糖尿病临床诊断事件序列中频繁模式的发现算法

doi:10.3969/j.issn.1006-2475.2016.04.002

计算机与现代化

糖尿病临床诊断事件序列中频繁模式的发现算法

(东华大学计算机科学与技术学院，上海200051)

收稿日期:2015-11-13 出版日期:2016-04-14 发布日期:2018-09-30
作者简介:陈潋（1990-），男，江西都昌人，东华大学计算机科学与技术学院硕士研究生，研究方向：数据库，大数据与智慧医疗；乐嘉锦(1951-)，男，上海人，教授，博士生导师，研究方向：数据库与数据仓库，大数据；陈德华(1976-)，男，副教授，研究方向：数据库，数据仓库与智慧医疗；冯洁莹（1991-），女，硕士研究生，研究方向：数据库，大数据与智慧医疗。

Discovery Algorithm of Frequent Pattern in Clinical Diabetes Diagnosis

(School of Computer Science and Technology, Donghua University, Shanghai 200051, China)

Received:2015-11-13 Online:2016-04-14 Published:2018-09-30

摘要/Abstract

摘要： 随着各大医院信息化建设进程的不断推进，医院中的各生产系统如HIS（医院信息化系统）、EMR（电子病历系统）等已经积累了规模庞大的临床数据，这种临床大数据对于提升临床医疗质量有着深远的意义。糖尿病作为一种慢性病，容易引发多种并发症如肾病、眼病等。为了找出糖尿病并发症出现的规律，本文首先对糖尿病历史临床诊断数据进行事件序列化，然后对传统的SPADE算法进行改进，提出一种糖尿病临床诊断事件序列频繁模式发现算法NFPS，该算法考虑糖尿病治疗时间间隔，通过时间窗口的设定，支持对该时间窗口内糖尿病并发症频繁出现模式的发现。实验结果表明其在临床糖尿病并发症频繁模式发现上的有效性。

关键词: 糖尿病, 并发症, 事件序列, 时间窗口, 频繁模式挖掘

Abstract:

With the development of information construction process of the major hospitals, various production systems in the hospitals such as HIS (Hospital Information System), EMR (Electronic Medical Record System) have accumulated a largescale clinical data. These clinical big data have a farreaching significance for improving the quality of clinical care. Diabetes as a chronic disease, is apt to cause a variety of complications, such as kidney disease, eye disease and so on. In order to find out the rules of diabetes complications, this article firstly changes the historical data of diabetes diagnosis to event sequence, then proposes a frequent pattern discovery algorithm NFPS for the event sequence of clinical diabetes diagnosis based on the traditional algorithm SPADE. The proposed algorithm takes into account diabetes treatment interval, supports the frequent pattern discovery of the diabetes complications within the set time window. Experimental results show its effectiveness in the frequent pattern discovery of clinical diabetes complications.

Key words: diabetes, complications, event sequence, time window, frequent pattern mining

中图分类号:

TP302

陈潋，乐嘉锦，陈德华，冯洁莹. 糖尿病临床诊断事件序列中频繁模式的发现算法[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2016.04.002.

CHEN Lian, LE Jia-jin, CHEN De-hua, FENG Jie-ying.

Discovery Algorithm of Frequent Pattern in Clinical Diabetes Diagnosis[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2016.04.002.

参考文献

［1］ Agrawal R, Imielinski T, Swami A N. Mining association rules between sets of items in large databases［C］// Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data. 1993:207-216.

［2］ Gouda K, Hassaan M, Zaki M J. PRISM: An effective approach for frequent sequence mining via prime-block encoding［J］. Journal of Computer and Systems Sciences, 2010,76(1):88-102.

［3］陈卓,杨炳儒,宋威,等. 序列模式挖掘综述［J］. 计算机应用研究, 2008,25(7):1960-1963.

［4］吴孔玲,缪裕青,苏杰,等. 序列模式挖掘研究［J］. 计算机系统应用, 2012,21(6):263-271.

［5］骆科东. 短时间序列挖掘方法研究［D］. 北京:清华大学, 2004.

［6］吴立旗. 基于数据挖掘的单纯冠心病与冠心病合并糖尿病的证治规律对比研究［D］. 北京:北京中医药大学, 2013.

［7］何俊华. 数据挖掘技术在医保领域中的研究与应用［D］. 上海：复旦大学, 2011.

［8］ Tran P T B, Chau V T N, Anh D T. An efficient intervalbased approach to mining frequent patterns in a time series database［C］// Multidiscilinary Trends in Artificial Intelligence:Proceedings of the 7th International Workshop. 2013:211-222.

［9］ Batyrshin I, Sheremetov L, Herrera-Avelar R. Perception based patterns in time series data mining［J］. Perception-based Data Mining and Decision Making in Economics and Finance, 2007,36:85-118.

［10］陈培煜. 基于肿瘤临床指标的多维时间序列分类建模的研究［D］. 北京:北京工业大学, 2013.

［11］刘洋. 频繁项挖掘算法及其应用研究［D］. 南宁：广西民族大学, 2011.

［12］王洪利,冯玉强. 频繁项集挖掘算法Apriori的改进研究［C］// 全国第九届企业信息化与工业工程学术会议论文集. 2005:9499.

［13］李坤,王永炎,王宏安. 一种基于乐观裁剪策略的挖掘数据流滑动窗口上闭合频繁项集的算法［C］// 第二十五届中国数据库学术会议论文集（二）. 2008.

［14］Batal I, Fradkin D, Harrison J, et al. Mining recent temporal patterns for event detection in multivariate time series data［C］// Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2012:280-288.

［15］HuynhThiLe Q, Le T, Vo B, et al. An efficient and effective algorithm for mining toprankk frequent patterns［J］. Expert System with Applications, 2015,42(1):156-164.

［16］Yu Xinran, Korkmaz T. Super-sequence frequent pattern mining on sequential dataset［C］// 2013 IEEE International Conference on Big Data. 2013:52-59.

［17］Patel D, Hsu W, Lee Mong-Li. Integrating frequent pattern mining from multiple data domains for classification［C］// IEEE International Conference on Data Engineering. 2012:1001-1012.

［18］Aggarwal C C, Li Yan, Wang Jianyong, et al. Frequent pattern mining with uncertain data［C］// Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2009:29-38.

[1]	刘静乐, 罗翔, 宫成荣, 张国鹏. 基于RF-RFECV和LightGBM算法的糖尿病预测[J]. 计算机与现代化, 2023, 0(11): 36-43.
[2]	汪敏, 徐英豪, 朱习军. 基于改进遗传算法优化BP神经网络的糖尿病并发症预测模型#br#[J]. 计算机与现代化, 2022, 0(11): 69-74.
[3]	张雄, 潘大志, . 融合邻域搜索策略蚁群算法求解带时间窗口的车辆路径问题[J]. 计算机与现代化, 2022, 0(03): 98-102.
[4]	冯云霞, 韩正亮, 薛蓉蓉, 宋波. 心血管疾病并发症与虚弱症关联模式研究[J]. 计算机与现代化, 2020, 0(07): 85-89.
[5]	许智彪. 基于代价敏感主动学习算法的2型糖尿病诊断[J]. 计算机与现代化, 2018, 0(06): 84-.
[6]	潘燕红，潘林. 基于SVM的眼底图像硬性渗出检测[J]. 计算机与现代化, 2014, 0(4): 33-37.
[7]	施俊华;叶保留;李朝品. BP神经网络的医学数据挖掘[J]. 计算机与现代化, 2013, 1(3): 92-95.
[8]	廖建平;马文龙. 基于倾斜时间窗口的高效数据流偏向最近聚类分析算法[J]. 计算机与现代化, 2010, 1(5): 24-29.
[9]	邓爱萍. 网络热点发现与跟踪算法研究[J]. 计算机与现代化, 2009, 1(12): 122-124.

糖尿病临床诊断事件序列中频繁模式的发现算法

Discovery Algorithm of Frequent Pattern in Clinical Diabetes Diagnosis

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 9

编辑推荐

Metrics

本文评价