论文部分内容阅读
目的：在心血管病专科医院急诊科室中,存在大量的胸痛患者,而且胸痛待诊患者涉及病因种类多,且危重程度悬殊。如何快速、准确的辨别出胸痛患者所患疾病,对门急诊青年医师来说是一件十分有挑战性的事情。故本课题试图通过大数据、数据挖掘等新型方法来构建一个分类预测模型,该模型能够根据患者疾病信息来判定患者所患疾病种类,从而辅助医生快速、准确的得出诊断结果,减少漏诊、误诊现象。方法：应用数据挖掘中的多种分类算法来构建预测模型,首先用CART (Classification And Regression Tree, CART)决策树计算出胸痛患者患每种疾病的概率,然后对可能得的每种疾病分别应用最近邻法、C5.0决策树、支持向量机、人工神经网络、朴素贝叶斯和随机森林六种分类算法来最终判定该患者是否得该疾病。结果：在诊断是否冠心病模型中,人工神经网络判别性能最佳,准确率是93.75%,AUC (Area Under Curve, AUC)值0.849；在冠心病细分为心梗和心绞痛模型中,支持向量机分类性能最好,准确率是82.35%,AUC值0.826；在主动脉夹层和其他疾病诊断模型中,人工神经网络的表现也是最好,准确率分别是96.30%和89.36%,AUC值分别是0.924和0.867。在预测急性心梗患者出院后是否会发生严重不良事件中,随机森林在30天、半年和一年的预测最为可靠,准确率分别是94.36%、92.63%和92.72%,AUC值均高于0.9。结论：各个模型中最适宜的算法分类预测准确率均82%以上,而急性心梗患者出院后严重不良事件预测更是高达92%以上,结果证明通过数据挖掘手段建立的分类预测模型可以对心血管病专科医院急诊科室的胸痛患者进行准确分类,能够为医务人员提供提供一定的辅助,减少漏诊、误诊现象。