基于電子病歷的疾病關聯(lián)分析和預測.pdf

1、隨著醫(yī)療信息化的普及，大型醫(yī)院以及衛(wèi)生機構產生了大量的電子醫(yī)療記錄數(shù)據(jù)。在這些海量的數(shù)據(jù)背后蘊含著大量重要的信息，這些信息對于疾病的深層認識、整體健康水平的提高，以及醫(yī)療信息領域的研究都有著積極的意義。本文從病人相似性度量、疾病關聯(lián)分析和疾病趨勢預測三個方面開展研究。
　　針對病人相似性度量，文中提出了一種半監(jiān)督學習算法。我們稱該算法為Pairwise算法。Pairwise算法選擇真實醫(yī)療記錄作為訓練數(shù)據(jù)，學習得到病人相似性的度量

2、準則?？紤]到現(xiàn)有的監(jiān)督學習算法難以精確地構建標記方式，我們采用半監(jiān)督學習，在訓練數(shù)據(jù)中選擇性加入少量精確的標記數(shù)據(jù)。我們用比較兩對病人之間相似度大小的方式標記這些數(shù)據(jù)，并且稱這些標記的數(shù)據(jù)為成對(Pairwise)的監(jiān)督信息。本文通過對比實驗證明了 Pairwise算法在判定病人相似性的準確性方面以及合并病人群體的準確性提高幅度方面均優(yōu)于現(xiàn)有的Local Supervised Metric Learning(LSML)算法。
　　

3、針對疾病關聯(lián)分析，文中應用coupled Latent Dirichlet Allocation模型對電子醫(yī)療記錄中的疾病進行聚類。本文中我們將該模型簡記為cLDA模型。cLDA模型是耦合的LDA模型，不僅關注患病的種類，同樣考慮患病時間。本文從三方面對實驗結果進行說明。1).文中說明了疾病種類的聚類結果具有醫(yī)學可解釋性。2).時間模式和季節(jié)分布具有一致性。通過計算不同時間模式下疾病發(fā)病率的熵，本文有效證明了cLDA模型應用在疾病聚類方

4、面可以得到準確的季節(jié)性發(fā)病率特征。3).通過和傳統(tǒng)LDA模型實驗結果的對比，本文證明了cLDA的準確性高于LDA。
　　針對疾病趨勢預測，在多維 Hawkes模型的基礎上，我們提出了一種改進的多維Hawkes模型。本文中我們稱該模型為 KLIPI模型。KLIPI模型是基于核函數(shù)學習的多維Hawkes模型，并且加入了反映病人體質的體質因子。根據(jù)KLIPI模型的實驗結果，我們可以得到疾病的自然發(fā)病率，也可以獲得病史中所有疾病對于將來可