随着医学文献数据以及临床数据的快速增长,医疗大数据的研究如火如荼,如何从文献数据以及临床数据中挖掘有效的医学知识辅助医生进行临床决策也是近年来研究的热点。目前的临床决策机制大多是基于贝叶斯理论、关联规则、神经网络等机器学习或数据挖掘技术,而异构信息网络分析方法作为数据挖掘技术中的一种,可以将医学数据中的对象通过某些关系连接在一起构成异构信息网络,再通过网络分析方法达到临床用药决策支持的目的。本文结合医学文献数据及临床数据提出基于异构信息网络的临床用药决策算法,研究的主要工作包括:(1)对已有的使用异构信息网络分析技术进行临床决策支持的MedRank算法进行研究并改进。该算法从医学文献数据库MEDLINE中抽取跟疾病相关的文章、作者、期刊、药物等对象构成异构星型信息网络,并通过网络分析方法为医生推荐有效的治疗药物。MedRank算法假设“有效的药物是由好的文章提出的,这些文章是由好的作者写的且刊登在好的期刊上”,但是却没有定义什么样的文章、作者、期刊是好的。所以本文引入作者H指数、文章引用数、期刊影响因子来进行定义,并纳入文章的发表时间、发表类型、研究类型等因素提出HIC-MedRank算法。本文以高血压合并慢性肾脏病作为实验输入,降压药作为实验输出,为医生推荐具体的降压药。(2)进一步将异构信息网络分析技术应用到临床数据中,提出从真实的医疗数据中挖掘有效治疗方案的Clinic Rank算法。本文以推荐治疗高血压及其合并症的降压方案为例,从中南大学湘雅三医院获得高血压患病人群的数据,将数据预处理后进行特征选择,用选择出来的特征以及降压方案构成以患者为中心对象的异构信息网络,再通过网络分析方法得到有效的降压方案排名。除此之外,本文还可以得到医生和科室的排名,为患者推荐诊疗水平较高的医生和科室。在MEDLINE数据集上的实验结果显示,HIC-MedRank算法推荐的药物比原算法推荐的结果更精准,更得到主治医师的认可,且与指南一致性达到80%。而在临床数据集上的实验结果显示,Clinic Rank算法推荐的用药方案降压效果比关联规则推荐的结果好且与医生的实际用药方案更一致。医生和科室对本文推荐的降压方案满意度均在70%以上。