[发明专利]一种基于词向量模型的疾病模式挖掘方法及装置

说明书

本发明提供了一种基于词向量模型的疾病模式挖掘方法及装置。该方法包括：获取原始医疗数据data，分别进行0‑1二值化处理，处理后得到二值矩阵，根据所述二值矩阵Mat，构造词向量模型的训练样本集合；训练所述词向量模型，得到医疗指标编码矩阵；医疗指标编码向量层次聚类；可视化聚类结果，得到模式挖掘的结果。针对信息化医疗数据固有的数据量大，内容不完整，噪声大，特征间关系复杂等特点，将自然语言处理中词向量模型应用于医疗数据，可有效地进行医疗大数据疾病模式挖掘。

技术领域

本发明涉及医疗数据挖掘领域，更具体的说是涉及一种基于词向量模型的疾病模式挖掘方法及装置。

背景技术

随着计算机在医学上的应用日益普及，用计算机存储病案在医院已经十分普遍。长期以来，各大医院收集保存了大量的临床诊断数据，这些数据既包括对病人的血糖、血脂、肝功、肾功等生物指标进行测验得到的数值数据，还包括病人的身高、体重、年龄、性别、职业等自然数据，以及疾病史、吸烟史、饮酒史、患病症状、用药及治疗方案等众多非数值数据。这些临床诊断数据中蕴藏着大量的有价值的信息，对不同疾病患者的临床诊断数据进行数据挖掘，有助于发现与该疾病相关的发病规律、危险因素及其之间的相互影响，为疾病的临床诊断和治疗提供参考。

然而，由于临床诊断数据固有的数据量大，内容不完整，噪声大，特征间关系复杂，现有医疗数据分析的方法，如关联分析、聚类分析、孤立点分析、演变分析等，已经不能满足解决此类复杂问题的需要。如何从这些海量信息中运用各种数据挖掘技术探求各种疾病之间或疾病与生活习惯之间的相互关系，更好地为医院的决策管理、医疗、科研和教学服务，己经越来越为人们所关注。

发明内容

有鉴于此，本发明提供了一种基于词向量模型的疾病模式挖掘方法及装置，该方法将自然语言处理中词向量模型应用于医疗数据挖掘，对于内容不完整、特征关系复杂的海量医疗数据，可以有效地进行疾病模式挖掘。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种基于词向量模型的疾病模式挖掘方法，包括如下步骤：

S1：获取原始医疗数据data，所述原始医疗数据data包含N条记录，每条记录包含M_raw个原始特征；所述原始特征包括：患者生活习惯特征、血糖、肝功、患病情况和患病史信息；

S2：对所述M_raw个原始特征分别进行0-1二值化处理，处理后得到二值矩阵Mat∈[0,1]^N*M，M为处理后新特征的个数；所述新特征的个数为待分析医疗指标的个数；

S3：根据所述二值矩阵Mat，构造词向量模型的训练样本集合；

S4：训练所述词向量模型，得到医疗指标编码矩阵W∈R^M*T；所述编码矩阵W为M个待分析医疗指标的T维编码向量；

S5：对所述M个待分析医疗指标的T维编码向量进行层次聚类；

S6：可视化聚类结果，得到模式挖掘的结果。

在一个实施例中，步骤S2中对所述M_raw个原始特征分别进行0-1二值化处理，包括：

根据医疗数据包含不同取值类型的原始特征，对于所述不同取值类型的原始特征分别进行处理，具体处理步骤如下：

S21：对于二分类特征：设原始特征F₁的取值f₁∈{v₁,v₂}且在数据中两个取值出现的次数从原始特征F₁中提取出一个二值医疗指标Z，此处Z的取值