检索结果-内蒙古大学图书馆

中国高新科技 2025年第6期 52-54页

作者：魏星葛庆伟天津市医学科学技术信息研究所天津300070 天津市胸科医院信息科天津300222

人工智能技术在医疗数据挖掘中的应用越来越广泛。文章分析了医疗数据挖掘的基本理论,对数据挖掘的主要流程,包括数据采集、预处理、存储与管理、分析与挖掘以及结果解释与评估进行阐述,并重点介绍人工智能算法,如机器学习、深度学习和... 详细信息

人工智能技术在医疗数据挖掘中的应用越来越广泛。文章分析了医疗数据挖掘的基本理论,对数据挖掘的主要流程,包括数据采集、预处理、存储与管理、分析与挖掘以及结果解释与评估进行阐述,并重点介绍人工智能算法,如机器学习、深度学习和自然语言处理技术在医疗数据挖掘中的应用途径。对未来发展趋势进行展望,旨在为推动人工智能技术在医疗数据挖掘中的广泛化应用提供全面化技术参考。

关键词：人工智能医疗数据挖掘机器学习深度学习自然语言处理

来源：评论

学校读者我要写书评

暂无评论

医疗数据挖掘在疾病早期预警中的关键技术研究

医疗数据挖掘在疾病早期预警中的关键技术研究

引用

作者：毛毅西安电子科技大学

学位级别：博士

随着医院信息系统(HospitalInformationSystem,HIS)的发展，临床数据库已经积累了大量的关于患者的医疗诊断的信息。如何发掘数据背后的关系模式，以提供新的医学知识，为患者提供更为个人的，及时的预警和治疗得到了越来越多的关注。... 详细信息

随着医院信息系统(HospitalInformationSystem,HIS)的发展，临床数据库已经积累了大量的关于患者的医疗诊断的信息。如何发掘数据背后的关系模式，以提供新的医学知识，为患者提供更为个人的，及时的预警和治疗得到了越来越多的关注。因此，需要开发和应用新的医疗数据挖掘方法来发现这些隐藏的知识。\n 本文针对医学数据挖掘的一些关键点进行了研究，尤其是在疾病早期预警方面。早期预警系统的目标是确定临床恶化的迹象，并提供严重临床事件预警。由于医疗数据往往在高维空间里，充分描述数据所需的空间规模是指数级增长的，计算量可以大到不切实际而且数据点很稀疏无法建模。为了解决这些问题，我们提出了核密度逻辑回归混合模型，监督度量学习等算法对医疗数据进行处理。最后，我们搭建了一个双层预警系统：该系统的第一层从现有的临床电子病历数据库中自动识别有恶化风险的患者。第二层通过无线传感器采集高危患者的实时生命体征数据并进行危险筛查。我们采用数据挖掘技术这两个层面上分析数据，给予病人的实时分析结果。论文的主要工作及贡献如下：\n 1.提出了一种基于密度的逻辑回归（DLR）分类模型以解决临床数据挖掘算法中的逻辑回归中非线性分类的问题。其主要思想是根据Nadarays-Watson密度估计将训练数据映射到特定的特征空间，然后组建优化模型优化特征权重以及Nadarays-Watson密度估计算法的宽度。其主要优点在于：它不仅优于标准的逻辑回归，而且优于基于RBF内核的核逻辑回归（KLR）。特别是与核逻辑回归分析（KLR）和支持向量机（SVM）相比，该方法不仅达到更好的分类精度，而且有更好的时间效率。该方法的另一个显著优点是，它可以很自然地扩展到数值类型和分类型混合的数据集中。除此之外，该方法在医疗数据挖掘中有模型可解释的优点，这恰恰是其它算法，如核逻辑回归分析（KLR）和支持向量机（SVM）所不具备的。\n 2.提出了一种监督度量学习算法–基于内核密度的度量学习算法（KernelDensityMetricLearning(KDML)）以解决临床数据挖掘中数据特征过多引起的模型过拟合问题。该算法通用性强，可以提供非线性的，基于概率的距离量度。通过基于内核概率密度估计，KDML构建了一个从原始空间至目标特征空间的直接非线性映射。KDML内部嵌入的非线性映射能够解决线性度量学习在数据集上分类错误的问题。同时，该算法解决了当特征分布不均时，欧几里得距离在原始空间上的量度导致k近邻分类失效的问题。除此之外，算法可以实现与现有的度量学习算法结合。我们同时提出了一种综合的优化算法，来优化马氏矩阵和非线性映射中的超参数。通过在数据集上的实验证明KDML能够显著提高现有度量算法在k近邻分类中的分类精度。\n 3.提出了一种新的监督学习算法-快速通量判别算法（FastFluxDiscriminant，FFD），来解决大尺度非线性分类问题。算法提出了一个新的子模优化框架，通过分解整个特征空间的核密度估计函数，将原始高维数据转化至低维子空间。子空间的特征将被转换，并在新的特征空间进行线性建模。与其他基于核算法非线性模型不同，由于原始空间的权重系数可知，FFD模型具有可解释性的优点，同时通过降维，使得算法的训练和测试时间大大缩短。在实际数据集上的实验结果证明，该模型在保持高精度的分类结果的基础上，具有稀疏性，可解释性和多尺度性等优点。\n 4.提出了一个应用在病房中的早期预警系统（EarlyWarningSystem），为临床病人提供早期预警，从而在病人病情进一步恶化之前为医生提供早期介入的机会。通过引入Bucketing技术来捕捉病人重要体征的变化，并填补病人缺失的数据，使得数据可以应用在实际的模型中。同时，我们结合逻辑回归，BiasedBucketBagging（解决过拟合为题），探索性下采样（解决类间不均衡问题）等算法完成系统。此外，在实时预测系统中，我们引入通过指数移动平均平滑初级预测结果，来较少数据波动对模型输出的影响。\n 5.设计了无线医疗监控系统-临床监测无线传感器网络，能够获得病人的实时医疗数据时间序列。该系统针对无线传感器网络在普通病房布置运用的可能性进行了深入的临床实验。基于802.15.4的无线Mesh网络，TelosB硬件平台，针对病人流动性大，医疗无线传感器网络拓扑结构多变性的特点，通过引入动态中继协议（DRAP），收集树协议（CTP）来解决节点数据传输和能量限制的问题。在医院病房中的实验证明，系统提供了足够的时间分辨率以支持临床突发事件的监测，实现了利用无线传感器网络持续对病人监护的预期目标。在此基础上，我们提出了一种针对一般的病情恶化的综合数据挖掘算法。通过提取一阶，二阶时间序列特征，去趋势波动分析（Detre

关键词：医疗数据挖掘预警系统非线性映射逻辑回归核密度估计度量学习

来源：评论

学校读者我要写书评

暂无评论

基于粗糙集的医疗数据挖掘研究与应用

引用

计算机工程与应用 2010年第21期46卷 232-234页

作者：叶明全伍长荣胡学钢皖南医学院计算机教研室安徽芜湖241002 安徽师范大学数学计算机学院安徽芜湖241002 合肥工业大学计算机与信息学院合肥230009

医疗数据挖掘能够对现有病历数据库中数据进行自动分析并且提供有价值的医学知识。针对临床病历数据库中存在大量重复样本和冗余属性,从而影响医疗诊断的精度和速度这一问题,建立了基于信息论的粗糙集理论模型和SQL语言之间的关系,提出... 详细信息

医疗数据挖掘能够对现有病历数据库中数据进行自动分析并且提供有价值的医学知识。针对临床病历数据库中存在大量重复样本和冗余属性,从而影响医疗诊断的精度和速度这一问题,建立了基于信息论的粗糙集理论模型和SQL语言之间的关系,提出了基于SQL语言的条件信息熵属性约简算法,利用数据库查询语言实现了数据清洗、求核和属性约简等过程。实验结果表明该算法实现简单,运行效率高,为粗糙集理论更广泛地应用于具体的医疗数据挖掘提供了一种方法。

关键词：粗糙集属性约简条件信息熵结构化查询语言(SQL) 医疗数据挖掘

来源：评论

学校读者我要写书评

暂无评论

脑卒中医疗数据挖掘关键技术研究

脑卒中医疗数据挖掘关键技术研究

引用

作者：张硕郑州大学

学位级别：博士

脑卒中是一种高发病率、高死亡率、高致残率的急性脑血管疾病,严重影响患者生存质量,同时给社会和家庭带来沉重的经济负担。随着医疗信息化水平的提高,数据挖掘等技术广泛应用于临床医学。面向医疗数据从中提取信息并将其有效表示,依据... 详细信息

脑卒中是一种高发病率、高死亡率、高致残率的急性脑血管疾病,严重影响患者生存质量,同时给社会和家庭带来沉重的经济负担。随着医疗信息化水平的提高,数据挖掘等技术广泛应用于临床医学。面向医疗数据从中提取信息并将其有效表示,依据临床需求构建场景化模型,是医疗数据挖掘研究的关键,具有重要的研究意义和实践价值。脑卒中医疗数据挖掘,指的是通过对医疗数据进行挖掘分析,实现患者医疗数据的科学表征,从而为脑卒中诊疗提供医疗决策支撑。而医疗数据的异质性、时序性、冗余性及多态性等特性为数据挖掘带来了挑战,本文围绕脑卒中重要临床场景,对医疗数据挖掘中使用到的关键技术进行了研究,具体研究工作如下: (1)针对医疗数据复杂多源、数据偏见等问题,提出基于数据优化的不良事件预测方法。首先,基于医学领域知识实现数据预处理操作,提出一种基于集合论的特征选择方法来实现特征筛选。其次,设计基于多角度数据分布的偏见系数加权最终特征集,并利用网格搜索优化后的XGBoost模型实现目标任务。最后,基于夏普利加权解释和部分依赖图直观解释模型结果的临床价值。实验结果表明,该方法同其他方法对比能够以较高精度进行脑卒中院内不良事件预测,并提供直观临床价值解释。 (2)针对时序信息挖掘、相关性表征等问题,提出基于相关性表征的死亡预测方法。首先,提出多任务特征重建模块用于构建蕴含类别属性的时序标准化数据。其次,基于双向长短期记忆网络学习数据内部的时序依赖关系,并提出相关性注意力机制挖掘不同特征类别之间的相关性。最后,参照脑卒中诊疗指南规范,以注意力分数解释分析死亡风险预测的临床价值。实验结果表明,该方法在脑卒中一年死亡风险预测任务上优于其他方法,并分析验证了相关性注意力机制的结果具有较好的临床价值。 (3)针对医疗数据多维度挖掘、冗余计算等问题,提出基于多维度特征融合的危险因素评估方法。首先,选取四类重要的危险因素做进一步研究,并基于患者基线数据的皮尔森矩阵,构建门控相关性图卷积神经网络用于学习特征间复杂的交互关系。其次,通过双向长短期记忆网络进一步叠加患者信息中的时序依赖,并提出门控相关性注意力机制实现时序相关性的捕捉。最后,基于医学领域知识验证不同特征和不同时间节点的死亡风险预测价值。实验结果表明,该方法同其他基线方法相比有效提高患者死亡风险预测性能,并可以获得较好的死亡危险因素评估效果。 (4)针对医疗数据标注成本高、因果表征等问题,提出基于深度主动学习的病因分型方法。首先,基于特征重要度重构临床数据集,并在主动学习循环中,设计多角度融合因果卷积神经网络表征特征因果关系。其次,提出混合不确定度筛选标准自动增补优质数据参与迭代,降低医疗数据标注成本。最后,针对数据不平衡问题,设计KL-Focal Loss作为损失函数并防止主动学习循环中模型过度拟合。实验结果表明,该方法通过因果机制模拟医生的医疗思维,探索疾病智能计算模型设计思路,并与其他方法相比能够实现较高的脑卒中病因分型性能。

关键词：医疗数据挖掘数据表征相关性主动学习偏见消除

来源：评论

学校读者我要写书评

暂无评论

面向ICU的医疗数据挖掘关键技术研究与应用

面向ICU的医疗数据挖掘关键技术研究与应用

引用

作者：史振坤吉林大学

学位级别：博士

医疗信息化的深入推进与医疗数据的剧增,导致“数据爆炸、信息稀缺”的问题日益凸显。如何将杂乱无章的数据变成有用的信息,就变得尤为迫切与关键。如果人工处理这些数据,不仅耗时耗力,而且处理质量也无法保证,基于医疗数据的复杂决策... 详细信息

医疗信息化的深入推进与医疗数据的剧增,导致“数据爆炸、信息稀缺”的问题日益凸显。如何将杂乱无章的数据变成有用的信息,就变得尤为迫切与关键。如果人工处理这些数据,不仅耗时耗力,而且处理质量也无法保证,基于医疗数据的复杂决策和精准医疗也就无从谈起。将医疗数据信息化,最好的办法就是对现有的医疗数据进行挖掘,将数据转化为知识,进而提供医疗决策支撑。本文从医疗健康电子档案入手,以重症监护室(ICU)数据为具体研究对象,围绕疾病诊断与病人死亡率评估这两个医疗应用场景,对医疗数据挖掘中使用到的关键技术进行了系统性的研究,具体研究工作如下:1.提出了一种多源多任务的疾病诊断方法。针对ICU数据,提出了一种基于注意力机制的通用疾病诊断方法。该方法可以使用统一的模型对ICU中所有的常见疾病进行诊断,并且可以获得较现有方法更高的诊断精度。由于前期对疾病进行诊断的工作主要集中在对单一疾病进行诊断上,所以针对不同的疾病需要单独开发不同的诊断模型。若应用于ICU中,就需要开发部署几十个这样的模型,不仅费时费力,模型的兼容性也是一个很大的问题。因此,本方法致力于构造一个统一的模型框架解决这一问题。考虑到病人基础生理特征的整体性,以及不同疾病之间的相互关系,该方法首先利用多种数据源来更精细的表征病人的身体状态,然后以病人的状态为出发点将每一种疾病诊断看作一个综合诊断的子任务,利用多数据源多任务的理论,集中对ICU中的常见病进行诊断。为了增强诊断精度,在技术上,该方法充分利用了主要疾病与并发症之间的相互依赖关系,以及疾病诊断过程中的时序关系。为了验证方法的有效性,本文在包含167884个病人的真实数据集对该模型进行了测试,实验结果表明,该方法同其他基线方法对比能够取得较高的准确率和召回率。2.提出了一种可解释的ICU病人死亡率预测方法。死亡率预测是ICU中的一项非常重要的工作,通常用来评估一个患者病情的严重程度。前期工作主要使用ICU评分系统来对死亡率进行评估,由于这些评分系统使用的生理特征较少,故评估精度普遍较低。最近一些研究开始采用深度学习方法对死亡率进行评估,评估效果较原有的评分系统有较大的提高,但是仍未解决深度学习模型带来的“黑盒问题”,模型的临床应用前景较弱。为了解决上述问题,本文提出了一种可解释的深度学习模型来预测ICU病人的死亡率。该模型考虑了病人生理特征的统一性和给药治疗的时序性,开发了一个统一的死亡率预测模型。该模型可以根据不同疾病的特点,分别调优参数。另外为了增强可解释性,该模型中添加了一个解释器,利用注意力机制和外部辅助信息来解释预测结果。本文在真实数据集上设计实验,评估所提出的框架模型,实验效果充分说明所提出的模型在兼具较高的死亡率预测性能的同时拥有较好的模型解释性。3.设计了一个集成多源、多任务学习的疾病诊断与死亡率预测模型。疾病诊断和死亡率评估是医疗实践中两项最基本的任务。为了尽最大可能挽救生命,ICU中需要快速的疾病诊断与病人死亡率评估。前期研究分别用不同方法对这两个问题进行建模,这样就将疾病诊断与病情严重程度评估这两个连续的医疗过程割裂开来,费时费力。为了缩短了诊断与评估时间,提高诊疗效率,同时降低开发不同模型所需要的成本,以便挽救更多生命。本文提出了一个集成的疾病诊断与死亡率评估模型,该模型首先通过多种数据源来精细表征病人不同时刻的生理状态,然后通过窗口对齐操作对不同数据源不同时刻的时滞问题进行处理,接着以该生理状态为出发点,利用循环神经网络机制对病人在ICU中的各种状态以时序的方式进行建模,最后通过共享向量空间,以多任务的方式对病人同时进行实时的疾病诊断与死亡率预测。另外,该模型通过设计局部损失函数,解决了样本不均衡的问题,提高了模型的预测精度。本文在真实数据集MIMICIII上构建了多组实验验证所提出模型的有效性,实验结果表明,该模型同其他基线方法相比能够实现较高的预测准确率。4.设计了一种针对医疗时序数据缺失值的动态插补方法。在前期对疾病诊断与死亡率评估进行建模的过程中,对医疗数据中缺失值的处理是一个不能回避的问题,缺失值的处理好坏直接影响预测模型的性能。为了提高模型的性能以及方便后续相关研究。本文提出了一种基于深度学习的通用动态缺失值插补方法,并将其端到端的集成到死亡率预测过程中。该方法首先利用医疗时序数据的时间信息,缺失值遮罩、时间间隔、突发性、累积缺失率等医疗数据的缺失特性进行插值初始化,然后使用带有衰减机制的门控循环单元对插补值进行优化与迭代更新,接着对插值进行综合评估,最后将评估后的填充值统一送往下游应用。该方法专门设计用来处理医疗多变量时序数据中缺失值问题,具有以下优点:1)可以不需要任何前提假设便可以对医疗时序数据中的缺失值进行插补;2)具有缺失值插补质量保证机制,插补精度高;3)可以端到端的集成到下游应用

关键词：疾病诊断死亡预测缺失值插补医疗数据挖掘电子健康记录多数据源多任务学习

来源：评论

学校读者我要写书评

暂无评论

基于距离度量学习的医疗数据挖掘研究与应用

基于距离度量学习的医疗数据挖掘研究与应用

引用

作者：倪壮北京邮电大学

学位级别：硕士

随着医疗可穿戴设备等智能科技设备地涌现和普及,医疗健康数据爆发性增长,人类不断重视自身的健康,从更智能化的角度关注自己的身体状况,却又不可避免被重大疾病所困扰。人工智能和大数据技术在医疗健康领域研究蓬勃发展,为海量健康数... 详细信息

随着医疗可穿戴设备等智能科技设备地涌现和普及,医疗健康数据爆发性增长,人类不断重视自身的健康,从更智能化的角度关注自己的身体状况,却又不可避免被重大疾病所困扰。人工智能和大数据技术在医疗健康领域研究蓬勃发展,为海量健康数据的充分使用提供了新的思路和方法,更为人类享受更好的医疗健康服务和免受疾病困扰提供无限可能。癌症、心血管疾病等不仅对人类身体带来伤害,更是给心理蒙上沉重的阴影,故借助数据挖掘技术进行疾病早期诊断预防是十分必要的。因此,本文将基于医疗健康体检数据,提出基于余弦度量和大边界近邻度量LMNN算法的局部簇距离度量学习COS-SUBLMNN算法,提高分类器精度,并构造疾病早期筛查和高危人群识别模型,融合患者的诊断反馈,最终实现疾病诊断系统的设计。论文主要研究距离度量学习算法、癌症早期筛查模型、模型优化评估和疾病风险诊断系统。首先,融合余弦度量和LMNN提出能够改善分类器性能的COS-SUBLMNN算法。接着提出适用于医疗健康体检数据的预处理和特征选择方案。然后,以癌症早期筛查为应用场景,LMNN建立模型,并与传统数据挖掘算法对比,选择合适评价指标验证距离度量学习算法的优势性。最后,本文以COS-SUBLMNN距离度量学习算法为核心,根据模型效果反馈不断优化算法性能,最终实现疾病风险诊断系统,并以癌症和心血管疾病加以验证。论文设计并完成了基于距离度量学习算法的疾病风险诊断系统和验证了改进算法COS-SUBLMNN性能的优势性。验证了包含距离度量思想的支持向量机和距离度量学习算法LMNN对癌症的预测比RF和ANN表现更好。与KNN和LMNN算法对比,本文提出的COS-SUBLMNN算法在癌症和心血管疾病诊断中效果更好,实现了利用距离度量学习算法对重大疾病诊断和患病高危人群识别的目的。本文研究成果在医疗健康数据挖掘领域具有现实意义。

关键词：距离度量学习体检数据预处理医疗数据挖掘疾病诊断

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的医疗数据挖掘及应用研究

基于深度学习的医疗数据挖掘及应用研究

引用

作者：胡飘北京邮电大学

学位级别：硕士

医疗设备和技术的发展,将我们带入了医疗大数据的时代。这些医疗数据中所隐藏的信息,可以为疾病的预防、诊断和治疗提供帮助。使用传统的医疗技术从繁多复杂的数据中发现有价值且准确的信息是很困难的,因此需要发展现有的技术利用这些... 详细信息

医疗设备和技术的发展,将我们带入了医疗大数据的时代。这些医疗数据中所隐藏的信息,可以为疾病的预防、诊断和治疗提供帮助。使用传统的医疗技术从繁多复杂的数据中发现有价值且准确的信息是很困难的,因此需要发展现有的技术利用这些丰富的数据为人们解决疾病的困扰,目前深度学习技术为实现医学信息资源的有效利用提供了新的方法。因为癌症的治疗是一大难题,而筛查和诊断是预防癌症最为有效的手段,所以本文基于深度学习技术设计了癌症筛查和诊断的医疗数据挖掘方案,为癌症的预防提供科学依据。首先,本文利用体检数据经过人工神经网络的学习进行癌症筛查。因为癌症的检测需要很繁琐的步骤和很高的费用,所以以简化这一过程为目的,实现从体检数据中发现隐藏的信息,完成癌症筛查工作。通过模型ROC曲线分析,得到了癌症筛查模型的阳性率有所提高,证明了基于常规体检进行癌症筛查的可行性,实现了一种简易的癌症筛查方法。其次,本文根据获取的Wisconsin诊断乳腺癌数据集(乳腺癌细胞组织切片),将典型的卷积神经网络二维结构变成一维结构,以适应结构化的输入数据,实现了对乳腺癌的诊断。通过与其它算法性能的比较,得到本文设计的卷积神经网络有更好的准确率、特异性、敏感度,也获得了更好的ROC曲线图。并且验证了卷积神经网络不仅可以应用于图片识别领域,处理非结构化的数据,同时也可以处理结构化的医疗数据。本文基于深度学习技术完成了癌症筛查和诊断模型的研究,为癌症的早预防和早诊断提供了一定的参考依据。

关键词：医疗数据挖掘深度学习癌症筛查和诊断

来源：评论

学校读者我要写书评

暂无评论

基于weka的可视化医疗数据挖掘平台的设计与实现

基于weka的可视化医疗数据挖掘平台的设计与实现

引用

作者：刘斌湖南大学

学位级别：硕士

我国医疗信息化发展的现状仍与国际水平有很大的差距,医学术语标准化与应用现状、医院采购于不同厂商的HIS系统之间的信息孤岛、大量有价值却结构不统一的历史数据无法得到有效利用等一些问题阻碍着我国医疗信息化的发展。随着信息化水... 详细信息

我国医疗信息化发展的现状仍与国际水平有很大的差距,医学术语标准化与应用现状、医院采购于不同厂商的HIS系统之间的信息孤岛、大量有价值却结构不统一的历史数据无法得到有效利用等一些问题阻碍着我国医疗信息化的发展。随着信息化水平的提高及医疗历史数据的堆积对于医院领导决策的要求越来越高,从海量的数据中找出有价值的疾病诊断和预防规律也越来越难。随着数据分析挖掘以及可视化技术的日趋成熟,在各个领域都开始得到了广泛的应用,而在医疗数据挖掘领域方面的应用研究还非常少。本文的工作主要围绕将医院现有的结构化与非结构化数据进入数据仓库之后如何使用数据分析挖掘及可视化技术展开,将数据挖掘与可视化技术应用于医疗信息化当中。运用J2EE技术、Mysql数据库、先进的可视化技术D3并充分利用成熟的Pentaho BI系统和成熟的数据挖掘工具Weka、采用B/S结构的方式开发基于weka的可视化医疗数据挖掘平台,为医疗数据分析挖掘工作的开展提供技术支撑,降低医疗数据分析挖掘过程中研究人员必须要具备的计算机技术与数据挖掘理论要求。本文设计平台的创新点在于充分利用数据挖掘开源软件weka的基础上,扩展了其预处理过滤器,使weka更加适用于医疗数据挖掘,在数据源和数据挖掘结果在web端的可视化方面做了有益的尝试,实现了 J48分类预测模型在web端的可视化,且实现了不同类型数据格式向ARFF格式的转换。另外设计了基于webservice的weka与Pentaho BI软件集成中间件,实现了 Pentaho BI与weka的两个异构系统的松耦合集成,与开源Pentaho BI对weka的黑盒软件复用方式相比更加深入。最后,从性能、挖掘算法正确性、可视化的交互性等方面对平台进行了测试,测试结果表明本平台提供的挖掘算法比较准确,由于网络传输带来的开销,性能较开源桌面版weka稍差,但可视化交互性更好。另外系统在辅助探索十五种血液病与血常规检查结果之间的关系方面得到了应用,得到的挖掘结果表明血液病种与首诊血常规之间存在一定的关系。

关键词：医疗数据挖掘 weka D3 可视化

来源：评论

学校读者我要写书评

暂无评论

基于主题模型的医疗数据挖掘研究

基于主题模型的医疗数据挖掘研究

引用

作者：石思优广东技术师范学院

学位级别：硕士

医疗数据的爆发式增长以及数据挖掘的兴起,引起越来越多的人关注医疗数据中隐含的规律。应用数据的挖掘技术,人们从可以海量的医疗数据中提取有价值的信息。本文以医疗数据中的患者的病症和用药为基础,采用主题模型的方法挖掘出其中患... 详细信息

医疗数据的爆发式增长以及数据挖掘的兴起,引起越来越多的人关注医疗数据中隐含的规律。应用数据的挖掘技术,人们从可以海量的医疗数据中提取有价值的信息。本文以医疗数据中的患者的病症和用药为基础,采用主题模型的方法挖掘出其中患者所患疾病的病症与用药之间的“主题关系”,从而有效地找出疾病之间可能的并发症状和提供正确的用药参考,可用于为医院制定出有效的临床路径、规范诊疗流程,建立起科学的诊疗模式。本文首先对医疗数据挖掘和主题模型的研究现状进行了研究,然后对医疗数据的特点、医疗数据挖掘需要注意的问题和医疗数据挖掘流程进行了分析,接着对某高校的医务室诊疗数据进行了属性选择、噪声处理、缺省值处理等数据预处理工作,获取了满足本研究需求的实验数据。隐狄利克雷分布(Latent Dirichlet Allocation,LDA)模型是一种适用于处理文本的主题模型,可以很好地挖掘出词语的潜在含义。本文将LDA主题模型应用于医疗数据的挖掘,提出了“病案-疾病-病症”和“病案-疾病-用药”的关系模型,通过对模型困惑度和模型的收敛速度的分析研究,LDA模型在医疗数据挖掘方面具有较好的挖掘效果。LDA模型能对病症和用药两类词语分别进行挖掘,而不能将病症与用药两类词语混合后进行挖掘。对此,本文提出了一种新的主题模型——Med-LDA模型,并且给出了该模型的吉布斯参数推导过程。Med-LDA模型是一种带有隐含参数的贝叶斯模型,在医疗数据建模中比LDA有着更加强大的描述功能,最后通过实验结果表明,Med-LDA在“病案-疾病-病症与用药”的关系挖掘中具有更优的效果。

关键词：医疗数据挖掘 LDA 主题模型 Gibbs Sampling

来源：评论

学校读者我要写书评

暂无评论

医疗数据挖掘场景下的数据加工处理方法研究

引用

电脑知识与技术 2024年第15期20卷 55-57页

作者：叶章辉浙江大学医学院附属第二医院IT中心浙江杭州310009

随着医疗行业信息化建设的快速发展,医疗信息系统中积累了大量种类丰富的临床数据,为临床研究和医院管理层决策奠定了坚实的数据基础。医疗数据挖掘通过对复杂多样的医疗数据进行信息提取、加工、整合和分析,已成为临床研究的一种重要... 详细信息

随着医疗行业信息化建设的快速发展,医疗信息系统中积累了大量种类丰富的临床数据,为临床研究和医院管理层决策奠定了坚实的数据基础。医疗数据挖掘通过对复杂多样的医疗数据进行信息提取、加工、整合和分析,已成为临床研究的一种重要研究手段和工作内容。文章通过分析和比较医疗数据挖掘应用场景中常见的3种医疗数据加工处理方法,为医疗研究领域中的数据加工处理工作提供有借鉴意义的参考价值。

关键词：医疗数据挖掘数据加工缺失值异常值非量化数值

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：