文摘

糖尿病是第二个最常见的疾病后心血管疾病和恶性肿瘤。与人民生活水平的不断加速和生活节奏,糖尿病患者的数量正在迅速增加,显示青春的趋势。中国最近的一项研究发现,1.14亿名成人糖尿病患病率高,但是认识率,治疗,和合规率很低。如果不及时治疗和控制,糖尿病各种并发症发生,如心血管、脑血管、糖尿病足,这不仅会对病人的生存有很大的影响,但也造成很多家庭和社会的压力。因此,预防和控制糖尿病是一个主要的策略来节省医疗资源,减少医疗费用。在本文中,我们主要是阅读大量的文献和积累一些重要理论知识澄清数据挖掘的基本原理和方法,参考其他学者的研究成果,选择一个新的组合算法模型结合k - means算法和逻辑回归算法建立预测模型的糖尿病和探索药物治疗糖尿病患者的法律在此基础上分析。

1。介绍

糖尿病(DM)是一种代谢异常综合征由遗传和环境因素的相互作用引起的,主要表现为慢性高血糖。随着我国人民的生活水平不断提高,糖尿病有显著影响他们的生活质量,和它的危害已经成为一个重大的公共卫生问题。2015年世界糖尿病大会,国际糖尿病联合会糖尿病最近发表了一份报告,提到全世界4.15亿名成年人患有糖尿病,或1在11。在中国有1.1亿人患有糖尿病,世界上最常见的疾病(1]。没有干预,糖尿病患者的数量到2040年将呈几何级数增长。在过去的30年里,中国糖尿病的患病率从0.67%上升到11.6%。在预防2型糖尿病在中国(2013年版)3,它是表示,主要在中国发病率组今天是2型糖尿病,90%的中年人和老年人。根据研究与相关信息,糖尿病的患病率是20%以上患者60岁及以上。它的发病率是10倍20至30岁的年轻人口。由其他因素,糖尿病的发病率上升68%,每10年的增长。快速增加糖尿病的发病率在我国主要是由于以下因素(2]。首先,生活方式的变化。体力劳动的减少可用性社会和医疗资源的高利用率导致糖尿病的发病率不断增加。其次,饮食的变化。随着人民生活水平的增加,糖尿病的发病率随着肥胖的患病率增加。第三,人口的老龄化和遗传因素等。3]。

根据最新的国际糖尿病联合会的数据,2013年全球糖尿病患病率达到8.3% (4),和数量正在迅速增长2]。据估计,到2035年,全世界大约有5.92亿人患有糖尿病,大约有46%的人将确诊。数据显示,全球死于糖尿病并发症的数量大约是510万,与5480亿美元的医疗费用,或世界卫生支出总额的11%,2035年预计将达到6273亿美元。目前,在这个国家有1.14亿糖尿病患者,其中50.1%是糖尿病患者“预备役人员”。潜在的糖尿病发病率高达15.5%,和60.7%的糖尿病患者得不到及时的治疗和预防教育(5]。

据《中国统计年鉴》,卫生保健的人均消费在2013年是6.9%,比1990年增加了4.2% (6]。这表明除了卫生保健成本的提高,健康管理的重要性也在不断增加,这是增加医疗开支的一个重要原因。健康管理是近年来越来越感兴趣的话题,和它的发展会更有前途。三级预防是传播健康知识和实现改变贫穷的生活方式,以防止和控制风险7]。

目前,糖尿病的预防和治疗在中国建立了政策的“政府主导,全民参与,摘要,结合控制,主动发起,和稳定的进展,”但是糖尿病的患病率和死亡率仍然很高。的原因是糖尿病的早期诊断和筛查技术尚未完善(8),因此许多患者已经在中间或后期诊断时;此外,糖尿病的疗效和预后非常差,和糖尿病的一级预防和二级预防国内投资显然是不够,还缺乏有效的预防和干预手段;最后,由于其并发症,糖尿病患者的生活质量降低(9),使一个伟大的医疗负担的家庭和社会。最后,由于其并发症,糖尿病患者的生活质量降低,使一个伟大的家庭和社会医疗负担。因此,糖尿病患者的风险预测可以提供早期预警和全面、连续的和积极的管理,促进健康和提高生活质量(10]。

最新的医疗信息系统仅限于单向数据收集和统计,缺乏总结医疗卫生数据的方法,获取知识和信息,并主动管理(11),反馈,和干预已经可用的信息(5]。数据挖掘是一个重要的技术工具,它可以从大量的数据中提取需要的数据。因此,本文的研究侧重于使用各种数据挖掘技术来开发糖尿病风险预测模型并分析其药物使用模式的目的是预防和控制糖尿病的发展(12]。

2。相关技术的介绍

2.1。数据挖掘技术

数据挖掘的概念首次引入人工智能在第11届国际联合会议于1989年8月(IJCAI)展出。数据挖掘技术将数据转换成知识;它将有针对性地收集数据并分析它并将其转换成有用的知识。在这些规则中,数据挖掘需要遵循以下规则:(1)数据挖掘的目标是大型和高维数据(2)数据挖掘的结果是可以理解的和有用的知识(3)数据挖掘是数据库,为决策提供支持

2.1.1。过程潜在的数据挖掘

常见的数据挖掘包括以下:目标理解、数据收集、数据预处理、模型建立、模型评估和执行(13]。数据挖掘的流程图如图1。(1)客观的理解。最初的工作重点是理解项目的目标需求,将学到的知识转化为数据挖掘问题(2)数据采集。在此基础上,收集数据对象执行,所需的数据存储在一个数据库或数据仓库(14](3)数据预处理。这包括数据集成、数据属性、数据清洗和数据转换(4)建模。根据数据和挖掘目标,适当的分析工具,如SPSS

柑橘、Wika等标识。贝叶斯网络、关联规则、决策树、网络、聚类分析和其他相关模型可以为数据挖掘的需要。(5)模型评估。通过比较现有的准确的结果由专家或确认(6)模型的实现。获得的知识是存储在一个知识库,供其他应用程序使用

数据挖掘可以被认为是一个周期性的过程操作,如果未能达到目标的每一步挖掘之前,你就会回到上一步,再次做出调整,再次执行(15]。

2.2。k - means算法

集群是相似性的有效分类不同的数据项的集合数据;每个结果集被称为集群(16]。聚类是一种无监督学习方法,只提供了数据项的属性值没有给出分类的数据项值和它的主要目标是将其他类型的数据项到一个集群。原始数据进行了分析和研究深度使用聚类算法,并可以发现每个数据项的具体位置和比较基于实验结果的数据集的属性(17]。

k - means算法是一个典型的基于距离的聚类方法,它使用距离作为相似性的衡量,这意味着给定的距离越短,越相似。

k - means算法的关键是选择 - - - - - -值,这是一种无监督学习算法,要求实验者选择 - - - - - -基于经验值。

算法过程如下,一个简单的图如图2。(1)集(假设 )作为算法的初始聚类中心,选择(假设 )任意的原始数据集(2)分别计算剩余的每个数据项和分类成集群由最近的中心根据计算距离(3)重新计算集群的中心,确定中心已经发生了变化(4)周期2 - 3步骤,直到新的集群中心等于或小于最初的临界点,和方法

2.3。逻辑回归算法

在糖尿病的临床应用,二分的方法通常用于病人的独立变量分为两类进行分类(18]。逻辑回归算法模型分为两种类型,二次和多个,根据变量。二元因变量更常见的情况下,也就是说,输出可能只有两个值,“0”和“1”代表含义如通过或失败,赢得或失去,是死是活,健康或生病。多元逻辑回归分析发生在有两个以上的结果类型变量的属性值(19]。

逻辑回归方法预测有限数量的因变量(两个因素在伯努利试验中),而不是连续的,而传统的线性回归方法。此外,线性回归预测不是有意义的二进制变量。我们要做的是将二进制变量转换成变量,可以承受所有的真实值(正面或负面)[20.]。为了达到这个目标,二项逻辑回归的第一个事件的概率分为个人独立变量在每个级别,尺度不断(但不是消极),建立了对数(即连续标准。分对数或log-odds)作为转换版本的变量。

本文的分析研究糖尿病关注一个二进制逻辑回归算法模型,基于线性回归算法模型的以下公式: 在哪里是独立变量的数量。

逻辑回归算法的公式模型定义如下图3乙状结肠函数变换曲线的显示了一个简单的例子。 在乙状结肠函数变换如图3。

3所示。应用方法设计

3.1。结合k - means和逻辑回归算法模型

数据挖掘技术具有广阔的应用前景在糖尿病患者的诊断,无论是分类,聚类,或协会分析,为糖尿病患者提供相关的研究基础(21]。正确使用数据挖掘技术从大量的数据可以发现隐藏的信息。本文基于k - means改进方法和逻辑回归来预测相结合,并给出相应的模型。它的模型流程图如图4。

该组合的应用k - means算法和逻辑回归模型包括以下7个步骤:(1)测试基于UCI的信息来获取糖尿病的可能因素(2)筛选某些不恰当的和不一致的数据在数据预处理阶段(3)原始数据与使用k - means聚类算法分类标记被淘汰(4)确定剩下的数据量比总原始数据,并使用新的种子值如果比率小于75%(5)使用监督逻辑回归算法对剩余的数据进行分类(6)验证试验结果的准确性、安全性和规范(7)与现有的模型相比,证明该模型优于现有的模型

3.2。实验数据预处理

数据预处理是数据挖掘的一个关键部分,因为数据挖掘是数据驱动实验。分析的数据特点和系统在前一节中,我们可以看到,完整、准确、充分、有效数据是数据挖掘的基础;否则,它将不可避免地导致失败的数据挖掘“垃圾,垃圾了。”

糖尿病患者医疗数据的预处理与集中式挖掘的预处理类似,但也有自己的特点,通常分为以下步骤:(1)数据选择:不相关和冗余信息消除。例如,一些病人的信息不相关条件的变化模式可以被消除(2)数据删除:这主要包括以下:不含噪音,剔除异常数据,纠正不一致的数据,弥补缺失的数据,删除丢失的数据,删除丢失的数据,用常量代替缺失值,意味着和预测值。这一步是一个重要的数据预处理过程的一部分,这将直接影响数据挖掘的建模和分析(3)数据转换:将集成数据转换成数据格式,满足数据挖掘的需求,包括数据格式和数字化的文本数据,等等。(4)简单的数据:如果有太多的数据属性或变量,它不仅将无法有效地构建模型,但它也将产生噪音,所以它必须与简单的数据处理(5)异常数据的处理(异常值):数学方法、异常检测、聚类分析等算法用于处理异常数据

3.3。分析组合模型算法的实现过程

不能正确的原始数据集群是首先使用了改进的k - means过滤方法22),剩下的优化的数据作为输入用于下一层。然后,剩下的逻辑回归方法用于分类数据,最后的结论是整个模型的分类效果。

在实验中应用方法的皮马印第安人糖尿病数据,也需要优化的质量原始数据利用数据预处理技术来提高数据挖掘的效率(23]。首先,每个属性的定义及其与糖尿病的关系比较详细,和一个结论是,0表示没有怀孕,1表示怀孕的经历。这个计算过程可以减少信息的复杂性和增加了算术运算的处理速度。

在收集信息时,往往失去了各种记录,统计项目并不是标准化的。例如,舒张压的值,脂肪厚度,和血清胰岛素不可能是零,这表明有些是真的。为了减少缺失值的影响和无意义的值的预测结果,本文使用“ReplaceMissingValues”过滤方法,取代所有缺失值的最常见方法或平均水平。在这里,在怀孕之前加工数0值物品不需要更换。

k - means算法的一个最大的缺点在WEKA工具平台的初始种子值是随机生成的,因此,实验者必须确定初始种子值基于他或她自己的项目经验。的初始种子值k - means算法通常有直接影响实验数据的集群效应。为了防止随机初始种子值中的错误,许多有效的方法被用于实验。第一步是记录产生的价值观和安排他们,每个值对应于一个值称为“在集群的平方误差的总和,”,值越小,更好的聚类效果。实验记录的所有10000个值”在集群的平方误差的总和”,这与1 - 10000 subvalues。获得高质量的主要种子值将用于下一阶段。第二部分是k - means算法结束时,必须添加一个周期。不能正确的数据集群被排除在实验中,下面的公式是用于查找范围值。如果比例超过75%,下一阶段将使用正确的分组数据。如果不是,该算法将退出循环,重置一个新的种子值。 If after 10,000 uses, or after 10 seconds of use, a suitable initial seed value has not been found and that value is greater than 75%, the largest initial seed value, and the corresponding seed value will be selected. Based on initial experience and preliminary judgments, the initial value of the seed selected for this test was 100.

在表1集群,最终结果显示上述处理,把458年cluster0代表消极的项目,而其他310人聚集到集群1代表积极的东西。通过比较768年原始数据项的分布数据集(500 -和268年积极),179错了集群和589正确的集群终于获得的例子,使用正确的集群实例初始数据集占总数的76.69%。

摘要K -意味着聚类方法用于分类数据分为积极和消极类的初始种子数量100。通过这种方法,可以分为噪声数据和分类错误,从而导致更准确的数据。初始数据集有500 - 268正数。分类和聚类算法取得了458 - 310年积极的消息,这意味着有200集群数据不正确。消除这些消息之后,剩余的数据集的实例数量达到568人,这部分数据的数据集占据了总数的74%。

在第二阶段,使用逻辑回归算法进行分类分析。与独立变量原始数据集信息项,有积极和消极的两类分类结果属性。逻辑回归算法中是主体是否糖尿病或不的八个属性的值是原始数据集。每个因素分配系数值,叫什么β代表重量。对数据进行有效地分析了逻辑回归算法获取变量的权重,和每个重量的大小表明之间的区别和 。完成算法模型之后,新的数据输入和结果预测的积极的和消极的结果。

4所示。实验分析的应用实践

4.1。实验环境设置

本文中使用的工具是WEKA怀卡托智能分析环境(WEKA),其中包含大量的预处理、分类、聚类及相关经典分类、聚类和关联算法。可视化界面使用WEKA让实验对象的数据可供开发的快速和简单的实验。同时,使用WEKA提供的基本信息,可以很快掌握的操作平台和使用WEKA的接口文件轻松地完成自己的计算。它的界面图如图5。

WEKA平台结合了大量的核心模型和可视化工具,为实验者提供一个方便的人机界面为范围广泛的不同的数据收集。WEKA的原始版本的Tcl / Tk前端模型算法和Makefile系统运行机器学习和数据挖掘实验。如今,这完全基于java版本广泛应用在许多方面,特别是在教学和研究。它的主要优势如下:(1)自由访问该工具平台所有利害关系方(2)可移植性:java开发工具平台可以很容易地移植到其他平台(3)最有效的数据预处理和数据建模技术(4)易于使用的图形用户界面

4.2。数据集的准备

第一个数据集用于本文从皮马印第安糖尿病数据在UCI机器学习(UCI)数据库中,共有768项。768年的主题是公众在亚利桑那州,美国,和美国国家糖尿病和肾脏疾病研究所将进行持续研究这个地区的人口。每个数据项包括八种基本属性,都是数字类型,包括个人的基本健康状况和卫生保健检查。对于每个属性值,这个数据集的一些示例如表所示2。

4.3。实验结果分析糖尿病的预测

改进的k - means和逻辑回归组合预测模型提出了在前一章,并在应用数据集和开展相关实验,最终得出结论,结合k - means和逻辑回归预测模型很好。实验结果显示在WEKA工具平台如图6。

测试数据集,提出了一种改进的组合K-Min-Logistic回归预测模型与其他模型并比较其性能。

改进的k - means和逻辑回归方法被用来分析实验数据和相应的实验结果,如表所示3和4。Kappa统计值为0.752,超过了0.75,表明该方法有很好的相似性。预测精度分别为0.916,0.964,0.964,0.752,和0.957,分别。结果显示90.7%的准确性。实验数据的分析表明了该方法的有效性。

4.4。实验分析药物在糖尿病患者中使用模式

根据修改后的k - means和逻辑回归预测模型中,糖尿病患者的用药模式进行了研究。实验结果显示,有283名2型糖尿病患者187草药,和鼠尾草divinorum最高的有243例,占85.87%。

分析药物的使用在T2DM病人显示21临床上重要的药物组合,包括10种丹•沈宣沈,苍朱、通用电气通用电气Ge,白朱、黄联,黄琦,唱之,Gui姚和枸杞。

特别是,两种药物在试验,确定吡格列酮和chlorosulfopropylurea。来验证这个结论,我们查阅了大量的文献,并根据可用的研究中,吡格列酮确实住院率增加的危险因素。随着吡格列酮和chlorosulfopropurea与糖尿病患者的一些负面影响,它可以假定上述吡格列酮和chlorosulfopropurea可能增加的风险在住院病人接受。

药物规则数据挖掘试验不仅考虑单数据,但也不作为垂直数据集和可能包含不完整的数据。例如,许多潜在的数据项被忽略,因为他们有小方差和缺失值。同时,信息不区分1型和2型糖尿病,所以上述试验的结果不能反映两者之间的差异在药物的使用规则。这个试验是一个试图使用数据挖掘技术在这一领域。因此,未来的研究应该使用同样的方法来分析这个电子病历在弗吉尼亚州进一步测试和改善现有的药物治疗规则。

5。结论

快速增长的医疗数据和数据挖掘技术的发展使医疗数据的有效使用了一个关注的焦点。本文结合数据挖掘模型与医疗数据特性分析糖尿病患者的疾病和药物使用在临床数据,提出了一套合理和适当的预测模型在高危人群患糖尿病的风险基于大量研究人员的经验。模型分析了通过WEKA平台,和其预测精度已经在先前的研究发现显著提高。皮马印第安人糖尿病这篇论文使用的数据集和糖尿病数据挖掘是许多研究的标准,而这些数据与其他研究人员。的长处和弱点详细试验数据的预处理,以确保它们是正确的,合理的,标准化。最后,经过改进的k - means和逻辑回归方法相比,有高达95.42%的预测精度和更好的结果的结论的平均预测,分析糖尿病药物治疗模式可以通过关键字进行设计模型试验期间,收益率最高频率的丹参、发生。

数据可用性

本文中使用的数据集可从相应的作者。

的利益冲突

作者宣称,关于这项工作他们没有利益冲突。