基于数据挖掘探讨禤国维教授治疗痤疮的临床经验

摘要

目的:
　　通过对名老中医禤国维教授治疗痤疮的413个医案进行数据挖掘分析，拟构建痤疮中医临床本体知识库、禤国维名医验案数据库，以及对痤疮临床情景式系统的验案检索和病例智能辨证功能进行专家评价，以提升系统的临床辅助决策效果，探索禤国维治疗痤疮的辨证特点和用药规律，促进名老中医学术思想和临床经验的继承和发展，提高中医药治疗痤疮的优势和临床疗效。
　　方法:
　　文献研究部分，通过整理中西医对痤疮的诊治现状，并与禤国维教授论治痤疮的学术思想作比较，突出禤教授治疗痤疮的独特与创新之处。数据挖掘部分，收集禤国维教授治疗痤疮医案413个，通过健康医疗大数据智能处理平台将痤疮信息采集表中的相关数据进行录入整理，建立痤疮验案数据库，使用频数分析、关联规则分析、聚类分析等数据挖掘方法，利用平台系统对大数据进行可视化多维分析、知识地图绘制、知识图谱自动构建以及中医药多元知识推理分析等，综合全面探析禤国维教授诊治痤疮的学术思想和临床经验。
　　结果:
　　在中医辨证分型方面，以阴虚内热型为主(548)，冲任失调(82)和痰瘀热结(81)各占一定的比例。治则治法以滋阴泻火，清肺凉血(530)为主;养阴清热，化瘀散结(94)和养阴清热，调理冲任(90)以及健脾祛湿也占一定的比重。在用药选择上，禤国维教授治疗痤疮主要使用性味甘寒、苦寒、微寒、甘平为主，归经以肝、胃、肺、肾、心经为主，功效以的滋阴清热药物为主组方，以补阴药(16.6％)、发散风热(15.5％)、清热解毒药(10.3％)、活血化瘀药(8.9％)为主的药物为主，体现禤国维教授治疗痤疮的滋阴泻火，清肺凉血为主的治疗原则。用药规律上，禤教授用药频数高的主要是蔓荆子、女贞子、旱莲草、桑叶、桑白皮、生地、丹参、白鲜皮、白花蛇舌草、布渣叶、甘草等药物，临床上也经常用枳实-厚朴、紫菀-款冬花、桔梗-前胡、昆布-松针、知母-地骨皮、金樱子-诃子以增强临床疗效，另外还挖掘出一些新的潜在的药物组合，如牛膝-两面针、茜草-鸡血藤、浮萍-白蒺藜、芡实-冬瓜子、香薷-菟丝子等药物配伍。
　　结论:
　　1.利用健康医疗大数据智能处理平台研究中医验案具有可视化、清晰化、数字化的优点，具有一定的科学性和可操作性。
　　2.禤国维教授论治痤疮，以肾阴不足，相火过旺为根本致病机理，治以滋肾泻火，清肺胃热为主，用药以滋阴清热、活血化瘀药物为主，用药组合以蔓荆子、女贞子、旱莲草、桑叶、桑白皮、生地、丹参、白鲜皮、白花蛇舌草、布渣叶、甘草等为基础加减化裁，辅以柴胡、郁金、夏枯草、浙贝母、益母草、丹参等以疏肝理气、软坚散结、活血化瘀、调理冲任。

目录

声明

摘要

引言

第一章 文献研究

1．1 数据挖掘的概念

1．2 数据挖掘对名医经验传承的意义

1．3 数据挖掘方法在名医经验传承方面的研究方向

1．3．1 中医证候关联分析

1．3．2 中药方剂配伍规律研究

1．4 数据挖掘方法及其在名医经验传承方面的应用

1．4．1 频数分析

1．4．2 关联规则

1．4．3 聚类分析

1．4．4 决策树

1．4．5 贝叶斯网络

1．5 数据挖掘软件及其在名医经验传承方面的应用

1．6 基于本体技术和机器学习的情景式决策支持方法研究

1．7 情景式决策支持方法研究在名医经验传承方面的应用

1．8 文献归纳小结

1．9 中医对痤疮的认识

1．9．1 古代中医对痤疮的认识

1．9．2 现代中医对痤疮的认识

1．9．3 文献归纳小结

1．10 西医对痤疮的研究进展

1．10．1 痤疮流行病学研究

1．10．2 病因及发病机制

1．10．3 痤疮的治疗现状概况

1．10．4 文献归纳小结

第二章 临床研究

2．1 制作痤疮信息数据采集表

2．2 研究对象及来源

2．3 病例选择标准(详见附录2)

2．3．1 诊断标准

2．3．2 纳入标准

2．3．3 排除标准

2．4 研究方法

2．4．1 选择与组织数据

2．4．2 知识库的建设

2．4．3 知识图谱绘制和画像分析

2．4．4 数据挖掘步骤

3．1．1 性别分布结果

3．1．2 发病时间(月份、节气)分布结果

3．1．3 患者病程分布

3．1．4 患者职业分布

3．1．5 患者症状分布

3．1．6 患者舌象分布

3．1．7 患者脉象分布

3．1．8 患者辨证分析情况分布

3．1．9 患者中医辨证分布

3．1．10 患者治则治法分布

3．1．11 中药频次分布

3．1．12 中药性味归经频次频率分布

3．1．13 中药功效频次频率分布

3．2 主要知识节点关联结果

3．2．1 四诊关系关联结果

3．2．2 辨证关系分析关联结果

3．2．3 案例用药关联结果

3．2．4 智能多维分析挖掘

3．2．5 分析预测

3．2．6 探索性发现

第四章 分析与讨论

4．1 一般情况分布结果分析

4．2 关联聚类结果分析

4．3 智能多维分析挖掘结果分析

4．4 分析预测和探索性发现结果分析

4．5 不足与展望

结语

参考文献

附录

在校期间发表论文情况

致谢