基于中医临床数据的潜变量建模分析

目的结构方程模型(structural equation model,SEM)是一种建立、估计和检验因果关系的潜变量建模方法,目前在心理、教育和社会科学等学科领域中得到广泛的应用。中医临床数据中蕴含着许多重要但无法直接测量的潜变量(如证候),传统的一阶验证性因子分析方法仅能够分析单层次潜变量与症状指标间的相关性。本文提出基于中医临床数据的二阶验证性因子分析潜变量建模方法,对两个层次的证候及其症状指标进行相关性分析,从而为医生进一步定量理解疾病进展规律提供一定帮助。方法针对非小细胞肺癌中医临床数据特点,将中医证候和虚实辨证证候作为两阶因子,对其与症状指标进行潜变量建模分析。结果实验结果验证了非小细胞肺癌临床数据中的中医证候与虚实辨证证候及其与不同症状指标的相关关系。结论中医证候与虚实辨证证候以及症状指标间存在一定的内在相关规律,本研究对中医证候的规范化影响具有一定的意义。     

多层线性模型在肺癌患者肿瘤进展中的应用

目的通过分析肺癌患者以随访方式收集的一组纵向数据,研究肺癌患者肿瘤大小随时间变化的趋势,同时分析这种变化趋势的个体症状之间的差异性。方法本文采用多层线性模型,对肿瘤发展的纵向数据进行了深入研究。首先对213例非小细胞肺癌患者进行了2年的随访记录,记录患者性别、是否抽烟、症状(咳嗽、痰中带血、胸痛、发热、神疲乏力)和肿瘤大小数据,然后通过建立多层线性模型分析肿瘤大小与患者性别、是否抽烟及患者所表现出症状之间的关系。结果通过对肺癌患者数据建立多层线性模型并进行数据分析,发现患者性别、是否抽烟与肿瘤的大小有密切关系,且不同个体特征对肿瘤大小的影响存在差异。结论多层线性模型可以分析肺癌患者肿瘤发展的纵向数据,得到肿瘤大小的发展趋势,并可以进一步分析这种趋势在个体之间的差异性。     

基于多特征融合的中文电子病历命名实体识别

目的针对某三级甲等医院电子病历中的非结构化部分(诊断和病情),建立多特征融合的条件随机场模型,自动化识别用自然语言描述的电子病历(electronic medical records,EMR)中的疾病和症状,从而实现电子病历信息的结构化存储,以利于电子病历的信息挖掘和统计分析。方法将手动标注的语料库分为训练集和测试集,借助NLPIR工具分割文本,选择CRF++工具进行实验。针对中文电子病历的数据特点,先选取基本特征和相应的特征模板,通过不同上下文窗口的对比实验确定其大小;再分别添加引导词特征和构词结构特征,对比两种高级特征对实验结果的影响。结果仅选取基本特征,上下文窗口为7时,识别效果最好;添加高级特征后,最终疾病实体F值为92.80%,症状实体F值为94.17%。结论条件随机场模型融合多种有效的特征,可以很好地识别出电子病历中的疾病和症状实体。本研究对电子病历的命名实体识别有重要的意义。     

基于CBR和SVR的生化需氧量预测模型

针对污水处理过程生化需氧量（BOD）浓度难以实时监测的问题,建立了一种基于支持向量回归机（SVR）修正方法的案例推理（CBR）预测模型。该模型主要包括案例检索、案例重用、SVR修正、案例存储等4个部分,其中,SVR修正模型是利用历史数据构造修正案例库,并采用SVR训练而获得的,可以对传统CBR求解模型得到的BOD浓度建议值进行修正。实验表明本文模型的拟合误差优于支持向量机（SVM）、BP神经网络、RBF神经网络以及传统CBR方法,说明SVR修正方法的引入可以改善CBR的回归性能,提高CBR的学习能力。