论文部分内容阅读
【摘 要】大数据时代下,利用大数据终端的服务支持整合分析病人服药记录以及电子病历等数据以实现精准医疗。通过分析各类数据为确定合理的糖尿病评价指标体系,我们将指标分为三类,利用层次分析法确定每个评价因子的权重进而得出权向量。之后建立模糊数学评价模型,将分类后的评价因子利用模糊矩阵方法进行单因素评价,最后利用模糊综合评价得到糖尿病治疗效果的评价体系
【关键词】模糊综合评价;层次分析法;大数据
1数据处理
评价治疗效果的指标众多,它们错综复杂且并不完全独立,因此我们的关键是将问题系统化,建立合适的评价体系使指标更好反映治疗效果。在这里,我们利用层次分析法,把因素层次化,最终确立一个因素递阶层次结构模型。也就是一个评价模型包括了几个因素这些因素按照某种关系形成多个层次,最终形成层次结构模型。
首先我们通过分析数据以及询问医师选取了较有代表性的10个指标作为评价医疗效果的因素,将此问题分为三个层次,即目标层、准则层、方案层。
其中目标层为治疗效果,准则层为治疗强度、复发时间间隔、治疗时间、治疗结果,方案层为选定的10个评价指标
2一致性检验
得出判断矩阵后我们要对判断矩阵进行一致性检验,同时计算判断矩阵对应的最大特征值的特征向量作为同层对于上层的相对重要性的权重排序。
利用MATLAB可以求得该矩阵的最大特征值λ=4.2306,之后我们进行正互反矩阵的一致性检验。
利用公式计算一次性指标CI:
查找平均一致性指标RI,对于n=1...9,根据satty的随机一致性给出了RI的值
当λ=4.2306时,RI=0.90,CI=0.077,所以一致性比率为:
通过了一致性比率。
之后我们进行归一化来消除指标间的差异,算出权向量:
Step1:将A的每一列向量归一化得
Step2:将按行展开求积并开n次方。
Step3:将归一化
Step4:计算,作为最大特征根的近似值。用MATLAB计算后得到权向量:
即4个准则层因子对目标层的影响效果权重为(0.09110,0.3113,0.4364,0.3634)
4.1.2基于层次分析法建立模糊评价模型
4.1.2.1问题分析
确定评价事物的影响指标集合
确定评价等级集合
其中依次表示差、中、良、优秀。
利用之前层次分析法得出的归一化权向量(0.09110,0.3113,0.4364,0.3634)
3模型求解
下面确定评价等级的隶属度即被评价事物从整体上看对Q等级子集的隶属程度并得到准则层每个因素的评价矩阵。
我们通过调查问卷的形式收集大量关于10个指标的评分数据(假设满分为50分)并对数据求平均值得出对患者的治疗效果的评价结果。
得准则层每个因素的评价模糊关系矩阵:
之后利用合适的模糊算子合成因素权重的w和各被评事物的模糊矩阵R,得到各准则层的模糊关系矩阵:
由各个准则层的模糊关系子矩阵得出模糊关系总矩阵:
再通过权向量矩阵与评价矩阵经过模糊变换得到模糊评价集Q
我们选取的最优的算法来计算:
得到Q=WR=(0.8124 0.3371 0.6947 0.2668)
实际上常用的最大隶属度原则,但我们此问题中被评价事物的指标较多,选取最大隶属度可能会丢失重要信息,因此我们选用求平均求隶属等级的方法可以较为全面的评价所选事物,使结果更准确。
我们求得平均隶属等级为0.5227,此数值接近0.6947,故近似判断此医院的患者的治疗效果为“良”。
参考文献:
[1]黃小龙,罗旭,汪鹏,吴昊.健康医疗大数据驱动下的精准医疗实施进展[J].医学信息学杂志,2017,38(09):17-21.
[2]杨梦洁,杨宇辉,郭宇航,王家亮.大数据时代下精准医疗的发展现状研究[J].中国数字医学,2017,12(09):27-29.
[3]黄小龙. 综合性医院大数据需求分析与应用模式研究[D].第三军医大学,2017.
(作者单位:1.华北理工大学;2.北京师范大学)
【关键词】模糊综合评价;层次分析法;大数据
1数据处理
评价治疗效果的指标众多,它们错综复杂且并不完全独立,因此我们的关键是将问题系统化,建立合适的评价体系使指标更好反映治疗效果。在这里,我们利用层次分析法,把因素层次化,最终确立一个因素递阶层次结构模型。也就是一个评价模型包括了几个因素这些因素按照某种关系形成多个层次,最终形成层次结构模型。
首先我们通过分析数据以及询问医师选取了较有代表性的10个指标作为评价医疗效果的因素,将此问题分为三个层次,即目标层、准则层、方案层。
其中目标层为治疗效果,准则层为治疗强度、复发时间间隔、治疗时间、治疗结果,方案层为选定的10个评价指标
2一致性检验
得出判断矩阵后我们要对判断矩阵进行一致性检验,同时计算判断矩阵对应的最大特征值的特征向量作为同层对于上层的相对重要性的权重排序。
利用MATLAB可以求得该矩阵的最大特征值λ=4.2306,之后我们进行正互反矩阵的一致性检验。
利用公式计算一次性指标CI:
查找平均一致性指标RI,对于n=1...9,根据satty的随机一致性给出了RI的值
当λ=4.2306时,RI=0.90,CI=0.077,所以一致性比率为:
通过了一致性比率。
之后我们进行归一化来消除指标间的差异,算出权向量:
Step1:将A的每一列向量归一化得
Step2:将按行展开求积并开n次方。
Step3:将归一化
Step4:计算,作为最大特征根的近似值。用MATLAB计算后得到权向量:
即4个准则层因子对目标层的影响效果权重为(0.09110,0.3113,0.4364,0.3634)
4.1.2基于层次分析法建立模糊评价模型
4.1.2.1问题分析
确定评价事物的影响指标集合
确定评价等级集合
其中依次表示差、中、良、优秀。
利用之前层次分析法得出的归一化权向量(0.09110,0.3113,0.4364,0.3634)
3模型求解
下面确定评价等级的隶属度即被评价事物从整体上看对Q等级子集的隶属程度并得到准则层每个因素的评价矩阵。
我们通过调查问卷的形式收集大量关于10个指标的评分数据(假设满分为50分)并对数据求平均值得出对患者的治疗效果的评价结果。
得准则层每个因素的评价模糊关系矩阵:
之后利用合适的模糊算子合成因素权重的w和各被评事物的模糊矩阵R,得到各准则层的模糊关系矩阵:
由各个准则层的模糊关系子矩阵得出模糊关系总矩阵:
再通过权向量矩阵与评价矩阵经过模糊变换得到模糊评价集Q
我们选取的最优的算法来计算:
得到Q=WR=(0.8124 0.3371 0.6947 0.2668)
实际上常用的最大隶属度原则,但我们此问题中被评价事物的指标较多,选取最大隶属度可能会丢失重要信息,因此我们选用求平均求隶属等级的方法可以较为全面的评价所选事物,使结果更准确。
我们求得平均隶属等级为0.5227,此数值接近0.6947,故近似判断此医院的患者的治疗效果为“良”。
参考文献:
[1]黃小龙,罗旭,汪鹏,吴昊.健康医疗大数据驱动下的精准医疗实施进展[J].医学信息学杂志,2017,38(09):17-21.
[2]杨梦洁,杨宇辉,郭宇航,王家亮.大数据时代下精准医疗的发展现状研究[J].中国数字医学,2017,12(09):27-29.
[3]黄小龙. 综合性医院大数据需求分析与应用模式研究[D].第三军医大学,2017.
(作者单位:1.华北理工大学;2.北京师范大学)