的特大或特小誤差反應(yīng)非常敏感，所以，標(biāo)準(zhǔn)誤差能很好地反映出測量的準(zhǔn)確度。因此，本實(shí)驗(yàn)選擇則標(biāo)準(zhǔn)誤差最為評估標(biāo)準(zhǔn)，其計(jì)算公式如式（7）所示：

（7）

6 實(shí)驗(yàn)結(jié)果與分析（Experimental results and

analysis）

為驗(yàn)證本文提出的參數(shù)優(yōu)化算法的有效性，在MATLAB7.0平臺下進(jìn)行算法實(shí)現(xiàn)，利用遺傳算法求解該問題的最優(yōu)參數(shù)，通過交叉驗(yàn)證比較在不同參數(shù)下遺傳算法的性能，并與在線性擬合條件下對參數(shù)的求解性能進(jìn)行比較。

6.1 參數(shù)優(yōu)化算法仿真

在對本文提出的參數(shù)優(yōu)化算法的仿真過程中，參數(shù)a1、b1、a2、b2、a3、b3為優(yōu)化的對象，其參數(shù)初始種群范圍如表2所示。算法的最大迭代次數(shù)，設(shè)為100。

根據(jù)山西省某醫(yī)院提供的高血壓數(shù)據(jù)，經(jīng)過數(shù)據(jù)清洗、整理得到部分的數(shù)據(jù)用于本實(shí)驗(yàn)。將數(shù)據(jù)分成10組，采用交叉驗(yàn)證的方法，經(jīng)過反復(fù)的訓(xùn)練、測試。對得到不同參數(shù)下的模型，計(jì)算其均方誤差，從而確定最終的評價(jià)模型。參數(shù)優(yōu)化過程中，部分組所得到的平均誤差及準(zhǔn)確率如表3所示。

表3列出了不同的模型對應(yīng)的平均誤差值，通過比較我們發(fā)現(xiàn)第9組所確定的模型所得到的誤差值最小，準(zhǔn)確度最高；同樣將數(shù)據(jù)進(jìn)行線性擬合，其平均誤差為5.7447，準(zhǔn)確率為77.9%。因此我們將第9組對應(yīng)的模型作為我們的最佳評價(jià)模型，相應(yīng)的模型圖2所示。

6.2 結(jié)果分析說明

由圖2的描述可以看出，總體來講，患者用藥一段時(shí)間后能夠顯著降低血壓水平，但對于中度高血壓患者來說，可能由于初期藥物的不合理性或者患者體質(zhì)的影響等因素，會導(dǎo)致血壓的暫時(shí)升高，這部分患者在藥物選擇過程中還有待進(jìn)一步研究。對于大部分高血壓患者來說，如果堅(jiān)持服藥，能使血壓維持在較低的水平，從而為高血壓患者堅(jiān)持用藥提供了理論依據(jù)。

7 結(jié)論（Conclusion）

通過對持續(xù)吃藥時(shí)間和血壓值的研究，建立二者之間的評價(jià)模型。本文的研究工作從一定程度上能夠增強(qiáng)病人的可持續(xù)用藥程度，從而提高高血壓疾病的治療效果，提升患者及其家人的幸福感?？梢钥紤]將本文的研究方法用于其他疾病的研究。

參考文獻(xiàn)（References）

[1] Wilbert S.Aronow.Treating hypertension and prehypertension in older people：When，whom and how[J].Maturitas，2015，80（1）：31-36.

[2] Thusitha Mabotuwana，Jim Warren.ChronoMedIt——A computational quality audit framework for better management of patients with chronic conditions[J]. Journal of Biomedical Informatics，2010，43（1）：144-158.

[3] 劉力生，王文，姚崇華.中國高血壓防治指南（2010年基層版）[J].中華高血壓雜志，2011，18（1）：11-18.

[4] Huan M.Nguyen，et al.Clevidipine for the Treatment of Severe Hyper-tension in Adults[J].Clinical Therape-utics，2010，32（1）：11-23.

[5] Tak-chung Fu.A review on time series data mining[J].Engineering Applications of Artificial Intelligence，2011，

24（1）：164-181.

[6] Michel Burnier，et al.Measuring，Analyzing，and Managing Drug Adherence in Resistant Hypertension[J].Hypertension，

2013，62：218-225.

[7] M.Akhil jabbar，B.L Deekshatulua，Priti Chandra.Classification of Heart Disease Using K-Nearest Neighbor and Genetic Algorithm[J].Procedia Technology，2013，10：85-94.

作者簡介：

曹小鳳（1989-），女，碩士，助教.研究領(lǐng)域：人工智能，數(shù)據(jù)挖掘.