基于机器学习的中医治疗肝硬化组方规律研究

目的:运用机器学习技术对中医治疗肝病处方中组方规律进行分析,为肝病临床用药以及新药研发提供参考依据。方法:针对某三甲中医院肝病科近2年肝病治疗处方数据,首先运用复杂网络找出药物之间的关联结构,再运用关联规则、聚类分析等无监督机器学习方法,对其进行比较分析,最终得出中医治肝硬化的组方规律。结果:对589首处方,共计257味中药,高频药物组合包括频繁二项集12项、三项集15项以及四项集14项;支持信≥10%、置信度≥90%的关联规则包括"陈皮,神曲→白术","猪苓,陈皮→白术"等34条;通过聚类分析,发现中药主要以5种特征进行归类。机器学习结果与构建的复杂网络结构完全一致。结论:运用机器学习方法进行中医处方数据分析,并与复杂网络方法相结合,以探究中医治疗肝硬化组方规律的方法确实可行,可为临床治疗肝硬化和找寻新方提供线索。

创新土地利用和保障用地的新机制

面对发展经济的供地压力,只有创新机制才有出路,新机制的出发点是以人为本,统筹协调各方面关系,特别是要处理好地方与国家、政府与原土地使用者、政府与用地单位之间的三大关系。对采取招拍挂出让的土地,应建立出让金的收支机制,包括建立国有土地收益基金,以及出让金收支预算联系制度,对失地农民保障的机制,留地安置、合同用工、补偿费入股都是可行之策;要提高土地集约利用水平,还必须要求投资强度、容积率、建设系数达到一定的标准。

基于BiLSTM-CRF的中医文本命名实体识别

中医药文本命名实体识别在中医药文本挖掘中占有重要地位,本文通过BiLSTM-CRF方法实现对中医医案文本进行命名实体识别,不仅实现了基本命名实体识别,通过对数据集按照中草药、疾病和症状三个类别进行标记,还能够进行命名实体类别识别。对中医药相关医案进行规整的10292条句子进行序列标注,基于word2vec的向量构建,从而进行模型训练迭代,得到了准确率为97.23%,召回率为89.47%,F值为88.34%的中医药命名实体识别模型。各类别识别中,中草药类别识别精准率为94.41%,召回率为94.36%,F值为94.38%;疾病类别精准率为80.92%,召回率为80.92%,F值为80.92%;症状类别精准率为75.68%,召回率为81.68%,F值为78.56%,人工测试模型效果较好,能够对医案数据进行实体识别。命名实体识别模型较多,但用于中医药相关命名实体识别模型数量微乎其微,构建中医药相关命名实体识别模型,将更加有效的推动中医药文本挖掘发展。

基于数据挖掘和知识图谱分析的中医治疗肝硬化组方规律研究

目的:运用数据挖掘及知识图谱分析方法,探讨中医治疗肝硬化的组方规律。方法:查阅中部地区某三级甲等中医院2015—2016年明确诊断为慢性乙型肝炎肝硬化的700例患者门诊记录数据,采用频数分析、关联规则分析进行数据挖掘,并对其进行知识图谱分析。结果:共纳入方剂589首,包含中药257味,其中使用频次≥50次的中药有41味,使用频次前5位的中药依次为白术、茯苓、甘草、茵陈蒿、丹参;治疗肝硬化组方中置信度较高的药物组合有34个,处方中多为味甘,归脾经药物,功效以健脾、利水为主;14味主要关联规则中药的药味以甘味为主,归经以归脾经为主,药性以平、温、寒为主。结论:中药知识图谱模型可以深层次地挖掘中医治疗肝硬化的组方规律,对临床研究新药与经方挖掘有较强实用参考价值,能够为经方研究提供新的切入点。

基于深度神经网络的肝硬化中医治疗预测研究

以中医电子病历中肝硬化数据为数据源,运用数据清洗、主成份分析技术构建致病指标与诊断结果二元组,通过训练神经网络和支持向量机分类器模型进行预测结果对比,结果表明该方法有效可行。

基于中医基础理论的组方数据挖掘模型研究

采集某中医药大学附属门诊中药饮片目录537味中药作为基础数据,参照《中药编码规则及编码》和《中国药典》对中药名称及性味归经进行规范整理,按照模型定义构建基于中医基础理论的知识图谱数据,模型之间通过中药方剂和中药的性味归经作为纽带进行关联。使用Django框架和AntV G6开发可视化界面,并以经方麻黄汤为例进行全方面分析,从新的角度对中药方剂进行复杂网络可视化挖掘,整体而言,构建出的中药知识图谱模型,可以更深层次挖掘出组方中的规律,可以清楚的展示中药组方之间内部联系,能够用于组方分析、组方对比以及中老名医医案整理等方面,对临床研究新药与对经方挖掘有较强实用参考价值。