數(shù)據(jù)挖掘在中文病歷中的應(yīng)用.pdf

1、數(shù)據(jù)挖掘也被稱為知識發(fā)現(xiàn)，她是指在一些事實或觀察數(shù)據(jù)的集合中尋找隱藏模式的決策支持過程。文本數(shù)據(jù)庫分類是數(shù)據(jù)挖掘中的一個重要內(nèi)容。電子病歷也是一類文本數(shù)據(jù)集。對這些數(shù)據(jù)集進行數(shù)據(jù)挖掘及分類是非常有必要的。本研究中，我們研究了一種新的基于短語匹配的特征提取算法。并把這種算法應(yīng)用到中文真實病歷的分類中，取得較好的分類效果。具體處理過程是，首先采集了醫(yī)院內(nèi)科真實中文病歷200份。然后進行數(shù)據(jù)清洗過程，因為數(shù)據(jù)是來源于醫(yī)院的真實數(shù)據(jù)，所以存在著

2、不完整的、含有噪聲的和不一致的數(shù)據(jù)。之后對數(shù)據(jù)進行量化工作，特征提取，在我們的實驗中采用的是一種新的特征提取方法即基于短語的特征提取方法；我們將這200份含有4種病種的病歷進行3種組合，然后通過算法將他們分別進行分類。其中所用到的短語匹配算法可以歸納為如下的步驟： 1)獲得數(shù)據(jù)庫中每對文檔的匹配短語集合。 2)創(chuàng)建一個包括步驟1所有集合的集合。去除這個集合中的匹配短語。 3)把每個文檔表示為一個向量，并歸一化。

3、 4)用SOM創(chuàng)建一個對應(yīng)于這個向量集合的分類器。 5)可視化分類結(jié)果，找出和每一類相關(guān)的特征短語。 真實病歷數(shù)據(jù)實驗表明，這種新的方法能夠以很高的準確度對真實病歷進行分類。這種算法能自動從病歷數(shù)據(jù)集中提取出主要的特征，對病歷進行分類能很好地幫助醫(yī)務(wù)工作人員診斷疾病，并且總結(jié)出不同病種間有哪些以前從未發(fā)現(xiàn)的不同的表現(xiàn)特征。盡管在我們的實驗中所用到的數(shù)據(jù)集是醫(yī)院的病歷，但是這里提出的分類方法如果應(yīng)用到其它類型的文本數(shù)