霍倩倩+田翔+張艷

摘要：文章通過對得到的醫(yī)院體檢數(shù)據(jù)、門診數(shù)據(jù)進行分析，將體檢和診斷冠心病建立聯(lián)系，并改進數(shù)據(jù)挖掘算法Apriori算法來進行關(guān)聯(lián)分析。

關(guān)鍵字：數(shù)據(jù)挖掘；冠心?。籄priori算法；python

1.問題的提出

冠心病是冠狀動脈粥樣硬化性心臟病的簡稱，冠狀動脈供應(yīng)心臟自身血液，冠狀動脈發(fā)生粥樣硬化或者痙攣，使得冠狀動脈變得狹窄甚至是鼻塞，導(dǎo)致心肌缺血缺氧的一種心臟病。冠心病由于其發(fā)病率高，死亡率高，嚴重危害著人類的身體健康，從而被稱作是“人類的第一殺手”。所以對于冠心病患者的相關(guān)性分析成為近幾年的熱點，如何從已經(jīng)得到的患者的數(shù)據(jù)中，找到與冠心病相關(guān)的數(shù)據(jù)，并進一步研究分析，或者與冠心病可能導(dǎo)致成因的數(shù)據(jù)加以分析，成為人們研究的重點。

據(jù)了解目前國內(nèi)外研究冠心病發(fā)病相關(guān)因素主要停留在訪談法、A型行為量表測試收集資料法、問卷調(diào)查、病歷分析等人工統(tǒng)計、分析階段，鮮有相關(guān)資料證明是基于數(shù)據(jù)挖掘方面的冠心病發(fā)病相關(guān)因素研究分析的。隨著計算機、網(wǎng)絡(luò)技術(shù)的發(fā)展，獲得有關(guān)資料已經(jīng)變得簡單易行。但是對于數(shù)量較大、涉及面廣的數(shù)據(jù)，僅僅依靠簡單地匯總，按照固定的模式進行分析統(tǒng)計是無法完成這一任務(wù)的，甚至是效率低下，得不到相應(yīng)的結(jié)果，所以，一種智能化的，綜合應(yīng)用各種統(tǒng)計方法、數(shù)據(jù)庫等的技術(shù)應(yīng)運而生，這就是目前較為流行的數(shù)據(jù)挖掘。

數(shù)據(jù)挖掘又被稱為數(shù)據(jù)庫知識發(fā)現(xiàn)，是一種交叉學(xué)科，包括統(tǒng)計學(xué)、機器學(xué)習、數(shù)據(jù)庫、模式識別等等，它是利用各種方法從海量的凌亂的有噪聲的數(shù)據(jù)中提取隱含在其中的事先未知的有價值的模式或者規(guī)律的復(fù)雜過程，其過程包括對于數(shù)據(jù)庫的建立和管理、提取數(shù)據(jù)、數(shù)據(jù)預(yù)處理、建立模型、模型評估等一系列過程。在海量數(shù)據(jù)、高維數(shù)據(jù)的現(xiàn)在，要注重從數(shù)據(jù)本身的特征出發(fā)，發(fā)現(xiàn)數(shù)據(jù)中隱藏的價值。

冠心病的確診一般最常見的是心電圖，再就是64排CT檢查，通過檢查血管狹窄的情況，來判斷是否患病，且一般沒有預(yù)測。之前的研究是基于檢查以及確診以及治療的，沒有對于體檢后是否可以由某些體檢數(shù)據(jù)得到與冠心病相關(guān)列的指標，本文將對冠心病與體檢數(shù)據(jù)進行關(guān)聯(lián)分析，本文的數(shù)據(jù)是由醫(yī)院記錄的多年的體檢數(shù)據(jù)，以及體檢后病人在此醫(yī)院就診的數(shù)據(jù)，對得到的數(shù)據(jù)進行分析，看冠心病與哪些體檢指標有關(guān)聯(lián)，希望獲得一些對人類有貢獻的知識。

2.國內(nèi)外研究進展

冠心病是一種嚴重危害人類健康的常見疾病、多發(fā)病癥，已經(jīng)成為在不同國家和地區(qū)發(fā)病和死亡的最常見病癥之一。在大多數(shù)發(fā)展中國家，包括我國在近幾十年對于冠心病之死亡率也大幅度上升，預(yù)計到2020年，冠心病將成為全球人口死亡和殘疾的最主要的元兇[1]。

其研究的內(nèi)容是基于醫(yī)學(xué)理論的，有脂肪浸潤學(xué)說，血小板活化、聚集和血栓形成學(xué)說、肉皮損傷學(xué)說、炎癥學(xué)說等等，大部分研究的是冠心病的發(fā)病機制，以及藥物對于冠心病治療的研究，當然也有對于單項發(fā)病因素進行研究的案例，例如血漿載脂蛋白與冠心病的相關(guān)性研究[2][3] 。

大部分的研究是在醫(yī)學(xué)領(lǐng)域，對于病理的研究與分析。研究冠心病患者的冠心病危險因素的特點以及臨床表現(xiàn)，探討冠心病病變的相關(guān)性。通過對患者各項指標的測量，得到了冠心病的危險因素，包括高敏括高敏C-反應(yīng)蛋白hs-CRP水平、左心室射血分數(shù)等[4]。目前對于揭示冠心病特征的變化規(guī)律，揭示冠心病癥候特征的變化規(guī)律等[5]。

3.本文研究分析

本文將對從醫(yī)院獲得的上萬條病人的體檢數(shù)據(jù)以及病人的門診確診數(shù)據(jù)進行研究分析。病人的體檢數(shù)據(jù)中有很多數(shù)據(jù)，比如有血、血漿、血清、尿等檢測項目，進一步對于各項又有小的檢測項目，比如光是血清又有兩百多項項目，有HIV，ALD、類風濕因子等等，對于如此巨大的數(shù)據(jù)量，想要獲得需要的信息，就需要對數(shù)據(jù)進行處理。

將導(dǎo)出的數(shù)據(jù)、各種量表及病人的相關(guān)數(shù)據(jù)整理，建立病人的原始資料數(shù)據(jù)表。此表中包含醫(yī)院給出的所有數(shù)據(jù)，包括冗余數(shù)據(jù)，無效數(shù)據(jù)等。進一步需要對得到的數(shù)據(jù)進行處理。各個表格數(shù)據(jù)類型不盡相同，且不是對應(yīng)于每個病人或者體檢者有相應(yīng)的檢查數(shù)據(jù)、診斷數(shù)據(jù)以及住院數(shù)據(jù)，但是體檢流水號是唯一的，所以對于各個表格進行連接靠著體檢流水號的唯一性進行的。經(jīng)過對數(shù)據(jù)的清洗，去重等操作，再進一步查找與冠心病有關(guān)的體檢項目。

最終得到患冠心病的患者大部分都檢查了血漿、學(xué)液等幾項指標，對于得到的指標，并不是每個病人都檢查了此項內(nèi)容，再對其中的每一小項進行研究，得到了血漿中與冠心病有關(guān)的七個小項，進一步分析得到此項指標比正常人高出兩倍。

4.本文研究方法與步驟

4.1問題的確定

對于從醫(yī)院獲得的數(shù)據(jù)，建立數(shù)據(jù)庫ceshi，將得到的體檢數(shù)據(jù)、門診數(shù)據(jù)以及住院數(shù)據(jù)分別建立表tj_jy，tj_mz以及tj_zy；由于獲取的數(shù)據(jù)是雜亂的，且有很多重復(fù)的數(shù)據(jù)，所以先對數(shù)據(jù)進行簡單的預(yù)處理，去除重復(fù)的數(shù)據(jù)，得到新的表ti_jy_qc， tj_mz_qc以及tj_zy_qc。對于得到的結(jié)果進行進一步處理，以便確定所要研究的內(nèi)容。根據(jù)三個表格，先查詢得到所有病人所患病癥種類，讓其按照數(shù)量降序排列，以便找到要研究的病癥，得到病癥后根據(jù)數(shù)量的多少來查看哪些具有研究價值，并且選擇自己感興趣的部分進行研究；用sql查詢患者病癥以及患者人數(shù)結(jié)果如下：

發(fā)病率較高的如發(fā)燒、咳嗽、高血壓等大多為常見病，且對其的研究已經(jīng)很全面，則選擇了冠心病作為研究對象，從獲得的數(shù)據(jù)中冠心病患者大約有兩萬多人，而且冠心病多發(fā)生于中老年。冠心病是冠狀動脈性心臟?。╟oronary artery heart disease， CHD）的簡稱，是一種最常見的心臟病，是指因冠狀動脈狹窄、供血不足而引起的心肌機能障礙和（或）器質(zhì)性病變，故又稱缺血性心肌病。冠心病是一種由冠狀動脈器質(zhì)性（動脈粥樣硬化或動力性血管痙攣）狹窄或阻塞引起的心肌缺血缺氧（心絞痛）或心肌壞死（心肌梗塞）的心臟病，亦稱缺血性心臟病。冠心病的發(fā)生與冠狀動脈粥樣硬化狹窄的程度和支數(shù)有密切關(guān)系，同時患有高血壓、糖尿病等疾病，以及過度肥胖、不良生活習慣等是誘發(fā)該病的主要因素。冠心病是全球死亡率最高的疾病之一，根據(jù)世界衛(wèi)生組織2011年的報告，中國的冠心病死亡人數(shù)已列世界第二位，所以具有研究價值，確定研究對象后進行進一步的研究與分析。endprint

4.2研究對象的確定

根據(jù)選定的研究對象，確定所研究的對象的相關(guān)科室以及患者在此之前所體檢的項目；根據(jù)查詢確定冠心病確診的門診科室，如下所示：

再用查詢語句對tj_jy_qc表與tj_mz_qc表進行連接，查看患者之前所檢查的項目研究冠心病與哪些體檢項目有關(guān)聯(lián)，進而研究有何種關(guān)聯(lián)；根據(jù)之前的檢查結(jié)果，冠心病的確診是在內(nèi)科以及心血管內(nèi)科門診確診，所以限定科室為內(nèi)科或者心血管內(nèi)科門診，以便快速的查詢，經(jīng)查詢在限定科室內(nèi)得到患者所進行的體檢項目：

注：根據(jù)之前查詢結(jié)果得到冠心病大部分是在心血管內(nèi)科門診確診，所以此處限定科室，以便查詢結(jié)果，涂黑部分為病人名字，為保證個人隱私，做涂黑處理。

得到兩個表之間是有關(guān)聯(lián)的，再對兩個表進行連接，查看檢查的項目中冠心病患者主要檢查了哪些項目，經(jīng)查詢得到大部分患者檢查過的項目有血漿，尿液，全血，血等，對于每個病人檢查的項目中查詢冠心病患者中檢查最多的是哪個，以便去訂研究對象，對上述查詢結(jié)果進行保存，可以直接導(dǎo)出到表格xiangguanjiancha.xlsx，建立表xiangguanjiancha儲存得到的結(jié)果，再對得到的結(jié)果進行查詢檢查最多的體檢項目。

建立xiangguanjiancha表，將之前得到的保存結(jié)果xiangguanjiancha.xlsx導(dǎo)入xiangguanjiancha表中，查看患者檢查的項目中哪項檢查數(shù)量最多，經(jīng)查詢得到患者大部分檢查了血漿，下一步則要對體檢值進行研究。

4.3研究對象值的確定

檢查體檢檢驗中，血漿檢查的二級項目有哪些，再對檢查的項目建表，進行研究，

查詢體檢檢驗中所檢查的各個項目的具體小項目，例如血清中檢查了什么，得到查詢結(jié)果結(jié)果如下：

將查詢結(jié)果導(dǎo)出到EXCEl表中，根據(jù)SQL的命名規(guī)則，是不允許有中文以及不區(qū)分大小寫的，所以對于得到的結(jié)果進行英文的命名，建立數(shù)據(jù)字典，將得到的結(jié)果建立表格xue_jiang。建立病人表，查詢tj_jy表，將所有的病人導(dǎo)入表格patient中，以便在數(shù)據(jù)庫中建立patient表，去掉重復(fù)的體檢流水號，建立患者表，再將得到的結(jié)果保存到一個新表中，作為病人的記錄表patient，建立patient，并將結(jié)果導(dǎo)入數(shù)據(jù)庫中，進一步查詢患有冠心病的患者，將患者數(shù)據(jù)導(dǎo)入表gxbpatient中，將的到的結(jié)果保存在gxbpatient表中便于進一步研究，同時檢查患有冠心病的患者血漿中檢查了哪些指標；得到195個患者血漿檢測的二級項目246個，再對這246個二級項目進行分析，因為并不是每個患者都檢查了這些二級項目，所以大部分為空值，對于空值的處理，首先選擇非空值超過80%的二級項目進行處理，空值超多80%的則忽略不研究，再對得到二級項目的空值進行分析。此處對于表的操作用python處理，Python是一種面向?qū)ο蟆⒅弊g式計算機程序設(shè)計語言。也是一種功能強大而完善的通用型語言，已經(jīng)具有十多年的發(fā)展歷史，成熟且穩(wěn)定。Python 具有腳本語言中最豐富和強大的類庫，足以支持絕大多數(shù)日常應(yīng)用。Python語法簡捷而清晰，具有豐富和強大的類庫。它能夠很輕松的把用其他語言制作的各種模塊（尤其是C/C++）輕松地聯(lián)結(jié)在一起。所以次出用python處理。代碼見附錄python代碼1。

處理結(jié)果如下所示，得到從醫(yī)院中獲得的病人數(shù)據(jù)中患者的體檢項目血漿的二級項目哪些具有研究意義：

分別是xue_jiang表中的第22/30/47/76/90/170/223/248/249項。將這些二級項目取出，保存在表gxbxjz（冠心病血漿值）中；再建立表gxbxjz以便對得到的冠心病患者血漿值二級目錄值進行研究。

經(jīng)觀測，要研究的血漿的二級項目均為連續(xù)值，所以空值的填補用平均值。用python分別對gxbtjz與patient表進行處理，得到所要檢測的二級項目值之間的關(guān)系，為了簡易處理，計算二者的平均值進行比較分析。得到結(jié)果如下所示。

---病人的平均值：0.647126566 28.99658098 2.04196926 17.54878065 0.520438877 2.38056535 1.110689336 0.029725826 142.3368553

----冠心病患者平均值0.472993197 57.30806608 4.234275996 22.63556851 1.048386783 4.725111759 2.511690962 0.056448008 288.4373178

對比可以得到得到的平均值為普通的兩倍多，其九項的內(nèi)容分別是：甘油三酯（TG），肌酐（CREA），尿素（BUN），丙氨酸氨基轉(zhuǎn)換酶（ALT），高密度脂蛋白C（HDL-c），葡萄糖（GLU），低密度脂蛋白C（LDL-c），尿素氮/肌酐（BUN/CR），尿酸（URIC）。

有研究表明冠心病患者[2]的血漿apoB100/apoA1明顯高于普通人群，經(jīng)相關(guān)性分析，載脂血蛋白（高密度脂蛋白C：HDL-c；低密度脂蛋白C：LDL-c）與冠心病密切相關(guān)，是冠心病最顯著的獨立相關(guān)危險因素，與以往的研究結(jié)果相似。與本文檢測內(nèi)容一致。所以以后病人在體檢時，如果這幾項指標超過正常值，則需要進一步做檢查，查看是否患有冠心病，并且注意調(diào)整，以預(yù)防冠心病的發(fā)生。

4.4數(shù)據(jù)挖掘在冠心病體檢項目中的應(yīng)用

根據(jù)上面的研究與分析，得到冠心病患者體檢中血漿項目的體檢是較為全面的，下面用數(shù)據(jù)挖掘算法進行驗證分析得到冠心病與血漿中這些檢驗項是有關(guān)聯(lián)的。根據(jù)前面分析得到的表gxbhzxjjy（冠心病患者血漿檢驗），對它進行預(yù)處理，刪除不相關(guān)列，比如tjliu、卡號、p_name明顯不相關(guān)的直接刪除；因為只有195條記錄但是屬性值有246條，所以進行預(yù)處理可以直接在EXCEL表中進行處理，因為空值較多，且空值表示沒有檢驗此項內(nèi)容的，為簡便表示，做如下替換：NULL賦值為0，陰性、陰性（-）賦值為1，陽性、陽性（-）賦值為2，求每一列的和，值為0表示冠心病患者都沒有檢驗此項，直接刪除，以簡化處理，對于留下的數(shù)據(jù)，非空值賦值為其屬性值，空值則刪除，得到每項記錄。endprint

為了找冠心病相關(guān)聯(lián)因素，對數(shù)據(jù)進行處理，將0值刪除，空值補充為平均值，將結(jié)果另存為gai.txt.

5.Apriori算法在冠心病研究中的應(yīng)用

關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘的一個重要研究方向，其目的是發(fā)現(xiàn)大量數(shù)據(jù)中項集之間的關(guān)聯(lián)或者相關(guān)聯(lián)系。挖掘關(guān)聯(lián)規(guī)則就是在大量實物數(shù)據(jù)中找出用戶感興趣的關(guān)聯(lián)性，即事務(wù)數(shù)據(jù)庫中滿足用戶給董的條件（最小支持度與最小置信度）的項目集合，我們將這個項目集合成為頻繁項目集，簡稱頻繁集。上述挖掘過程通常分為兩個步驟：一是掃描事務(wù)數(shù)據(jù)庫，從中找出所有滿足用戶指定最小支持度的頻繁項集；而是利用頻繁項集生成所需的關(guān)聯(lián)規(guī)則，分析醒目之間的關(guān)聯(lián)性。

5.1經(jīng)典Apriori算法

Apriori算法[6]是挖掘關(guān)聯(lián)規(guī)則的經(jīng)典算法，由Agrawal等人于1994年提出，是一種具有重要影響的挖掘關(guān)聯(lián)規(guī)則頻繁項集的算法，其核心是基于兩階段頻繁項集的遞推算法，通過候選項集找到頻繁項集。Apriori算法使用一種稱作逐層搜索的迭代方法， 項集用于搜索生成 項集，將Apriori相紙用于茶渣頻繁項集的時候，只要發(fā)現(xiàn)一個候選集的飛空自己不頻繁，則可以判斷這個候選集不頻繁[7]。可以將這個過程分為兩個步驟：連接和剪枝。

（1） 連接步：產(chǎn)生候選項集 ；

（2） 剪枝步：掃描數(shù)據(jù)庫，計算候選項集 中每個候選的技術(shù)是否滿足最小支持度來確定 。然而 可能很大，為了減少對數(shù)據(jù)庫的掃描次數(shù)，可以利用Apriori的性質(zhì)[7]將候選集從 中刪除。

通過以上描述，我們看出監(jiān)管利用Apriori的性質(zhì)來減少了對數(shù)據(jù)庫的掃描，但是依然存在不足：（1）他可能產(chǎn)生大量候選集；（2）他可能需要重復(fù)掃描數(shù)據(jù)庫以計算每個候選集的頻繁程度。所以對于Apriori的改進方法在于降低候選集的數(shù)量和減少對數(shù)據(jù)庫的掃描次數(shù)。

5.2Apriori算法的改進

命題1：如果一個數(shù)據(jù)項在數(shù)據(jù)庫中是頻繁的，則該數(shù)據(jù)項的自己在數(shù)據(jù)庫匯總也是頻繁的。

命題2：如果一個數(shù)據(jù)項在數(shù)據(jù)集中是非頻繁的，則包含該數(shù)據(jù)項的父集也是非頻繁的。

由5.1的描述可知，如果我們從單一元素所構(gòu)成的集合下手，根據(jù)支持度判別條件對該樹進行“剪枝”，將大大降低計算的次數(shù)。

得到 后，如果根據(jù)組合原理直接生成 然后對每個可能的組合計算支持度，計算量依然很大。這里再次進行剪枝。為了不失一般性，對于 層中的每個集合先排序，然后將滿足以下條件的集合融合，構(gòu)成 層。之所以這樣做是因為，根據(jù)命題2，如果集合C4層的{acde}是頻繁集，那么 層中必定要存在 和 。因此只需在 成對這兩個集合融合即可，不必再將 和 融合，在 層對元素排序的目的也正是在此，快速地找到滿足條件的子集并融合，避免重復(fù)計算。

在得到 層后，計算其中每個集合的支持度，需要從數(shù)據(jù)庫中遍歷所有的數(shù)據(jù)項看是否包含該集合。假設(shè)由 生成 這一規(guī)則不滿足置信度公式，回顧置信度的公式，也就是說 在數(shù)據(jù)庫中出現(xiàn)的次數(shù)偏多，而 出現(xiàn)的次數(shù)偏少，根據(jù)命題1， 的子集也是頻繁項，根據(jù)命題2， 的父集也很少出現(xiàn)，從而 生成 等規(guī)則的置信度更低，然后將其從集合樹上減去。

通過上面的分析得到算法優(yōu)化的步驟如下所示：

1）. 遍歷數(shù)據(jù)庫，得到所有數(shù)據(jù)項構(gòu)成的并集（也就是得到 層）

2）. 計算 層中每個元素的支持度（該過程可用Hash表優(yōu)化），刪除不符合的元素，將剩下的元素排序，并加入頻繁項集R

3）. 根據(jù)融合規(guī)則將 層的元素融合得到 ，

4）. 重復(fù)2），3）步直到某一層元素融合后得到的是空集

5）. 遍歷 中的元素，設(shè)該元素為

6）. 按照方法 先生成 層規(guī)則

7）. 計算該層所有規(guī)則的置信度，刪除不符合的規(guī)則，將剩下的規(guī)則作為結(jié)果輸出。

8）. 生成下一層的規(guī)則，計算置信度，輸出結(jié)果。

運行結(jié)果如下所示，因為設(shè)定閾值不同，導(dǎo)致得到的結(jié)果不盡相同，但包含著查詢中體檢項目，綜上，冠心病與血漿檢驗中的ATL，可以得到結(jié)論：在日常體檢中，如果ATL值、BUNCR值等比正常水平偏高，則需要進行進一步檢測以及調(diào)整近期飲食與注意鍛煉[8]。

參考文獻

[1] 史琦.基于數(shù)據(jù)挖掘的冠心病不穩(wěn)定性心絞痛中醫(yī)證候識別規(guī)律的研究.博士論文，2012年5月

[2] 雷蕾，陳麗.血漿載脂蛋白與冠心病的相關(guān)性研究.當代醫(yī)學(xué).2011年4月第17卷第12期

[3] 張衛(wèi).冠心病患者糖化血紅蛋白、脂蛋白a與冠脈病變程度的關(guān)系.2014年碩士論文

[4]高閱春，何繼強，姜騰勇，陳方.冠心病患者冠狀動脈病變嚴重程度與冠心病危險因素的相關(guān)分析.中國循環(huán)雜志2012年03期

[5]毛靜遠，牛子長，張伯禮.近40年冠心病中醫(yī)證候特征研究文獻分析.中醫(yī)雜志 2011年11期

[6] 趙建松，陳在平. 基于SQL的Apriori改進算法研究. 天津理工大學(xué)學(xué)報.209年4月

[7] 顧慶峰，宋順林. Apriori算法在SQL中的改進與應(yīng)用. 計算機工程與設(shè)計. 2007年7月

[8] 閆志虹. 中西醫(yī)結(jié)合治療冠心病的研究進展. 中國保健營養(yǎng). 2013年1月endprint