基于遺傳算法的藥物療效評價模型研究

摘 要：高血壓是引起冠心病、中風、心力衰竭等疾病的重要風險因素，并已成為影響人類健康的重要疾病，對患者進行藥物治療是控制血壓的常見手段。本文通過對高血壓患者的服藥情況及血壓值進行分析，建立兩者之間的（β，beta）分布評價模型，利用遺傳算法對該模型進行優化。通過與線性擬合相比較，表明該模型能很好地預見患者的血壓情況。

關鍵詞：高血壓；β分布；遺傳算法；交叉驗證

中圖分類號：TP18 文獻標識碼：A

1 引言（Introduction）

心腦血管疾病是全球威脅人類健康的重大疾病，其發病和死因一半以上與高血壓有關，同時居民腦卒中和冠心病發病最重要的危險因素也是高血壓，所以控制高血壓是防治心腦血管病、腦卒中和冠心病的關鍵。《中國高血壓防治指南》指出，患者有效地控制血壓可以減少心腦血管及其他并發癥的發生，從而提高生存質量。醫學研究表明：對高血壓進行早期預防和早期穩定的治療及健康的生活方式，可使75%的高血壓及并發癥得到預防和控制。Wilbert S.Aronow[1]對治療老年人高血壓情況進行研究，發現抗高血壓藥物治療能有效降低心血管、腦卒中死亡率；Huan M.Nguyen、Karlene Ma[4]等人在研究治療成人嚴重高血壓中發現，氯維地平能有效控制術期的血壓，且副作用很小。目前高血壓病人的知曉率、控制率和治療率一直處于較低的水平，本文從提高高血壓患者的控制率方面，構建高血壓藥物療效評價模型，發現持續用藥與血壓的關系，為醫生開藥、病人持續用藥提供指導，增強病人的可持續用藥程度，從而提高患者的控制率和治療率，提高患者的生活水平。

2 高血壓水平定義（Definition of hypertension）

對高血壓的定義，國內外的標準稍有不同，本文的研究采用文獻[3]中對高血壓水平的定義，即在不使用降壓藥物的情況下，非同日3次測量，收縮壓SBP≥140mmHg和（或）舒張壓DBP≥90mmHg；患者有既往高血壓史，而目前正在使用降壓藥物的，即使當前的血壓值低于140/90mmHg，也判定為患有高血壓。如果收縮壓SBP≥140mmHg，舒張壓DBP<90mmHg可以判定為單純的收縮期高血壓。收縮壓升高比舒張壓升高給人帶來的影響更大，因此本文主要是研究收縮壓與用藥時間的關系，其值與相應關系的描述如表1所示。

5 基于遺傳算法的參數優化設計（Parameter

optimization design based on genetic algorithm）

5.1 遺傳算法

對于復雜問題或缺乏先驗知識的問題，傳統的基于專家經驗的建模方法難以實現，而遺傳算法具有很強的全局搜索能力，因此，本文提出了將遺傳算法用于模糊建模。遺傳算法有其強大的全局搜索能力，能夠同時處理群體中的多個個體，也即對搜索空間中的多個解進行評估，減少了陷入局部最優解的風險，遺傳算法利用進化過程獲得的信息自行組織搜索時，適應度大的個體具有較高的生存概率，并獲得更適應環境的基因結構。本文主要通過遺傳算法對上述模型進行參數優化，找出問題的最優解，確定最佳模型。

5.2 參數評估

本文所提出的參數優化算法的思想是將模型參數作為優化對象，通過遺傳算法迭代并使用適應值評價函數對求解性能進行評價，通過交叉、變異不斷進行解的優化。

評價最終模型的標準，通常根據預測數據與原始數據之間的誤差來判斷。均方根誤差又叫標準誤差，它是觀測值與真值偏差的平方和觀測次數n比值的平方根。在實驗中，觀測次數n總是有限的，真值只能用最佳值來代替，標準誤差對一組觀測中的特大或特小誤差反應非常敏感，所以，標準誤差能很好地反映出測量的準確度。因此，本實驗選擇則標準誤差最為評估標準，其計算公式如式（7）所示：

（7）

6 實驗結果與分析（Experimental results and

analysis）

為驗證本文提出的參數優化算法的有效性，在MATLAB7.0平臺下進行算法實現，利用遺傳算法求解該問題的最優參數，通過交叉驗證比較在不同參數下遺傳算法的性能，并與在線性擬合條件下對參數的求解性能進行比較。

6.1 參數優化算法仿真

在對本文提出的參數優化算法的仿真過程中，參數a1、b1、a2、b2、a3、b3為優化的對象，其參數初始種群范圍如表2所示。算法的最大迭代次數，設為100。

根據山西省某醫院提供的高血壓數據，經過數據清洗、整理得到部分的數據用于本實驗。將數據分成10組，采用交叉驗證的方法，經過反復的訓練、測試。對得到不同參數下的模型，計算其均方誤差，從而確定最終的評價模型。參數優化過程中，部分組所得到的平均誤差及準確率如表3所示。

表3列出了不同的模型對應的平均誤差值，通過比較我們發現第9組所確定的模型所得到的誤差值最小，準確度最高；同樣將數據進行線性擬合，其平均誤差為5.7447，準確率為77.9%。因此我們將第9組對應的模型作為我們的最佳評價模型，相應的模型圖2所示。

6.2 結果分析說明

由圖2的描述可以看出，總體來講，患者用藥一段時間后能夠顯著降低血壓水平，但對于中度高血壓患者來說，可能由于初期藥物的不合理性或者患者體質的影響等因素，會導致血壓的暫時升高，這部分患者在藥物選擇過程中還有待進一步研究。對于大部分高血壓患者來說，如果堅持服藥，能使血壓維持在較低的水平，從而為高血壓患者堅持用藥提供了理論依據。

7 結論（Conclusion）

通過對持續吃藥時間和血壓值的研究，建立二者之間的評價模型。本文的研究工作從一定程度上能夠增強病人的可持續用藥程度，從而提高高血壓疾病的治療效果，提升患者及其家人的幸福感。可以考慮將本文的研究方法用于其他疾病的研究。

參考文獻（References）

[1] Wilbert S.Aronow.Treating hypertension and prehypertension in older people：When，whom and how[J].Maturitas，2015，80（1）：31-36.

[2] Thusitha Mabotuwana，Jim Warren.ChronoMedIt——A computational quality audit framework for better management of patients with chronic conditions[J]. Journal of Biomedical Informatics，2010，43（1）：144-158.

[3] 劉力生，王文，姚崇華.中國高血壓防治指南（2010年基層版）[J].中華高血壓雜志，2011，18（1）：11-18.

[4] Huan M.Nguyen，et al.Clevidipine for the Treatment of Severe Hyper-tension in Adults[J].Clinical Therape-utics，2010，32（1）：11-23.

[5] Tak-chung Fu.A review on time series data mining[J].Engineering Applications of Artificial Intelligence，2011，

24（1）：164-181.

[6] Michel Burnier，et al.Measuring，Analyzing，and Managing Drug Adherence in Resistant Hypertension[J].Hypertension，

2013，62：218-225.

[7] M.Akhil jabbar，B.L Deekshatulua，Priti Chandra.Classification of Heart Disease Using K-Nearest Neighbor and Genetic Algorithm[J].Procedia Technology，2013，10：85-94.

作者簡介：

曹小鳳（1989-），女，碩士，助教.研究領域：人工智能，數據挖掘.