第8章 中医证型的关联规则挖掘(1)
是否哺乳 Y Y Y Y Y Y Y N N Y Y N Y Y Y n Y Y Y Y
哺乳时间 E3 E3 E3 E3 E2 E1 E3 NULL NULL E1 E3 NULL E1 E3 E2 NULL E3 E3 E2 E3
乳汁量 F1 F1 F1 F1 F1 F1 F1 F2 F2 F2 F2 F2 F2 F2 F2 F2 F3 F3 F3 F3
各个病程的特殊证候先证而治型； 依据医学指南，将乳腺癌辨证统一化，为六种证型。且患者在围手术期
、围化疗期、围放疗期和内分泌治疗期等各个病程阶段，基本都会出现
特定的临床症状。 通过关联规则算法，挖掘各中医证素与乳腺癌TNM分期之间的关系。探 索不同分期阶段的三阴乳腺癌患者的中医证素分布规律，以及截断病变 发展、先期干预的治疗思路，指导三阴乳腺癌的中医临床治疗。
内部资料 泰迪科技（）
10
分析方法与过程 总体流程：
问卷调查
原始数据
数据预处理
运用关联规 则算法建模
模型分析
模型优化
模型应用
应用结果
内部资料 泰迪科技（）
11
分析方法与过程 第1步：数据获取
采用调查问卷的形式对数据进行搜集。
a) b) c) 拟定调查问卷表并形成原始指标表； 定义纳入标准与排除标准； 将收集回来的问卷表整理成原始数据。
既往月经是否规律 是否痛经 C1 N C1 Y C1 Y C1 Y C1 N C1 N C2 Y C1 N C1 Y C4 N C3 Y C1 Y C4 Y C1 Y C1 N C1 N C1 N C1 N C1 N C1 N
是否绝经 Y Y Y Y N N Y Y Y Y Y Y N N Y Y Y Y Y Y
体出发，调整机体气血、阴阳、脏腑功能的平衡，根据不
同的临床证候进行辨证论治。确定“先证而治”的方向： 即后续证侯尚未出现之前，需要截断恶化病情的哪些后续 证侯。 找出中医症状间的关联关系和诸多症状间的规律性，并且
依据规则分析病因、预测病情发展以及为未来临床诊治提
供有效借鉴。能够帮助乳腺癌患者手术后体质的恢复、生 存质量的改善，有利于提高患者的生存机率。
热毒蕴结证得分 冲任失调证得分 气血两虚证得分 脾胃虚弱证得分 肝肾阴虚证得分
TNM 分期
内部资料 泰迪科技（）
6
原始数据情况
患者病理信息，包含患者的基本信息以及病理症状等。
患者编号 20140002 20140003 20140007 20140010 20140020 20140027 20140028 20140004 20140009 20140012 20140016 20140017 20140019 20140023 20140025 20140026 20140005 20140006 20140008 20140011
《MATLAB数据分析与挖掘实战》配套PPT
更多下载： /ts/578.jhtml
中医证型的关联规则挖掘
2016/11/8
目录
1 2 3 4
背景与挖掘目标 分析方法与过程 上机实验 拓展思考
内部资料 泰迪科技（）
2
案例背景
中医药治疗乳腺癌有着广泛的适应证和独特的优势。从整 第3步：数据预处理
1. 数据清洗：收回的问卷中，存在无效的问卷，为了便于模型分析，需要 对其进行清洗处理。
1400
1200 1046
1253
1000 800
600
930
400
200 0
发放问卷总数
回收问卷数
有效问卷数
内部资料 泰迪科技（）
三：同一种疾病的辨证分 型，往往都有不同见解， 面对临床症状不典型的患 者，初学者很难判断。
内部资料 泰迪科技（）
4
原始数据情况
患者信息属性说明
患者信息数据
内部资料 泰迪科技（）
5
原始数据情况
患者信息属性说明，针对患者的信息，对每个属性进行相应说明。
实际年龄 A2 A5 A4 A5 A1 A2 A3 A3 A3 A2 A5 A3 A1 A2 A2 A3 A4 A4 A5 A5
发病年龄 a2 a5 a4 a5 a1 a2 a3 a3 a3 a2 a4 a3 a1 a2 a2 a3 a4 a4 a5 a4
初潮年龄 B2 B2 B2 B2 B2 B3 B3 B2 B2 B1 B2 B2 B2 B2 B3 B2 B2 B3 B2 B2
内部资料 泰迪科技（）
3
传统方法存在的缺陷
目前，中医治疗一般都是采用中医辨证的原则，结合临床医师的从医
经验和医学指南进行诊断，然而此方法也存在一定的缺陷。
一：中医辨证极为灵活， 虽能够处理患者的复杂多 变的临床症状，体现出治 疗优势。但缺乏统一的规 范，难以做到诊断的标准 化。 二：疾病的复杂性和体质 的差异性，造成病人大多 是多种证素兼夹复合。临 床医师可能会被自身的经 验所误导，单纯对症治疗， 违背了中医辨证论治的原 则。
肿块部位 G1 G1 G1 G1 G3 G2 G2 G1 G3 G4 G5 G1 G3 G1 G5 G3 G1 G5 G3 G1
肿块是否疼痛 N N N N Y N Y N N N N Y N Y N N N N Y N
内部资料 泰迪科技（）
7
挖掘目标 1. 借助三阴乳腺癌患者的病理信息，挖掘患者的症状与中医证型之
间的关联关系；
2. 对截断治疗提供依据，挖掘潜性证素。
内部资料 泰迪科技（）
8
目录
1 2 3 4
背景与挖掘目标 分析方法与过程 上机实验 拓展思考
内部资料 泰迪科技（）
9
分析方法与过程 初步分析:
针对乳腺癌患者，可运用中医截断疗法进行治疗，在辨病的基础上围绕
内部资料 泰迪科技（）
14
分析方法与过程 第1步：数据获取
将收集回来的问卷表整理成数据
实际年龄 A2 A5 A4 A5 A1 A2 A3 A3 A3 A2 A5 A3 A1 A2 A2 A3 A4 A4 A5 A5 发病年龄 a2 a5 a4 a5 a1 a2 a3 a3 a3 a2 a4 a3 a1 a2 a2 a3 a4 a4 a5 a4 初潮年龄 B2 B2 B2 B2 B2 B3 B3 B2 B2 B1 B2 B2 B2 B2 B3 B2 B2 B3 B2 B2 既往月经是否规律 是否痛经 C1 N C1 Y C1 Y C1 Y C1 N C1 N C2 Y C1 N C1 Y C4 N C3 Y C1 Y C4 Y C1 Y C1 N C1 N C1 N C1 N C1 N C1 N 是否绝经 Y Y Y Y N N Y Y Y Y Y Y N N Y Y Y Y Y Y 是否有更年期症状 婚否 育几胎 产几胎 流几胎 生育年龄 Y Y 3 2 1 D3 Y Y 2 1 1 D3 Y Y 1 1 0 D2 Y Y 2 1 1 D2 N Y 2 1 1 D1 N Y 2 1 1 D1 Y Y 5 2 3 D1 N Y 1 1 0 D3 Y Y 1 1 0 D2 Y Y 1 1 0 D2 Y Y 3 2 1 D2 N Y 1 1 0 D2 N Y 2 1 1 D1 N Y 3 2 1 D1 Y Y 3 1 2 D1 Y Y 2 1 1 D1 Y Y 1 1 0 D3 N Y 2 1 1 D2 Y Y 3 1 2 D2 Y Y 2 2 0 D2 是否哺乳 Y Y Y Y Y Y Y N N Y Y N Y Y Y n Y Y Y Y 哺乳时间 E3 E3 E3 E3 E2 E1 E3 NULL NULL E1 E3 NULL E1 E3 E2 NULL E3 E3 E2 E3 乳汁量 F1 F1 F1 F1 F1 F1 F1 F2 F2 F2 F2 F2 F2 F2 F2 F2 F3 F3 F3 F3 肿块部位 G1 G1 G1 G1 G3 G2 G2 G1 G3 G4 G5 G1 G3 G1 G5 G3 G1 G5 G3 G1 肿块是否疼痛 N N N N Y N Y N N N N Y N Y N N N N Y N
问卷调查需要满足两个条件
a) 问卷信息采集者均要求有中医诊断学基础，能准确识别病人的舌苔脉象， 用通俗的语言解释医学术语，并确保患者信息填写准确；
b)
问卷调查对象必须是三阴乳腺癌患者，他们是某省中医院以及肿瘤医院等
各大医院各病程阶段1253位三阴乳腺癌患者。
内部资料 泰迪科技（）
组织学类型、组织学分级、P53表达、VEGF表达等，作为 临床病理及肿瘤生物学的特征指标。 没有精神类疾病，能自主回答问卷调查者。
本研究中临床、病理、肿瘤生物学指标不齐全者。
存在第二肿瘤（非乳腺癌转移）。
排除标准
精神病患者或不能自主回答问卷调查者。 不愿意参加本次调查者或中途退出本次调查者。 填写的资料无法根据诊疗标准进行分析者。
是否有更年期症状 婚否 育几胎 产几胎 流几胎 生育年龄 Y Y 3 2 1 D3 Y Y 2 1 1 D3 Y Y 1 1 0 D2 Y Y 2 1 1 D2 N Y 2 1 1 D1 N Y 2 1 1 D1 Y Y 5 2 3 D1 N Y 1 1 0 D3 Y Y 1 1 0 D2 Y Y 1 1 0 D2 Y Y 3 2 1 D2 N Y 1 1 0 D2 N Y 2 1 1 D1 N Y 3 2 1 D1 Y Y 3 1 2 D1 Y Y 2 1 1 D1 Y Y 1 1 0 D3 N Y 2 1 1 D2 Y Y 3 1 2 D2 Y Y 2 2 0 D2
患者编号 20140002 20140003 20140007 20140010 20140020 20140027 20140028 20140004 20140009 20140012 20140016 20140017 20140019 20140023 20140025 20140026 20140005 20140006 20140008 20140011
关联规则在方剂配伍规律中的挖掘研究
中 图分 类 号 ：Ｔ Ｐ ３ ０ １ ． ６ 文献 标 志码 ：Ａ 文章 编 号 ： １ ０ ０ ７ — ９ ８ ４ Ｘ （ ２ ０ １ ３ ） ０ ６ — ０ ０ ４ １ － ０ ３
齐 齐 哈 尔 大 学 学 报
的问题 ：
（ １ ） 传统 的关联规 则挖 掘方法 找到 的强规则 必须 同时满足最 小支持 度 和最小置 信度两个 阈值 ， 但是在 方剂库 中挖 掘药对药 组时 ，常 常存 在 大量低支 持度高 置信度 的有趣规 则 ，传 统挖掘 方法不 能有效地将 这些 人们感兴趣 的规则挖 掘 出来 。 （ ２ ） 产生 的强规则关 联 但不是 正确 的。例如 ：有 １ ０ ０ 个 事务 ，其 中 ６ ０个 事务包 含 ，７ ５ 个事 务包含
第２ ９ 卷第 ６ 期
２ ０ １ ３年 １ １ 月
齐 齐 哈 尔 大 学 学 报
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｑｉ ｑ ｉ ｈ ａ ｒ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ
Ｖｏ １ ． ２ ９ ． Ｎｏ ． ６
Ｎｏ ｖ ． ， ２ ０１ ３
关 联 规 则 在 方 剂 配 伍规 律 中的挖 掘 研 究
循环 ， 直到无法发现任何的频繁ｋ 一 项集为止 ；最后在所有的频繁集中找出强关联规则。 Ａ ｐ ｒ ｉ ｏ ｒ ｉ 算法结构简单、 易于理解 ， 但是将传统的 Ａ ｐ ｒ ｉ ｏ ｒ ｉ 算法应用在方剂数据挖掘中存在着以下几方面
中医证型关联规则挖掘
中医证型关联规则挖掘借助患者病理信息,挖掘患者的症状与中医证型之间的关联关系,对治疗提供依据,挖掘潜在证素步骤：问卷采隼数据，形成原始数据数据预处理（数据清洗、属性规约、数据交换）1、数据获取 1）拟定调查问卷表并形成原始指标表 2）定义纳入标准与排除标准 3）将收集回来的问卷表整理成原始数据2、数据预处理数据清洗（1）数据清洗：对数据进行有效性检宜r整理成为原始数据1400 ———=--------------------12531200 1000 800600 ---------- -------- ---------- 4(X) ----------- ------------------- onn1046930发放间卷总数耳收问卷数有效问卷数 |属性规约属性规约:将数据的73个属性取其重要属性,剔除无关属性,最终的属性为：6种证型得分、分期的属性值患者编号肝气郁结证得分热毒缢结证得分冲任失调证猬分气血两虚证得分脾胃虚弱证得分肝肾阴虚证得分TNM 分期20140001730723 h (1817 .H4对:采用关联规则算法，调整参数,训练得到关系模型结合业务,结果分析『应用实际数据变换1）属性构造属性构造：采用证型系数代昔具体单证型的证養得分，证型系数二该证型得分/该证型总分2）数据离散化由于Apriori关联规则无法处理连续型数值变量，需要将原始数据离散化,采用聚类算法将各个证型系数离散化处理，将每个属酸成4类。
袁8?9肝气郁结证型系数商散表表8?12气血两虚证型系数离散表#读取数据datafile <- read? csv(”?/data/data? csv", header=T)#参数初始化type <- 4 #数据离散化的分组个数index <- 8 # TNM分期数据所在列typelabel <- cfA*, "B", "C", 〃D〃，"E", "F")# 数据离散化后的标识前缀set. seed(1234) #固定随机化种子cols <- ncol (dataf ile[, 1:6]) # 取六种证型列数rows <- nrow(datafile[, 1:6]) # 行数disdata <- matrix (NA, rows, cols + 1) # 初始化#聚类离散化for (i in 1:cols) {cl <- kmeans (datafile[, i], type, nstart = 20) # 对单个属性列进行聚类disdataE, iZ 〈- paste(typelabel[i], cl$cluster)}disdataL, cols + <- datafile[, index]disdataE, cols + 1J <~ paste("H", disdataC, cols + 1], seq ="”) #导出数据colnames (disdata)〈- cC肝气郁结证型系数热毒蕴结证型系数：”冲任失调证型系数气血两虚证型系数：〃脾胃虚弱证型系数：〃肝肾阴虚证型系数U “TNM分期〃) write?csv(disdata, file = "?/tmp/processedf ile?csv", quote = F, :row. names = F)3、模型构建閘幣建模参数library(arules)it读入数据a <- read. csv(z/. /data/processedfile. csv，z, header = TRUE) # 读入数据trans <- as (a, "transactions") # 将数据转换为transactions 格式inspect (trans [1:5]) # 观测trans 数据集中前5 行数据items#调用Apriori算法rules <- apriori(trans, parameter = list (support = 0.06, confidence = 0. 75))#生成关联规则rulesrules #显示rules中关联规则条数inspect (rules) #观测rules中关联规则> inspect (rules) # sAQjrules 中关联删01lhs rhs support confidence lift count[1]{冲任共過证坐系匏乂■背用床证聖系毅* 3} => 期二H 4 } 0.07526882 0.8750000 1.960843 70[2]{H气邯猪证坐杀数?A 4,卄肾闲京证§5牙豹-F 3} -> {TNM分期4 } 0.07849462 0.8795181 1.970968 73。
关联规则在中医药方剂挖掘中的应用
关联规则在中医药方剂挖掘中的应用张庆;轩扬;马恒毅【摘要】以肠痈方剂作为数据来源,运用关联规则分析、Apriori算法得出方剂中最常见的单味药、对药及配伍规律,为传统中医论治时的合理组药、阐述并解释其浅显机制提供较为严谨的理论依据.【期刊名称】《医学信息学杂志》【年(卷),期】2018(039)011【总页数】4页(P69-72)【关键词】关联规则;Apriori算法;配伍规律;肠痈方剂;数据挖掘【作者】张庆;轩扬;马恒毅【作者单位】济宁医学院医学信息工程学院日照276826;济宁医学院管理学院日照276826;济宁市第一人民医院济宁272011【正文语种】中文【中图分类】R-0561 引言数据挖掘是应用一系列技术从大型数据库中提取人们事先未知而潜在有用的隐含的信息和知识的过程。
医学领域数据量庞大、更新速度快、结构复杂多样且蕴含着大量有价值的信息，利用数据挖掘技术处理这些信息可以取得事半功倍的效果[1]。
常用的数据挖掘方法主要有关联规则、人工神经网络、决策树及聚类分析等[2]。
在医学领域关联规则常被用来发现数据间隐含的关联关系，如疾病与症状间的关联规则[3]、疾病并发症的关联研究[4]、用药和方剂配伍规则研究[5]、病症-辨证-处方关联研究[6]、药物间相互作用分析[7]、药品分类和剂型关联分析[8]、症状与药物间的关联关系[9]以及利用关联规则辅助检测、分析心理健康[10-11]等。
本文旨在利用关联规则分析方法对肠痈方剂的配伍规律进行关联分析，揭示药材之间复杂特殊的关系，将隐藏的特点进行直观化呈现，以期揭示治疗肠痈的用药规律。
2 数据来源与方法2.1 数据来源本研究以《中医方剂大辞典》为依据，选取主治病症索引中治疗肠痈的方剂101首。
由于中药材的俗称繁多杂乱，本文以《中药大辞典》为主要依据，辅以公认医学典籍作为参考，以其中记载的正名为标准对中药名称进行规范整理，如将“西黄”、“犀黄”、“犀牛黄”统一为“牛黄”，“苡米”、“薏仁”统一为“薏苡仁”等，避免同种药材因异名导致其出现频率降低从而影响研究结果的可靠性。
中医证型关联规则挖掘数据集
中医证型关联规则挖掘数据集一、中医证型中医证型是中医学中的重要概念，指的是中医师根据患者的症状、体征、舌脉等信息，综合分析判断出的疾病的特点和规律。
中医证型是中医诊断的基础，对于指导中医治疗具有重要意义。
二、关联规则关联规则是数据挖掘中一种常用的方法，用于发现数据集中项集之间的关联关系。
关联规则可以帮助我们理解数据集中的规律和特点，从而进行更准确的预测和决策。
三、中医证型关联规则中医证型关联规则是将中医证型与其他相关因素之间的关联关系进行挖掘和分析的一种方法。
通过分析中医证型与疾病、生活方式、饮食习惯等因素之间的关联规则，可以帮助中医师更准确地判断患者的病情和进行个性化的治疗。
中医证型关联规则的挖掘过程通常包括以下几个步骤：1. 数据收集：收集患者的病历资料、症状描述、体征观察等信息，并将其整理成结构化的数据集。
2. 数据预处理：对收集到的数据进行清洗、去噪和规范化处理，以确保数据的质量和一致性。
3. 特征提取：从数据集中提取与中医证型相关的特征，例如症状、体征、舌脉等信息。
4. 关联规则挖掘：采用关联规则挖掘算法（如Apriori算法、FP-growth算法等）对数据集进行分析，找出中医证型与其他因素之间的关联规则。
5. 规则评估与选择：根据关联规则的支持度和置信度等指标对挖掘结果进行评估和选择，筛选出具有实际意义的关联规则。
6. 结果解释与应用：对挖掘得到的关联规则进行解释和应用，为中医师提供指导和决策依据。
中医证型关联规则的应用在中医临床实践中具有重要意义。
通过挖掘中医证型与其他因素之间的关联规则，可以帮助中医师更好地理解疾病的发生机制和演变规律，指导临床诊断和治疗。
例如，对于某种疾病的治疗，如果发现某个中医证型与某种药物的治疗效果有较强的关联规则，可以选择该药物进行治疗，提高治疗效果。
另外，中医证型关联规则还可以用于中医药研究的指导，帮助发现潜在的中药组方和药物作用机制。
中医证型关联规则的挖掘可以为中医临床实践和中医药研究提供有益的支持和指导。
中医证型关联规则挖掘
借助患者病理信息，挖掘患者的症状与中医证型之间的关联关系，对治疗提供依据，挖掘潜在证素步骤：问卷采集数据，形成原始数据数据预处理(数据清洗、属性规约、数据交换)对数据采用关联规则算法，调整参数，训练得到关系模型结合业务，结果分析，应用实际1、数据获取1）拟定调查问卷表并形成原始指标表2）定义纳入标准与排除标准3）将收集回来的问卷表整理成原始数据2、数据预处理数据清洗(1)数据清洗：对数据进行有效性检查，整理成为原始数据属性规约属性规约：将数据的73个属性取其重要属性，剔除无关属性，最终的属性为：6种证型得分、分期的属性值数据变换1）属性构造属性构造：采用证型系数代替具体单证型的证素得分，证型系数=该证型得分/该证型总分2）数据离散化由于Apriori关联规则无法处理连续型数值变量，需要将原始数据离散化，采用聚类算法将各个证型系数离散化处理，将每个属性聚成4类。
# 读取数据datafile <- read.csv("./data/data.csv",header=T)# 参数初始化type <- 4 # 数据离散化的分组个数index <- 8 # TNM分期数据所在列typelabel <- c("A", "B", "C", "D", "E", "F") # 数据离散化后的标识前缀set.seed(1234) # 固定随机化种子cols <- ncol(datafile[, 1:6]) # 取六种证型列数rows <- nrow(datafile[, 1:6]) # 行数disdata <- matrix(NA, rows, cols + 1) # 初始化# 聚类离散化for (i in 1:cols) {cl <- kmeans(datafile[, i], type, nstart = 20) # 对单个属性列进行聚类disdata[, i] <- paste(typelabel[i], cl$cluster)}disdata[, cols + 1] <- datafile[,index]disdata[, cols + 1] <- paste("H", disdata[, cols + 1], seq = "")# 导出数据colnames(disdata) <- c("肝气郁结证型系数", "热毒蕴结证型系数","冲任失调证型系数", "气血两虚证型系数","脾胃虚弱证型系数", "肝肾阴虚证型系数", "TNM分期")write.csv(disdata, file = "./tmp/processedfile.csv", quote = F, s = F)3、模型构建library(arules)# 读入数据a <- read.csv("./data/processedfile.csv", header = TRUE) # 读入数据trans <- as(a, "transactions") # 将数据转换为transactions格式inspect(trans[1:5]) # 观测trans数据集中前5行数据items# 调用Apriori算法rules <- apriori(trans, parameter = list(support = 0.06, confidence = 0.75))# 生成关联规则rulesrules # 显示rules中关联规则条数inspect(rules) # 观测rules中关联规则。
中医诊疗方法挖掘、整理与应用(一)word精品文档46页
中医诊疗方法挖掘、整理与应用（一）五千年中华民族的文化底蕴是中医药发生、发展的基础。
中医药文献资料浩如烟海，每一个献身于中医药事业的人穷其毕生也难窥其一斑。
如此海量的中医药数据更要有效地利用这些宝贵资源。
近年来，随着医院信息系统和数字医疗设备的广泛应用，数据库的信息容量不断膨胀，文献挖掘的效能与可靠程度亦不断提高。
中医药研究积累了大量的文献数据，如何充分利用这些宝贵的医学信息资源来为疾病的诊断和治疗提供科学的决策，挖掘、整理出可以广泛应用的诊疗方法，提高中医药特色疗法的疗效、给患者带来福音，是我专科医护人员专注的焦点，旨在加速中医药现代化进程，更好的为广大患者服务。
一、文献挖掘方法中医药领域的无数临床实践与理论研究积累了海量的科学知识，这些知识包含在中医药古籍文献以及当前的研究文献中。
据统计，目前国内收藏的中医药古籍文献13000多种，其中在社会上广为流传的古籍近1000种。
1911年以后出版的中医药书籍达12000多种，中医期刊230多种。
根据中国中医药期刊文献数据库显示，1987-2019年发表的中医药文献高达1715000篇。
其中涉及中医骨伤科学科的文献达312000余篇。
为从浩渺无际的中医药文献中找到适用于本专科的、有效的、实用的相关诊疗方法，挖掘出潜在的规律，我专科采用如下线索进行数据挖掘：1.以名老中医为线索的诊疗方法挖掘该法就某位名老中医诊疗肺系疾病的辨证思维方法、用药经验、组方特点、经验方应用、独特疗法进行归纳、总结及对其学术思想进行剖析。
如《赵炳南临床经验集》、《外台秘要》、《名老中医之路》、《林如高正骨经验》、《骨科诊疗学》等。
这种方法多为名老中医本人的经验总结，或其学术继承人、学生在跟随老师学习的过程中，对老师的学术思想和治疗某病的独特经验等进行总结，并列举典型病例加以论证，或对老师经验方的应用进行疗效观察，以典型医案、医论医话、有效验方等形式形成文献，对临床有很大的指导意义。
中医证型的关联规则挖掘
中医证型的关联规则挖掘一、引言中医是中国传统医学的重要组成部分，它通过观察病人的脉象、舌苔等身体特征来确定病人患有何种病症。
中医证型是指将这些身体特征按照一定规律归纳总结，用于帮助医生确定治疗方案和预测疗效的一种方法。
随着大数据技术的发展，人们开始尝试运用关联规则挖掘的方法来发现中医证型之间的关联关系，以进一步提高中医诊疗的准确性和效果。
二、关联规则挖掘简介关联规则挖掘是一种数据挖掘技术，用于发现数据集中项集之间的关联关系。
在关联规则挖掘中，项集是指一组相关联的数据项。
关联规则是一种表示不同项集之间的相关性的模式，它以”如果…那么…“的形式进行描述。
其中，”如果”部分称为前提，“那么”部分称为结论。
关联规则通常使用两个指标来评估其关联性： - 支持度（Support）：反映一个项集在整个数据集中出现的频率。
- 置信度（Confidence）：反映在前提成立的条件下，结论出现的概率。
关联规则挖掘的目标是发现具有高置信度和支持度的关联规则。
通过分析这些关联规则，可以发现数据集中隐藏的模式和趋势，提供决策支持和预测分析。
三、中医证型的关联规则挖掘中医证型是根据病人的脉象、舌苔等身体特征，结合中医经验和理论，归纳总结出的各种病症类型。
传统的中医诊断是基于医生的经验和直觉，因此存在主观性和局限性。
而关联规则挖掘则是一种能够基于大量数据，自动发现隐含模式和规律的方法，可以用来辅助中医诊断和疗效预测。
3.1 数据准备进行中医证型的关联规则挖掘需要准备充足的数据。
一般来说，可以从医院或中医诊所的病历中获取相关数据，包括病人的基本信息、症状描述、诊断结果等。
为了保护病人隐私，这些数据需要进行匿名化处理和加密存储。
3.2 数据清洗和预处理获得数据后，需要进行数据清洗和预处理，以确保数据的质量和准确性。
数据清洗包括去除重复数据、处理缺失值、处理异常值等。
数据预处理则包括数据标准化、数据离散化等步骤，以便于后续的关联规则挖掘。
关联规则挖掘在中医证候信息数据库系统中的应用
ｎ ｌ ｚ ｈ ｒ ｃｅ ｔ ｓｏ ｄｔ ｎ Ｃｈ ｎ ｓ ｄ ｃ ｎ ｎ ｒ ｔ ， ａ ａｙ ｅ ｔｅ ｃ ａ ａ ｔｒｓ ｃ ｆ ｅｔａ ｉ ｏ ａ ｉ ｅ ｅ ｍｅ ｉｉ ｅｉ ｏ ｍａｉｎ ａ ｄ ｇｖ ｅｐ ｏ ｅ ｕ ｅ ｏ ｐ ｌ ｉ ｇａ ｓ ｉｔ ｎ ｒ ｌｓｍｉ ｉｇ ｏ ｈ ｉ ｉ ｈ ｔ ｒ ｉ ｌ ｆ ｏ ｎ ｉｅ ｔ ｒｃ ｄ ｒ ｆ ｐ ｙｎ ｏ ａ ｏ ｕｅ ｎ ｎ ｎ ｈ ａ ｓ ｃ ｉ
Ａｐ ｌ ａ ｉ ｎ ｏ ｓ ｃ ａ ｉ ｎ Ｒｕ ｅ ｉ ｉ ｇ ｉ ｔ ｂ ｓ ｙ ｔ ｍ ａ ｉ ｏ ａ ｉ ｅ ｅ Ｍ ｅ ｉ ｉ ｅ ｐ ｉ ｔｏ ｆＡｓ ｏ ｉ ｔ ｌ ｓＭ ｎ ｎ ｎ Ｄａ ａ ａ ｅ Ｓ ｓｅ ｏ Ｔｒ ｄ ｔ ｎ ｌＣｈ ｎ ｓ ｄ ｃ ｎ ｃ ｏ ｆ ｉ
论 述 了在 此 系统 架构 下 关 联 规 则挖 掘 算 法 的成 功 运 用 ， 并提 出 了一 个 高 效 的 中 医数 据 挖 掘 模 型 。 系统 运 行 状 况表 明 ， 该模 型 在
指 导 下 的 系统 在 智 能 和 用 户使 用人 性化 方 面都 比原 系统 有 明 显 的 优 势 。 关键 词 ： 联规 则 ； 据挖 掘 ；中 医 ； 候 关 数 证
郑 利 荣 印 鉴 ．
（ 东省 医 学情 报 研 究 所 ， 东 广 州 ５０ ８ ； 中 山大 学 计 算 机 系 ， 东 广 州 ５ ０ ７ ） １广 广 １ １０ ２ 广 １２ ５
摘 要： 关联 规 则挖 掘 是 数 据 挖 掘 的 一 个 重 要 研 究 方 向 ， 可 以揭 示 数 据 之 间有 趣 的 关联 或 者 相 关联 系。在 此基 础 上 结 合 特 定 它 系统 的 用 户行 为数 据 ， 可 以进 行 用 户行 为分 析 。 文 以 一 个 开发 的 中 医证 候 信 息 数 据 库 系统 为 基 础 ， 合 中 医数 据挖 掘 实 际 ， 还 本 结
中医执业医师中医诊断学教材笔记八纲证候之间的关系
中医执业医师中医诊断学教材笔记：八纲证候之间的关系八纲证候间的相互关系，主要可归纳为证候相兼、证候错杂、证候真假、证候转化四个方面。
一、证候相兼广义的证候相兼，是指各种证候的相兼存在。
本处所指为狭义的证候相兼，即指在疾病某一阶段，其病位无论是在表、在里，但病情性质上没有寒与热、虚与实相反的证候存在。
常见相兼证有表实寒证、表实热证、里实寒证、里实热证、里虚寒证、里虚热证等，其临床表现一般是有关纲领证候的相加。
往常将表证有汗出者，称之为“表虚”，表证无汗者，称之为表实。
其实表证的有无汗出。
只是在外邪的作用下，毛窍闭与未闭、邪正相争的不同反应而已，毛窍未闭、肤表疏松而有汗出，不等于疾病的本质属虚。
二、证候错杂疾病某一阶段，不仅表现为表里同时受病，而且呈现寒、热、虚、实的性质相反的证候。
八纲中表里寒热虚实的错杂关系，表现为表里同病、寒热错杂、虚实夹杂。
证候间的错杂组合关系的四种情况：第一是表里同病而寒热虚实性质并无矛盾，如表里实寒证、表里实热证等第二类是表里同病，且寒热性质相同，但虚实性质相反的证候，如表实寒里虚寒证、表实热里虚热证;第三类是表里同病，且虚实性质相同，但寒热性质相反的证候，有表实寒里热证，即“寒包火”证;第四类是表里同病，且寒与热、虚与实的性质均相反的证候，除可有表实寒里虚热证外，其余组合临床极少见到。
三、证候真假（一）寒热真假1.真热假寒[概念] 指内有真热而外见某些假寒的“热极似寒”证候。
真热假寒证常有热深厥亦深的特点，故可称作热极肢厥证，或阳盛格阴证。
[ 临床表现] 四肢凉甚至厥冷，恶寒甚或寒战，神识昏沉，面色紫暗，脉沉迟等似为阴寒证的表现，但其本质为热，故必有高热，胸腹灼热，口鼻气灼，口臭息粗，口渴引饮，小便短黄，舌红苔黄而干，脉搏有力等里实热证有表现。
[机理] 由于邪热内盛，阳气郁闭于内而不能布达于外。
2.真寒假热[ 概念] 指内有真寒而外见某些假热的“寒极似热”证候。
真寒假热证实际是虚阳浮越证，亦称阴盛格阳证、戴阳证。
基于关联规则的数据挖掘技术在中医诊断中的应用
基金项 目： 省教 育厅重点资助项 目（０ ０ｋ ６ ｚ ） 安徽 ２ １ ｓ ０ｄ ２ 作者简介 ： 霞（９ ０一 ， ， 欧风 １７ ） 女 安徽肥东人 ， 助理研 究员， 硕士研究生， 主要从 事数据库与信息系统 集成方 面的研究
・
５ ４・
设 Ｄ是 事务数 据库 ， （ ， ， ， ） 所有 项 目的集合 ， 中 ， ＝１ … ， ，： ｉ ｉ … 是 ： 其 ， ｍ是一个 项 目． 每个 事务 是 一个 项集 ， 称 ＿ 为规则 ， 中 Ａ ｃ ， ｃ ，且 ｎ Ｂ ＝ ． 则 ÷ 其 ， ，
发现新 的规则 ，获取新 的症状 、辨 证和处方 之间的关 系
图 １ 病 历 数 据 预 处 理 流 程
Ｆ ｇ １ Ｍ ｅ ｉａ ｅ ｏ ｄ ｄ ｔ ｒ ｔ ｅ ｔ ｎ ｏ ｈ ｒ ｉ． ｄ ｃ ｌｒ ｃ ｒ ａａ ｐ ｅ ｒ ａ ｍｅ ｔｆ ｗｃ ａ ｔ ｌ
３ １ 关联 规则 的概念 ．
３ 基于关联规则数据挖 掘技术 的应 用
数据 挖掘 的方 法有关 联规 则 、 列模 式 、 经 网络 、 序 神 分类 规则 和 聚类 分析 等 ， 用不 同 的技 术 可以发 现不 采 同类 型 的知识 ． 本文 主要介 绍关 联规则 技术 在肝 病 中医诊 断上 的应 用 ， 出肝 病 的症 状 与处方 、 找 症状 与辨 证 、
称为“ 证候” 通过对证候的辨识而确定的病理本质 ， ； 称为“ 证素” 由病位 、 ； 病性证素所构成的诊断名称 ， 称为
“ 证名 ” 证候 、 素和证 名 ， 同组 成 了“ ． 证 共 证素 辨证 体系 ” ． 证素 辨证研 究 的核心 问题是 证素 的确认 ， 即通 过 临床 收集 到的信 息寻 找构成 证 的基本元 素 ． 如果一 组症 状群 呈现稳 定 的相互关 系 ， 可 以确定病 位与 病性 的 就 最小单 位 ． 准确地 判断 证素 ， 便抓住 了疾 病 当前 的病理本 质 ． 临床上 收集 的 四诊 资料存 在不 完整 性 、 噪声 和不一 致 性等 特点 ， 能直 接 用 于数 据 挖掘 ． 进 行数 据 含 不 在 挖 掘之 前 ， 须对 中医 临床上 的数 据进行 规 范化 的预处理 ， ｉ 中医临床 数据规 范化 预处理 的流程 图． 必 图 是