基于邏輯回歸關聯(lián)規(guī)則的疾病預警模型.pdf

1、醫(yī)學數(shù)據(jù)挖掘的意義在于:通過現(xiàn)有病人數(shù)據(jù)信息的分析挖掘與整理，建立模型，對一些疾病的發(fā)生發(fā)展作出預測，從而在疾病出現(xiàn)危險因素時對其進行預防工作，更好的防止病情惡化或是挽救病人的生命。提高診療時效和醫(yī)院服務患者的水平。
　　文章以山東省某醫(yī)院所有住院患者真實病例數(shù)據(jù)為依據(jù)，以患者是否發(fā)生深靜脈血栓疾病為研究對象進行實證分析，建立模型。進而對未來的患者進行實時監(jiān)控，預測其發(fā)病概率，縮小高?？梢扇巳悍秶卺t(yī)院對該類患者作出特殊對待。

2、
　　進行該實證分析的意義，一方面是深靜脈血栓形成對人體危害較大，可能危及生命，而且通過預防是可以有效控制其發(fā)生的。另一方面它代表的是一類問題，疾病預警模型研究，它是一個探索性的工作，可以為其他疾病的建模提供依據(jù)和經(jīng)驗。
　　數(shù)據(jù)是由患者具有的特征癥狀及其是否發(fā)生深靜脈血栓等字段信息組成。取自八個月的住院患者數(shù)據(jù)，共69779條記錄，108例患者發(fā)病。提取了患者病歷的65個特征字段作為預測變量。預測患者發(fā)生深靜脈血栓的可能性

3、。
　　該研究屬于二分類數(shù)據(jù)建模問題。建模工具眾多，有的只能給出分類結果;有的則可以給出一個評分機制，這樣的結果信息量更大，更具有實用價值。所以本次模型開發(fā)過程中以神經(jīng)網(wǎng)絡、支持向量機、Logistic回歸為主要建模工具，他們均能給出相應的預測評分機制。Logistic回歸模型在建立過程中，采用了逐步回歸法并結合醫(yī)學結論綜合判斷進行變量的選擇。此外，考慮到了變量間的交互效應可能對結果也會有影響，所以文中借助關聯(lián)規(guī)則進行交互效應的篩

4、選和構造并且作為待選變量加入到模型中。神經(jīng)網(wǎng)絡采用的BP三層感知器模型，支持向量機采用的是支持向量ε-回歸機模型。
　　對于建模樣本采取了兩種選擇方法，一種是以前四個月數(shù)據(jù)（大樣本）作為建模樣本。另一種是將前四個月數(shù)據(jù)中的沒有得深靜脈血栓患者案例隨機去掉一部分（小樣本），以提高樣本中發(fā)病案例的比例，建立模型。檢驗樣本均為后四個月的數(shù)據(jù)。在多數(shù)情況下，大樣本模型在樣本外的預測能力略優(yōu)于小樣本。
　　這三種模型，從樣本外預測能力