基于数据挖掘技术的急性心肌梗死病例分析

摘要

当前医疗技术与计算机技术发展日新月异，患者在治疗期间会产生大量的医疗数据，包括生化检查结果、影像数据等，这些数据涵盖领域广泛。对医生而言，如何深入分析这些数据，获得有价值的医学规则，具有重要意义。
　　论文以急性心肌梗死疾病为例，基于数据挖掘技术对其进行分析分析，主要工作如下:
　　(1)在数据库集成工具软件辅助下，构建了急性心肌梗死疾病相关数据的多维数据集，将多个医疗信息管理系统中的疾病信息集成并存放到一个独立的数据库中;疾病信息包括病案系统中的诊断信息、实验室信息系统中的化验检查信息以及医学影像信息系统的影像信息等。
　　(2)对数据集做了预处理，实现了数据的规范化。论文选取的数据源来自多个不同的数据库和病历数据，数据类型多种多样。使用中文文本分词技术和文本信息提取技术对大量文本数据进行了预处理，实现了文本数据的结构化。
　　(3)基于关联规则挖掘算法，给出了疾病特征信息的关联关系;基于聚类分析算法，实现了疾病特征信息的聚类。实验结果验证了算法的有效性。

目录

声明

摘要

1．1 研究背景和意义

1．1．1 临床医学研究面临的问题

1．1．2 医疗数据的特点

1．2 研究现状

1．3 急性心肌梗死概述与发掘难点

1．3．1 急性心急梗死概述

1．3．2 急性心肌梗死病例信息挖掘难点

1．4 论文的研究目标

1．5 论文结构

2 数据挖掘相关理论及设计流程

2．1 数据仓库技术介绍

2．1．1 数据仓库的概念及特点

2．1．2 数据仓库与传统关系型数据库的区别

2．1．3 数据仓库的模型、模式及体系结构

2．2 数据挖掘技术介绍

2．2．1 数据挖掘相关概念

2．2．2 数据挖掘的过程

2．2．3 数据挖掘的方法

2．3 总体设计流程

2．4 本章小结

3 急性心肌梗死病例数据的获取

3．1 构建数据集的辅助工具介绍

3．1．1 跨平台数据访问的难点及解决方法

3．1．2 文件数据结构化的难点及解决方法

3．2 构建多维数据源流程

3．3 文本信息处理

3．3．1 数据源选取及读取

3．3．2 文本分词

3．2．3 文本信息提取

3．4 数据预处理过程

3．4．1 数据清洗

3．4．2 数据规范化

3．4．3 数据整理

3．5 本章小结

4 病历数据挖掘及结果分析

4．1 数据挖掘算法简介

4．1．1 关联规则算法介绍

4．1．2 关联规则算法步骤

4．1．3 关联规则算法改进策略的比较

4．2 聚类算法

4．2．1 聚类算法介绍

4．2．2 K-means算法的实现步骤

4．2．3 聚类算法的局限性及改进策略

4．3 数据挖掘流程设计

4．3．1 程序编写平台及辅助工具介绍

4．3．2 关联规则实现方法

4．3．3 聚类分析实现流程

4．4 数据挖掘结果及分析

4．4．1 关联规则结果及分析

4．4．2 聚类结果及分析

4．5 本章小结

5．1 总结

5．2 展望

参考文献

作者简历

致谢