2019 年 4 月 第 22 卷第 8 期 中国管理信息化 China Management Informationization Apr.,2019 Vol.22,No.8 遗传算法的数据挖掘技术在医疗大数据中的应用研究 陈萌 （山东中医药大学，济南250355） ［摘要］由于医疗行业具有较强的复杂性与特殊性，且医疗大数据中的数据信息十分复杂，为了能够对患者病情进行更好 地分析与决策，相关部门要发挥医疗大数据的作用，通过应用数据挖掘技术，实现对患者的有效治疗。基于此，本文分析 了遗传算法中的数据挖掘技术，研究了其在医疗大数据中的实际应用，旨在为相关研究提供借鉴。 ［关键词］遗传算法；医疗；大数据；数据挖掘技术 doi：10.3969/j.issn.1673 - 0194.2019.08.077 ［中图分类号］TP311.13；TP18［文献标识码］A［文章编号］1673-0194（2019）08-0173-02 0 引言 随着科学技术水平的提升，计算机网络技术被广泛用于各 个行业之中，尤其是在医疗事业中，不仅改善了医疗服务质量， 还提升了服务水平。治疗过程中会产生大量的数据，像医疗器 械信息、患者个人信息数据等，为了发挥出医疗数据的最大价 值，医疗机构要加强数据挖掘技术在医疗大数据中的应用力度。

1 数据挖掘技术的概述 数据挖掘指从海量的数据信息中挖掘出有效的知识或模 式，其在应用上主要由数据、算法以及知识 3 种要素构成，其 中，数据是数据挖掘的基础数据分析遗传算法，算法是重要手段，获取知识是最终 目的。以下是对数据挖掘 3 种要素的介绍。 1.1 数据 数据的形式多种多样，如文本数据、影像数据以及音频数 据等。数据的描述主要从两个方面进行，一是记录数，二是属 性数。在大数据时代，数据的记录数量多，属性涵盖范围广。 此外，属性又被称为特征、变量或维度，是刻画对象特征或性质 的一种方式，会随着对象及时间的改变而改变。数据的分析技 术方式是由属性决定的，对于属性类型的判定可以通过明确数 值性质的方式找到对应性质。常用的数值性质有“＝、≠”的相 异性，以及“＞、＜、+、-、×、÷”等符号。 当数值性质固定后，即可定义其属性类型。首先是标称， 如颜色、医嘱类型等，如果只是数值的名称具有差异，一般通过 “＝、≠”加以区分；其次是序数，如收入水平等，数值能够明 确对象的序，一般通过“＞、＜”加以区分；再次是区间，如摄氏 度、华氏温度等，数值间的差具有一定的意义，一般通过“+、-” 加以区分；最后是比率，如药量、体重等，数值的差与比率存在 实际意义，一般通过“×、÷”加以区分。

此外，标称与序数在 一般状况下被合称为定性属性或是分类属性，而区间与比率被 合称为定量属性或是数值属性。 ［收稿日期］2019-03-11 在明确数据属性类型后，为了构建出各个数据间的逻辑关 系及模型，可以对相关数据信息进行描述性地统计与分析，主 要从数据的均值、众数以及中位数分析数据中心趋势，从方差、 极差以及标准差等方面分析数据离散趋势，从而制作出直方 图、折线图等描述性的图表。 1.2 算法 算法是探寻数据间的规律，将其转变为人类可理解的形 式，主要分成 6 类。第一类是分布探索。了解多个数据间的客 观分布状况，一般采取聚类分析技术进行数据挖掘。第二类是 关系探索。了解不同事物之间及变量之间的关系，一般采取关 联规则技术进行数据挖掘。第三类是特征选择。了解高维变量 事物的重要特征，一般采取特征抽取技术进行数据挖掘。第四 类是异常探索。了解高维变量事物的个性离群案例，一般采取 异常侦测技术进行数据挖掘。第五类是推测探索。按照已知变 量数量判断目标标量的值。第六类是趋势探索。一般会按照时 间次序对事物的变化趋势进行考察与推测，一般采取时间序列 进行数据挖掘。 1.3 知识 通常情况下，数据挖掘技术会被应用在固定数据挖掘任 务模式中，此模式主要分为描述性与预测性两种类别。

其中描 述性模式能够刻画出数据的基本性质，包含离群点、频繁模式 等；而预测性模式能够归纳已上传数据，从而实现有效预测， 可以对预测分析进行分类及回归等。此外，描述性模式中的 频繁模式具有多种形式，包括频繁子结构、序列模式以及项集 等。其中，频繁项集是在事务数据中经常出现的物品集合，如 医生开具的医嘱中经常性出现的药品；而频繁序列模式是在医 生开具检验项目后，根据检测结果所做出的治疗方案及药物使 用的过程。 2 数据挖掘在医学大数据中的应用 随着医疗事业信息化建设速度的不断提升，其产生的信息 数据数量也在不断增多，包含实验室数据、患者治疗信息以及 CHINA MANAGEMENT INFORMATIONIZATION / 173 信息技

来源【首席数据官】，更多内容/合作请关注「辉声辉语」公众号，送10G营销资料！