关联分析在冠心病诊疗数据中的应用研究

论文摘要

随着医院信息化建设的普及和深入,国内几乎所有大中型医院和众多小型医院都已建立了医院信息系统,并已运行多年,存储有大量业务数据。传统的数据库技术对这些数据的查询和统计支持较好,但对这些数据向临床知识的转化支持较弱,限制了医院业务数据的深层次利用。如何从这些海量数据中提取有价值的知识为临床研究服务,是当前医学信息工作者亟待解决的难题之一。数据挖掘是一种从数据库中抽取和识别出有效的、新颖的、可理解的、事先不为人知的但又潜在有用的模式或知识的过程或技术,关联分析是数据挖掘的重要技术之一,侧重于大量数据中项集之间的关联关系的发现和关联规则的生成。因此,数据挖掘,特别是关联分析在临床业务数据的深层次分析利用中应该很有前景,但国内这方面的研究多停留在理论层面,所见报道以综述为多,实际应用案例很少。本课题将病人住院过程映射为事务(购物篮),将诊断和手术项目映射为项集(篮子数据),建立了从医院业务数据中挖掘诊疗规则的关联分析模型;将所建立的模型实际应用于国内某大型综合教学医院信息系统中冠心病病人业务数据的挖掘,得到了有关冠心病诊断和手术的关联规则;对关联规则的正确性、新颖性进行了评价;对数据挖掘应用过程中遇到的几个问题进行了讨论与总结。

论文目录

• 中文摘要
• 英文摘要
• 第一章 引言
• 1.1 研究背景
• 1.2 国内外研究现状
• 1.3 研究意义
• 1.4 研究内容
• 第二章 数据挖掘与关联规则挖掘技术
• 2.1 数据挖掘技术
• 2.1.1 数据挖掘的概念
• 2.1.1.1 数据
• 2.1.1.2 数据库
• 2.1.1.3 模式
• 2.1.1.4 新颖的
• 2.1.1.5 可理解的
• 2.1.2 数据挖掘的主要任务
• 2.1.2.1 关联规则
• 2.1.2.2 分类与预测
• 2.1.2.3 聚类分析
• 2.1.2.4 孤立点分析
• 2.1.2.5 复杂类型数据的挖掘
• 2.1.3 数据挖掘的常用技术
• 2.1.3.1 决策树
• 2.1.3.2 人工神经网络
• 2.1.3.3 模糊系统
• 2.1.3.4 进化计算
• 2.1.3.5 粗糙集理论
• 2.1.4 数据挖掘的流程
• 2.2 关联规则挖掘技术
• 2.2.1 关联规则挖掘技术的产生
• 2.2.2 关联规则的概念
• 2.2.3 关联规则挖掘的过程
• 2.2.4 关联规则挖掘的常用算法
• 2.2.4.1 AIS算法
• 2.2.4.2 Apriori算法
• 2.2.4.3 FP-growth算法
• 第三章 关联分析在冠心病中的应用
• 3.1 数据来源
• 3.2 数据预处理
• 3.2.1 删除空属性
• 3.2.2 删除空缺属性
• 3.2.3 删除无关属性
• 3.2.4 属性变换
• 3.2.5 新增属性
• 3.2.6 建立新表
• 3.3 数据挖掘
• 3.3.1 建立数据挖掘结构
• 3.3.1.1 “诊断与诊断”挖掘结构
• 3.3.1.2 “诊断与手术”挖掘结构
• 3.3.2 关联规则挖掘
• 3.3.3 挖掘结果
• 第四章 结果与分析
• 第五章 讨论与总结
• 5.1 关联规则评估
• 5.2 数据预处理
• 5.3 不足与展望
• 参考文献
• 附录
• 数据挖掘及其在医学领域的应用综述
• 致谢
• 攻读学位期间主要的研究成果