基于文本挖掘的乳腺癌相关蛋白研究前沿探析

目的：利用文本挖掘方法,聚类分析近几年乳腺癌相关酶的研究现状,并利用相关算法识别类团的演化。方法：以2009-2011年和2012-2014年Pubmed数据库中收录的乳腺癌相关酶研究的文献为数据源,采用文本挖掘技术,进行数据清洗,实体抽取,构建共词矩阵并进行双聚类,形成类团,并对比两阶段类团的变化。结果：通过双聚类,识别相关酶的类团及与之对应的相关乳腺癌概念,并利用相关算法识别出类团的演化关系。结论：利用双聚类算法及相关演化算法可以识别乳腺癌相关酶研究的演化,希望对科研工作者提供有益的指导。     

利用双聚类算法探测内科学知识基础及研究前沿

目的：利用双聚类算法探测内科学知识基础及研究前沿。方法：收集内科学高影响力杂志的数据,利用gCLUTO软件对数据进行双聚类分析,获取内科学领域知识基础和学科前沿。结果：近年来内科学的研究前沿表现为6个方面,临床流行病学和循证医学越来越多地与临床医学结合,成为临床研究者关注的方向。结论：双聚类算法在探测学科知识基础及研究前沿具有可行性,在未来的研究中,可以尝试将双聚类算法推广到各领域的学科发展评价中。     

利用双聚类算法探测综合医学与内科学知识基础及研究前沿

目的：利用双聚类算法探测综合医学与内科学知识基础及研究前沿。方法：收集综合医学与内科学高影响力杂志的数据,利用gCLUTO软件对数据进行双聚类分析,获取综合医学与内科学领域知识基础和学科前沿。结果：近年来综合医学与内科学的研究前沿表现为6个方面,临床流行病学和循证医学越来越多地与临床医学结合,成为临床研究者关注的方向。结论：双聚类算法在探测学科知识基础及研究前沿具有可行性,在未来的研究中可以将双聚类算法推广到各领域的学科发展评价中。     

基于双聚类方法的乳腺癌相关酶研究前沿

以2009-2011年和2012-2014年PubMed收录的乳腺癌相关酶研究的文献为数据源,利用TDA进行数据清洗、实体抽取和构建共词矩阵 ;利用gCLUTO进行双聚类,形成类团,识别研究前沿热点;利用相关算法识别出类团的演化关系。     

基于双聚类算法探测引文分析的知识基础及研究前沿

基于双聚类算法对引文分析相关的高被引文献及其来源文献同时聚类,从高被引论文(知识基础)出发,依据聚类模块选择与高被引论文簇关系最为密切的来源文献代表研究前沿,总结引文分析的知识基础和研究前沿,从而了解专题发展脉络,为科学研究提供参考方向。     

我国心血管疾病科研国际合作网络研究

对我国心血管疾病领域发表文献的国家合著情况进行研究,利用社会网络分析方法,利用网络密度、结构洞、核心-边缘、凝聚子群4个量化指标并辅以双聚类方法对形成的网络进行分析,进而展现合作网络结构,揭示优势位置国家,挖掘热点合作领域.     

国内卫生应急体系研究热点的双聚类分析

目的：梳理卫生应急体系研究的相关文献并进行可视化分析，识别卫生应急体系研究领域的热点和盲点。方法：以中国知网、万方数据知识服务平台为数据源，检索2003-2021年该领域发表的文献。采用gCLUTO 2.0软件对关键词进行双聚类，并根据聚类结果进行分析。结果：经筛选得到文献2 235篇，结合聚类分析结果和文献梳理结果得到“新冠疫情”“紧急医学救援”“疾病预防控制体系”“卫生应急体系和能力”4个主题。结论：卫生应急体系相关研究政策导向性较强、缺乏连贯性、政府决策支持类文献缺乏实证研究、循证力度不足等问题。     

基于高频关键词共现聚类的远程医疗研究热点分析

目的：用可视化方法呈现远程医疗研究热点,为远程医疗研究人员了解其现况提供参考。方法：利用书目共现分析方法结合双聚类软件gcluto,对WOS数据库中远程医疗领域近十年的论文进行聚类分析。结果：当前远程医疗研究热点集中于系统建设、评价分析以及数据传输等方面。结论：远程医疗作为促进医疗资源合理分配的重要医疗服务方式,需要研究人员不断探索与新技术的融合,改善医疗服务质量,促进医疗服务平等化。     

全膝关节置换术后血栓形成的数据挖掘及聚类分析

目的：探讨全膝关节置换术与血栓形成之间的研究热点,及其年度趋势与活跃期刊的分布。方法：使用PubMed检索文献、BICOMB数据挖掘、gCLUTO聚类分析,并基于主要主题词的共词矩阵建立战略坐标。结果：相关的289种期刊的1 039篇文献中,最活跃的20种期刊共发表522篇文献,所占比例为50.24%。通过对28个高频主题词的双聚类及绘制战略坐标,发现4类研究热点,其中类别2“全膝关节置换术中静脉血栓等术后并发症的防控方法”可成为未来研究的热点之一。结论：“全膝关节置换术中静脉血栓等术后并发症的防控方法”是临床上面临的重要问题,但目前血栓这一并发症的发生仍无法预测,人工智能应用于医学或许能够解决这个问题。     

芴类衍生物的研究进展

目的了解芴类衍生物的研究进展。方法参照国内外发表的相关文献,对芴类衍生物的应用及合成方法进行概述。结果芴类衍生物在应用及合成方面的研究取得了较大的进展。结论芴类衍生物在材料、化工、医药等领域有着较好的潜在的应用前景,将仍然是未来研究的热点之一。     

国内图书馆数据挖掘研究及应用的文献计量分析

利用文献计量学方法,对国内图书馆数据挖掘研究及应用相关论文从发表年代、主要期刊、文献内容等方面进行分析,认为数据挖掘近几年逐渐成为数字图书馆领域的研究热点,但论文质量有待进一步提高,特别是针对应用实践的文献比例较低。     

数据挖掘在生物医学数据分析中的应用

随着信息技术的发展,采集、存储和管理数据的手段日益完善,数据挖掘学科应运而生。文章阐述数据挖掘的概念;通过给出各种数据挖掘方法在生物医学研究领域中的应用实例,分析数据挖掘与生物医学领域中统计学的关系,并就国内生物医学数据挖掘的应用现状、需要解决的问题以及今后研究的发展方向等进行综述。     

基于知识图谱的影像组学研究可视化分析

目的：使用知识图谱的方法对影像组学领域文献分布、研究力量分布和研究热点进行分析,为相关研究提供参考。方法：下载Web of Science数据库中影像组学文献题录。分别使用BICOM 2.0.1和SATI 3.2对发表年份、期刊、作者、关键词、科研机构数据进行清理和频次统计;使用CiteSpace V4.4.R1构建国家(地区)合作网络知识图谱;使用Ucinet 6构建核心著者、核心科研机构的合作网络知识图谱;使用gCLUTO 1.0构建高频关键词双聚类图。结果：共检索到700篇文献,自2012年开始论文发表数量逐年快速增长。在该领域领先的主要有美国、中国、荷兰等国家,形成5个重要科研机构合作群和10个重要著者合作群。根据高频关键词双聚类分析发现8个研究热点方向。结论：影像组学作为一个新兴的研究方向处于快速发展阶段,越来越多的国家、科研机构及多学科背景科研人员投入到相关研究中,并不断有新的名词、新的方法出现在该领域。     

数据挖掘在生物医学数据分析中的应用

随着信息技术的发展,采集、存储和管理数据的手段日益完善,数据挖掘学科应运而生。文章阐述数据挖掘的概念;通过给出各种数据挖掘方法在生物医学研究领域中的应用实例,分析数据挖掘与生物医学领域中统计学的关系,并就国内生物医学数据挖掘的应用现状、需要解决的问题以及今后研究的发展方向等进行综述。     

智慧医院规划设计及应用实践

以泸州市中医医院为例,从基础业务系统、基础硬件工程、数据仓库和数据交换中心、数据挖掘与为管理层提供决策支持几方面阐述医院智慧医疗架构设计及其应用,实践表明该系统应用能够提高医院智能化水平,为相关研究提供参考。     

数据挖掘技术及其在临床恶性肿瘤诊疗中的应用

介绍数据挖掘相关技术,包括特征选择、离群值检测模型、聚类模型、关联规则模型、分类模型、集成学习算法等方面,对数据挖掘在临床恶性肿瘤诊断、预后及管理中的应用进行具体阐述。     

数据挖掘技术在中医证候研究中的应用概述

对近5年来数据挖掘技术在中医证候研究中的应用情况进行归纳总结,介绍中医证候数据挖掘的特点、关键环节、应用方向和主要方法,并分析了数据挖掘技术在中医证候研究领域中的重要作用和意义。     

数据挖掘在医学图像分类中的应用

介绍几种数据挖掘方法的发展历程,分析其在医学图像处理中的应用及其研究现状,包括关联规则、决策树、人工神经网络、支持向量机、粗糙集等,同时阐述数据挖掘在医学图像分类研究领域存在的问题,希望对研究人员有所借鉴。     

Data Mining in Healthcare and Biomedicine: A Survey of the Literature

As a new concept that emerged in the middle of 1990’s, data mining can help researchers gain both novel and deep insights and can facilitate unprecedented understanding of large biomedical datasets. Data mining can uncover new biomedical and healthcare knowledge for clinical and administrative decision making as well as generate scientific hypotheses from large experimental data, clinical databases, and/or biomedical literature. This review first introduces data mining in general (e.g., the background, definition, and process of data mining), discusses the major differences between statistics and data mining and then speaks to the uniqueness of data mining in the biomedical and healthcare fields. A brief summarization of various data mining algorithms used for classification, clustering, and association as well as their respective advantages and drawbacks is also presented. Suggested guidelines on how to use data mining algorithms in each area of classification, clustering, and association are offered along with three examples of how data mining has been used in the healthcare industry. Given the successful application of data mining by health related organizations that has helped to predict health insurance fraud and under-diagnosed patients, and identify and classify at-risk people in terms of health with the goal of reducing healthcare cost, we introduce how data mining technologies (in each area of classification, clustering, and association) have been used for a multitude of purposes, including research in the biomedical and healthcare fields. A discussion of the technologies available to enable the prediction of healthcare costs (including length of hospital stay), disease diagnosis and prognosis, and the discovery of hidden biomedical and healthcare patterns from related databases is offered along with a discussion of the use of data mining to discover such relationships as those between health conditions and a disease, relationships among diseases, and relationships among drugs. The article concludes with a discussion of the problems that hamper the clinical use of data mining by health professionals.