數(shù)據(jù)挖掘案例—藥物選擇決策支持

針對(duì)病人的病情和體質(zhì)情況，醫(yī)生往往需要采用不同的用藥。本案例通過數(shù)據(jù)挖掘，對(duì)醫(yī)院積累的歷史數(shù)據(jù)進(jìn)行分析，確定病人選擇何種藥物對(duì)治療疾病最為有效，并開發(fā)了相應(yīng)的藥物選擇決策支持系統(tǒng)的應(yīng)用系統(tǒng)

【案例名稱】藥物選擇決策支持

【案例類型】數(shù)據(jù)挖掘

【所屬行業(yè)】醫(yī)藥衛(wèi)生

【案例版本】1.0

【完成日期】2003年7月2日

【應(yīng)用軟件】Clementine 7.2英文版

【遵循標(biāo)準(zhǔn)】CRISP-DM

【案例數(shù)據(jù)來源】Clementine 7.2 Demo自帶數(shù)據(jù)

【案例應(yīng)用模型】神經(jīng)網(wǎng)絡(luò)、C5.0、Logistic回歸

【案例用途】通過案例實(shí)現(xiàn)以下目的：

1、 CRISP-DM的標(biāo)準(zhǔn)流程及在解決具體業(yè)務(wù)問題過程中的應(yīng)用;

2、 理解如何提高數(shù)據(jù)挖掘模型的效果;

3、 理解結(jié)果發(fā)布的幾種方式。

【案例簡(jiǎn)要描述】

針對(duì)病人的病情和體質(zhì)情況，醫(yī)生往往需要采用不同的用藥。本案例通過數(shù)據(jù)挖掘，對(duì)醫(yī)院積累的歷史數(shù)據(jù)進(jìn)行分析，確定病人選擇何種藥物對(duì)治療疾病最為有效。并開發(fā)了相應(yīng)的藥物選擇決策支持系統(tǒng)的應(yīng)用系統(tǒng)。

案例正文

【背景介紹】

XX病是一種常見的疾病，目前有5種藥物可以對(duì)其治療，分別是——A、B、C、X、Y。不同的藥物對(duì)病人有不同的療效。歷史上，醫(yī)院往往根據(jù)醫(yī)生的經(jīng)驗(yàn)去判斷針對(duì)特定的病人應(yīng)該選擇何種藥物。但是由于新醫(yī)生的加入，這種僅僅靠經(jīng)驗(yàn)判斷的做法造成了很多誤診。

該醫(yī)院有比較完善的病例留存，為了改變以上局面，也為了更好的利用歷史數(shù)據(jù)和專家經(jīng)驗(yàn)，該醫(yī)院決定通過數(shù)據(jù)挖掘技術(shù)對(duì)歷史數(shù)據(jù)進(jìn)行分析研究，并期望能夠建立一套有效的藥物選擇決策支持系統(tǒng)。

【數(shù)據(jù)說明】

目前有歷史病例數(shù)據(jù)1200條，咨詢專家意見，我們提取了其中影響選擇藥物的若干個(gè)變量記入數(shù)據(jù)庫，它們是年齡、性別、血壓、膽固醇含量、鈉含量、鉀含量，最后一個(gè)變量是我們需要確定的選擇藥物，數(shù)據(jù)存貯在Microsoft Access數(shù)據(jù)庫中。

【數(shù)據(jù)挖掘過程】

1、 商業(yè)理解

在這個(gè)階段我們主要需要描述清楚業(yè)務(wù)問題，并對(duì)我們手頭擁有的資源有一個(gè)非常清晰的認(rèn)識(shí)。在這個(gè)案例中，我們需要根據(jù)病人的個(gè)人情況和身體特征來確定何種藥物對(duì)它最為合適。由于問題比較簡(jiǎn)單，我們的商業(yè)理解也比較簡(jiǎn)單。

2、 數(shù)據(jù)理解

數(shù)據(jù)理解階段用來完成對(duì)數(shù)據(jù)質(zhì)量、數(shù)據(jù)之間的基本關(guān)系進(jìn)行探索性分析等項(xiàng)工作。在這個(gè)階段，我們對(duì)歷史數(shù)據(jù)中的1200條數(shù)據(jù)進(jìn)行圖形觀察，初步觀察病人的情況和身體特征是否與選擇藥物關(guān)系明顯。數(shù)據(jù)流圖見圖1。

圖1：數(shù)據(jù)理解

下面是產(chǎn)生的一些典型圖形，圖形解釋略。

圖2：對(duì)數(shù)據(jù)的初步探索性分析

3、 數(shù)據(jù)準(zhǔn)備

數(shù)據(jù)準(zhǔn)備主要完成對(duì)不同的數(shù)據(jù)源的整合，并且對(duì)數(shù)據(jù)進(jìn)行適當(dāng)?shù)淖儞Q，使之適合數(shù)據(jù)挖掘的需要，對(duì)于特定的模型，需要把原始數(shù)據(jù)集合拆分成訓(xùn)練數(shù)據(jù)集和檢驗(yàn)數(shù)據(jù)集也在這個(gè)步驟中完成。

對(duì)于本案例來說，由于數(shù)據(jù)源只有一個(gè)，并且數(shù)據(jù)格式也相對(duì)單一簡(jiǎn)單，我們?cè)跀?shù)據(jù)準(zhǔn)備中主要完成對(duì)原始數(shù)據(jù)集的拆分，從而用訓(xùn)練數(shù)據(jù)集建立模型，用檢驗(yàn)數(shù)據(jù)集對(duì)模型的效果進(jìn)行評(píng)估。

在Clementine中，對(duì)數(shù)據(jù)集的拆分，是通過引入一個(gè)中間變量來完成的。在本案例中，我們把全部1200條數(shù)據(jù)中的2/3左右(800左右)作為訓(xùn)練數(shù)據(jù)集，把1/3左右(400左右)作為檢驗(yàn)數(shù)據(jù)集。我們引入了一個(gè)二分變量——拆分變量，這個(gè)二分變量對(duì)應(yīng)1200條原始數(shù)據(jù)有2/3左右為“真”(T)，1/3左右為“假”(F)。我們挑出那些拆分變量值取“真”(T)的記錄作為訓(xùn)練數(shù)據(jù)集，那些拆分變量值取“假”(F)的記錄作為檢驗(yàn)數(shù)據(jù)集。實(shí)現(xiàn)該過程的數(shù)據(jù)流見圖3。

圖3：數(shù)據(jù)準(zhǔn)備

4、 模型建立和評(píng)估

在模型建立階段，我們將逐步建立和調(diào)整模型，并對(duì)如何提高模型的預(yù)測(cè)效果進(jìn)行嘗試。

(1) 建立最簡(jiǎn)單的模型。對(duì)于訓(xùn)練數(shù)據(jù)集，我們首先把病人的年齡、性別、血壓、膽固醇含量、鈉含量、鉀含量等不經(jīng)過任何處理，全部作為預(yù)測(cè)選擇藥物的輸入變量，而把選擇藥物作為待預(yù)測(cè)變量(輸出變量)。數(shù)據(jù)流圖見圖4，我們建立了神經(jīng)網(wǎng)絡(luò)、C5.0和Logistic回歸三個(gè)模型。

圖4：藥物選擇決策支持模型1

接下來我們用檢驗(yàn)數(shù)據(jù)集對(duì)模型進(jìn)行檢驗(yàn)，數(shù)據(jù)流圖見圖5。模型檢驗(yàn)結(jié)果見圖6。從檢驗(yàn)結(jié)果我們可以看出，Logistic模型的評(píng)估效果最好，達(dá)到了96.21%。

圖5：藥物選擇決策支持模型1檢驗(yàn)

圖6：藥物選擇決策支持模型1檢驗(yàn)結(jié)果

討論——如何提高模型的效果：從模型檢驗(yàn)中我們可以看出，三個(gè)模型中可能有不一致的情況，這就使得我們有一種思路，即我們?cè)诎l(fā)布模型的時(shí)候，可以考慮把那些三個(gè)模型預(yù)測(cè)一致的才作為預(yù)測(cè)，而把三者預(yù)測(cè)不一致的作為待判記錄隨后進(jìn)行深入的分析，這樣我們就使得模型的精度提高到了98.29%，但是作為犧牲，我們也會(huì)約有12%左右的病人是無法判斷的，需要我們對(duì)記錄做進(jìn)一步的研究。

(2) 為了更好的建立和調(diào)整模型，我們對(duì)業(yè)務(wù)進(jìn)行深入了解，引入醫(yī)生的業(yè)務(wù)經(jīng)驗(yàn)。根據(jù)醫(yī)生對(duì)醫(yī)學(xué)理論的討論和過去實(shí)踐經(jīng)驗(yàn)的積累，他們認(rèn)為人體中的鈉含量和鉀含量對(duì)病人選擇何種藥物的作用并不是特別明顯，但是他們的比例卻是影響選擇何種藥物的一個(gè)關(guān)鍵因素，所以在我們下面建立的模型中，我們生成新變量——鈉鉀比例，而剔除鈉含量和鉀含量?jī)蓚€(gè)變量。數(shù)據(jù)流圖見圖7，模型我們?nèi)耘f采用神經(jīng)網(wǎng)絡(luò)，C5.0和Logistic回歸三種模型。

圖7：藥物選擇決策支持模型2

類似(1)，我們對(duì)模型效果進(jìn)行檢驗(yàn)，檢驗(yàn)數(shù)據(jù)流和檢驗(yàn)結(jié)果分別如圖8和圖9所示。

圖8：藥物選擇決策支持模型2檢驗(yàn)

圖9：藥物選擇決策支持模型2檢驗(yàn)結(jié)果

從結(jié)果中，我們可以看出，隨著我們業(yè)務(wù)經(jīng)驗(yàn)的引入，我們的模型效果有了顯著的提高，并且我們選擇模型也發(fā)生了變化。精度由原來的Logistic回歸最優(yōu)96.21%提高到了C5.0最優(yōu)99.75%。

5、 模型發(fā)布

模型建立是為了應(yīng)用，我們前面的全部工作都在于我們建立的模型能夠被最終的業(yè)務(wù)人員所使用，假設(shè)我們由以下10個(gè)病人的資料數(shù)據(jù)，需要根據(jù)他們的情況判斷使用什么藥物最好。

表1：病人資料

該病人資料也被我們存放在Access數(shù)據(jù)庫中。我們可以考慮以下三種方式對(duì)我們的模型進(jìn)行發(fā)布供業(yè)務(wù)人員(醫(yī)生)使用。

(1) 直接寫報(bào)告的方式，通過HTML展示。數(shù)據(jù)流圖10，結(jié)果展示實(shí)際效果如圖11。

圖10：模型發(fā)布數(shù)據(jù)流1

圖11：報(bào)告方式發(fā)布結(jié)果示例

(2) 把選擇藥物直接寫回數(shù)據(jù)庫。數(shù)據(jù)流如圖12，結(jié)果大致情形如圖13。

圖12：模型發(fā)布數(shù)據(jù)流2

圖13：模型發(fā)布—把結(jié)果寫回?cái)?shù)據(jù)庫

(3) 通過Clementine Solution Publisher結(jié)合Visual C++開發(fā)應(yīng)用系統(tǒng)界面，業(yè)務(wù)人員(醫(yī)生)可以直接輸入病人資料，實(shí)時(shí)的得到藥物推薦。發(fā)布數(shù)據(jù)流見圖14，系統(tǒng)界面如圖15。

圖14：模型發(fā)布數(shù)據(jù)流3

圖15：模型發(fā)布——開發(fā)應(yīng)用系統(tǒng)