随着医疗信息系统的广泛应用,医疗单位积累了大量的数据,如何利用这些数据,并从中提取有价值的知识成为一种迫切需求。经过几十年的发展,数据挖掘技术日趋成熟,并应用于多种领域,取得了不少成果。因此,选择合适的数据挖掘算法对医疗数据中进行挖掘,可以获取一些客观的、有价值的知识,满足辅助决策的需要。本文将FP-growth算法用于基本医疗保险数据的挖掘,获取了一些医疗领域知识,根据课题特点提出了自动确定最小支持度的增量式FP-growth挖掘算法,并用实验验证了改进算法的有效性。论文的主要内容有:1.在熟悉基本医疗保险领域背景基础上,建立了基本医疗保险数据挖掘的模型,并分析了医疗保险数据的特点,确定了预处理的方法。2.研究了各种频繁项项集挖掘算法,并选定FP-growth算法挖掘医保数据中的常用药品组合,得到了一些有意义的用药模式,可用于辅助医保工作人员决策。3.研究了增量式频繁项集挖掘算法,提出了基于FP-growth的增量式频繁项集挖掘算法,通过与Apriori算法的比较,验证了该算法的高效性。提出了自动确定支持度阈值的方法,并应用于医保数据,得到了与实际相符的结果。4.基于医保数据特点,提出了对粗糙集理论中决策表的扩展方法,拓宽了粗糙集理论的应用领域,并应用于医保数据的属性约简,验证了该方法的有效性。论文将频繁项集挖掘算法应用于医保数据中常用药方的挖掘,自动获取了医保领域的专业知识,并基于医保数据特点提出了对频繁项集挖掘算法的改进和对粗糙集理论的扩展。