基于時序圖的醫(yī)療風險預測研究.pdf

1、隨著信息技術的快速發(fā)展以及醫(yī)療信息系統(tǒng)的逐步健全，醫(yī)療與每個人的日常生活已息息相關，并產生了越來越多可利用的醫(yī)療大數據。在醫(yī)療領域，包括的醫(yī)療數據和信息類型非常廣泛，可以大致分為以下三種:臨床數據(Clinical Data)、體檢數據(Biometric Data)、醫(yī)保數據(Medicare Data)?；谏鲜鲠t(yī)療數據進行風險預測模型研究是當今一個很熱的醫(yī)學研究趨勢，例如預測病人是否會患某種特定的疾病、預測病人未來會患不同疾病的概

2、率風險等都屬于醫(yī)療風險預測范疇。若可以利用醫(yī)學數據進行有效的醫(yī)療風險預測模型研究，則可以大大降低醫(yī)療浪費，從而提高醫(yī)療質量，擁有更好的醫(yī)療服務。
　　病人的電子健康檔案(EHRs)以電子的形式系統(tǒng)性收集了病人在不同時間點的醫(yī)療健康信息，是指導數據驅動醫(yī)療研究的主要載體之一。鑒于原始EHRs數據的異構性、稀疏性等特點，直接使用未加工的EHRs去指導個性化醫(yī)療是非常具有挑戰(zhàn)性的，因此，在進行具體的疾病風險預測應用之前需要對原始EHRs

3、數據進行一致性表示，將未加工的電子健康檔案數據轉化為臨床相關的特征信息是一個值得研究的問題?，F已有一些工作基于EHRs數據提出了不同的預測方法，并對醫(yī)療數據進行了一致性表示，但使用圖以及考慮不同醫(yī)療事件之間時序關系的表示形式研究的比較少，然而圖具有直觀易理解性并且時序關系能夠捕捉到疾病未來發(fā)展趨勢的重要信號，本文將上述兩點進行結合，為每位病人構建一個醫(yī)療時序圖，時序圖的表示形式壓縮了原始數據使其更緊湊，從而有效解決了醫(yī)療數據的稀疏性問題

4、，并且為每位病人的分散數據提供了一種全景概括視圖。
　　本文主要在不同類型的醫(yī)療數據下，基于構建的病人時序圖，針對現有風險預測工作存在的一些不足，對不同的醫(yī)療風險預測模型進行一系列研究。本文的具體工作和貢獻概括如下:
　　1.提出一種基于病人時序圖的疾病風險預測方法(A Data-Driven Approach toPredictMedical Risk Based on Temporal Profile Graph，MTP

5、Graph)。首先對每位病人的原始電子健康檔案數據(EHRs)進行一致性表示，即提出一種時序圖的表示形式;其次運用改進的Apriori頻繁項集挖掘算法TRApriori，基于病人時序圖挖掘頻繁特征圖;根據圖的重構原理，每位病人的時序圖可由時序特征圖重新構成，最終獲得針對不同病人的重構系數（即特征向量），對病人是否會患某種特定疾病進行有效預測。通過對兩種真實臨床場景的實驗驗證并與傳統(tǒng)方法比較，結果顯示該疾病風險預測方法可達到更好的預測效果

6、。
　　2.提出一種基于病人時序圖表示的協同評估預測模型(Collaborative PredictionModel of Disease Risk by Mining Electronic Health Records，CAPM)，僅需依賴病人EHRs數據中的疾病ICD-10編碼來對病人未來會患不同疾病的概率風險進行預測。首先將每位病人的原始EHR數據表示為時序圖;其次提出一種混合協同過濾方法，基于個人醫(yī)療歷史記錄和與其相似病人

7、的醫(yī)療數據對每位病人的患病風險進行預測;另外，為了能夠進行早期預防，提出一種計算對應疾病開始時間的方法。通過在真實的EHR數據集上進行的實驗，結果證明CAPM能更好的對病人未來會患哪些疾病及對應疾病可能的開始時間進行預測。
　　3.提出一種基于多類型醫(yī)療數據的疾病風險預測模型。首先將病人的三類醫(yī)療數據（臨床EHRs、體檢數據、醫(yī)療保險數據）進行有序鏈接，為每位病人構建一個醫(yī)療時序圖;其次提出改進的AGM算法，基于所有病人的醫(yī)療時序