臨床醫學中數據挖掘技能的應用范文
本站小編為你精心準備了臨床醫學中數據挖掘技能的應用參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。
1數據挖掘中常用的工具分析
作為人工智能同數據庫技術結合下的產物，數據挖掘技術的很多方法都來源于機器的學習，所以模式識別，機器學習以及人工智能領域常規的技術例如決策樹、聚類分析、統計分析等方法在改進后都能用于挖掘數據。對醫學數據庫的數據挖掘，最重要的是對疾病的分類以及疾病預測。現階段床用的挖掘工具有幾下幾種：
1.1以統計分析為基礎的數據挖掘法數據挖掘技術里非常多的實用工具都是以統計分析作為基礎構造而成的，作為一門比較成熟的分析數據的技術，統計技術在很多挖掘數據的工具中得到了充分的應用。
1.2人工神經網絡法作為計算領域的重要技術，人工的神經元網絡技術能根據管理模式或者非管理模式進行學習和研究，管理模式中的神經網絡要預測現有的示例可能造成的結果，并將預測到的結果同目標答案比較；非管理模式學習法對數據的描述很有效卻可以預測結果，而非管理模式里的神經網絡創建了自己的合法性驗證及操作、類描述，無關于數據模式，神經網絡需要經歷相當的時間，同時由于它們像黑盒一樣的行為會不能滿足信息分析員的要求。
1.3決策規則法與決策樹決策規則法與決策樹就是一種解決在實際應用中的分類問題的方法，簡單的說，分類是使數據反映到一個事先定義好的類中的函數過程，以一組輸入屬性值的向量或者相應類，歸納學習算法，然后得出分類。學習的目標就是要構建分類模型，根據屬性輸入值來預測實體的類。換言之，分類就是將一不連續標識值分到一個未標識的記錄中的過程，分類規則由于較直觀，因而易容于讓人接受，許多實施的決策樹在機器獲取領域中得到了有效算法。
1.4進化的計算法這是模仿了生物進化的一種計算方法的總稱，包括遺傳編程、進化規劃、進化策略及遺傳算法，它們一般具有下列特點；進化計算在函數的適度約束下進行智能搜索，在目標函數的驅動下優勝劣汰，通過數次迭代逐步接近目標，因為進化計算大都采用變異、雜交等的操作以擴大搜索的范圍，所以其能接近全局的最優解，且具有框架式結構。一般在完成編碼及適應度函數選擇后，下面的遺傳、雜交及變異等操作都能自動完成。
2.1疾病診斷疾病診斷的準確性對于病人合理用藥指導以及康復指導非常重要。在臨床醫學上，疾病類型多種多樣、致病原因錯綜復雜，通過數據挖掘技術的應用，能夠更好的進行臨床診斷。在疾病診斷方面，模糊邏輯分析法、人工神經網絡、粗糙集理論等工具非常有效。我國學者通過人工神經網絡分析法用于類風濕的臨床診斷，臨床診斷準確性大大提高。國外學者也通過人工神經網絡分析法用于實體性肺結節的臨床診斷，準確率高達百分之百。在心血管疾病診斷中，應用模糊邏輯開發以及粗糙集理論，臨床準確準確率高達93.5%。
2.2分析疾病相關因素在醫院信息庫中，含有大量的患者個人資料以及病情信息，包括患者的性別、年齡、生活情況等多方面資料，通過對數據庫中相關信息的綜合研究與分析，可以得出有指導性意義的模式以及關系。疾病的發病原因、相關性危險因素分析，能夠有效指導此類疾病的預防。比如說，國外研究人員運用數據挖掘技術成功分析了導致產科早產的三個危險性因素。
2.3疾病預測分析通過數據挖掘技術運用，能夠確定疾病的未來發展方向，結合患者的病史、臨床癥狀，分析、預測疾病的發展，從而有的方式的進行疾病預防。比如說，運用粗糙集分析方法，可以有預測疾病的發生。現階段，通過粗糙集理論預測疾早產準確率高達70%-90%，而人工預測準確性僅為16%-35%。
2.4在臨床影像學中的應用隨著醫學的不斷進步以及影像學的發展，在臨床醫學中，影像圖像被越來越多的應用到臨床疾病診斷中去。PET、MRI、CT等就是常用的疾病診斷工具。隨著數據挖掘技術的發展與應用，其在醫學圖像中逐漸應用，并發揮越來越重要的價值。西方學者通過數據挖掘機是成功對SPECT心肌圖像進行了臨床診斷分類。
作者：董亞群單位：吉林師范大學計算機學院
