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(shí)發(fā)現(xiàn)，她是指在一些事實(shí)或觀察數(shù)據(jù)的集合中尋找隱藏模式的決策支持過(guò)程。文本數(shù)據(jù)庫(kù)分類是數(shù)據(jù)挖掘中的一個(gè)重要內(nèi)容。電子病歷也是一類文本數(shù)據(jù)集。對(duì)這些數(shù)據(jù)集進(jìn)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(yǔ)匹配的特征提取算法。并把這種算法應(yīng)用到中文真實(shí)病歷的分類中，取得較好的分類效果。具體處理過(guò)程是，首先采集了醫(yī)院內(nèi)科真實(shí)中文病歷200份。然后進(jìn)行數(shù)據(jù)清洗過(guò)程，因?yàn)閿?shù)據(jù)是來(lái)源于醫(yī)院的真實(shí)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(duì)數(shù)據(jù)進(jìn)行量化工作，特征提取，在我們的實(shí)驗(yàn)中采用的是一種新的特征提取方法即基于短語(yǔ)的特征提取方法；我們將這200份含有4種病種的病歷進(jìn)行3種組合，然后通過(guò)算法將他們分別進(jìn)行分類。其中所用到的短語(yǔ)匹配算法可以歸納為如下的步驟： 1)獲得數(shù)據(jù)庫(kù)中每對(duì)文檔的匹配短語(yǔ)集合。 2)創(chuàng)建一個(gè)包括步驟1所有集合的集合。去除這個(gè)集合中的匹配短語(yǔ)。 3)把每個(gè)文檔表示為一個(gè)向量，并歸一化。

3、 4)用SOM創(chuàng)建一個(gè)對(duì)應(yīng)于這個(gè)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(yǔ)。 真實(shí)病歷數(shù)據(jù)實(shí)驗(yàn)表明，這種新的方法能夠以很高的準(zhǔn)確度對(duì)真實(shí)病歷進(jìn)行分類。這種算法能自動(dòng)從病歷數(shù)據(jù)集中提取出主要的特征，對(duì)病歷進(jìn)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(shí)驗(yàn)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)