基于混合推理的高血壓藥物推薦模型研究

摘 要：高血壓是常見的慢性疾病，是心血管疾病的重要危險因素，但目前為止，尚未研制出根治高血壓的特效藥物，具有一次得病，終身服藥的特點。對于不同的人群，合理地選擇降壓藥對于治療高血壓有重要意義。本文針對高血壓疾病治療率低的問題，運用混合推理算法進行藥物推薦，通過使用案例推理算法從案例庫得到相似案例，進而用貝葉斯推理算法得到相應的藥物，并分別與案例推理和貝葉斯推理算法所得到的結果比較，實驗表明，該混合推理算法在一定程度上提高了藥物推薦的準確率。

關鍵詞：高血壓；案例推理；貝葉斯；混合推理；推薦

中圖分類號：TP18 文獻標識碼：A

Abstract：Hypertension，as a common chronic disease，is a high risk factor of cardiovascular disease.However，no specific drug has been developed currently to cure hypertension.It has a characteristic of lifelong drug therapy once contracted.For different people，it is of great significance to choose the anti-hypertensive drugs reasonably for treatment.Aiming at the problem of low curing rate of hypertensive disease，hybrid reasoning algorithm has been used to drug recommendation.First of all，similar cases are collected by case-based reasoning algorithm，then the corresponding drugs are obtained by the Bayesian algorithm.The experiment，after comparing the results of the case-based reasoning with Bayesian，shows that to some extent，the hybrid reasoning algorithm improves the accuracy of drug recommendation.

Keywords：hypertension；case-based reasoning；Bayesian；hybrid reasoning；recommendation

1 引言（Introduction）

高血壓是常見的慢性疾病，也是引起心血管疾病的首要危險因素。在《中國心血管病報告2014》中指出，中國心血管疾病的發病率持續不斷上升，全國的心血管病患者近3億，其中高血壓患者占2.7億。研究表明，我國每年的心血管死亡人數中與高血壓有關的多達200多萬人[1]。可見，有效地降低血壓對于心血管疾病的預防，提升人類生活幸福指數有重要的現實意義。

目前，高血壓患者的治療仍以藥物為主，國外的Michel Burnier[2]等人認為高血壓病人要想達到降血壓的目的，必須堅持接受藥物治療；吳昊[3]等人構建了高血壓領域本體和推理規則，將本題庫與案例庫相結合，給出患者的用藥處方；黃飛[4]等人通過構建高血壓本體數據庫，運用本體推理的方法對高血壓患者心血管風險水平進行鑒定；曹小鳳[5]在基于遺傳算法的藥物療效評價模型中指出，只有長期進行藥物治療，才能使血壓維持在相對較低的穩定水平。本文的目標在于為高血壓患者推薦合適的藥物，進而提高藥物的治療率，將案例推理與貝葉斯推理相結合，構建了高血壓藥物推薦模型，對于高血壓患者的治療有一定的指導意義。

2 高血壓定義及電子病歷構建（The definition of hypertension and construction of electronic medical record）

血壓是指作用于血流通過時血管壁單位面積的壓力，通常劃分進入收縮壓和舒張壓。正常的收縮壓力小于140mmHg，舒張壓小于90mmHg。根據WHO標準，中度血壓收縮壓高于160mmHg，舒張壓更大超過95mmHg。如果收縮壓范圍在140和160mmHg和舒張壓介于90—95mmHg，這是邊緣性高血壓。

根據WHO/ISH高血壓治療指南中將高血壓定義為，不使用降壓藥物的前提下，收縮壓SBP≥140mmHg和（或）舒張壓DBP≥90mmHg。根據收縮壓和舒張壓血壓值不同，本文將所用的高血壓級別劃分為1級高血壓（輕度）、2級高血壓（中度），以及3級高血壓（重度）具體如表1所示[1]。

高血壓電子病歷數據庫的建設，除了數據庫本身的知識外，還要結合領域的相關性。根據高血壓藥物推薦的需要，本文所設計的電子病歷數據包括患者基本信息，歷史血壓記錄，過往服用藥物及用藥記錄，其中用藥記錄中包含記錄ID、登記時間、藥物ID、病人ID和血壓級別。

3 高血壓藥物推薦模型（The recommended model of hypertension drugs）

本文構建了高血壓電子病歷庫，根據案例推理可以檢索出大量相似案例[6]，對相似性處理能力有限，而貝葉斯推理有豐富的概率表達能力的特點[7]，提出了一種基于混合推理的高血壓藥物推薦模型，旨在為患者推薦適合自身的藥物，進而有效降低血壓。首先根據患者的身體指標和血壓級別取得相似案例，再運用貝葉斯推理算法得到更準確的藥物列表，從而輔助醫師開具最適合患者的藥物處方。本文提出的高血壓推薦模型工作過程如圖1所示。

在大量高血壓醫療病歷中通過案例推理得出的結果不止一種，而每一種案例所使用的藥物處方往往也有所不同，即使同樣的案例，最終的用藥結果也有不同程度的差異。針對這些問題，將滿足一定條件的案例全部抽取出來作為目標案例的相似案例，并抽取出處方記錄，其表示如下：

從藥物1到藥物n表示檢索出來的用藥列表。由上述描述可知，這些藥物列表存在不同程度的差異，因此在藥物推薦之前需要做一定的調整。

貝葉斯推理提出了推理的概率模型，它描述了某個事件最終得以發生的概率。本文在對藥物進行后驗概率的計算時，需要綜合考慮多方因素，如藥物的使用頻率、藥物的療效等。藥物的條件概率計算如公式2所示：

式中，表示藥物的后驗概率，在高血壓患者中某個患者可能不只患有高血壓一種病，還可能同時存在心臟病。考慮到這種情況，本文首先根據患者的特征值到案例庫中進行匹配，如果找到了就根據上述式（2）計算概率值，否則，就根據模糊理論采用如下的計算方法：

式（3）中，綜合其他疾病的藥物概率對某一藥物概率值排序。通過貝葉斯算法所得到的藥物列表可表示如式（4）：

式（4）中，到表示通過貝葉斯推理所得到的藥物列表，其按概率大小排名。

4 實驗過程及分析（The experimental process and analysis）

本文將電子病歷中患者的信息分為目標案例和源案例。通過與醫師溝通分析，分別對案例推理、貝葉斯推理，以及本文提出的混合推理算法的準確率[7]進行分析。為了保證實驗結果的準確性，將實驗數據集隨機分成10個相等的數據子集，取9個數據子集訓練數據集，其余數據子集作為測試數據設置；重復10次，允許每個數據子集作為測試數據反過來，并使用平均10個測試結果，以評估該藥物推薦模型。實驗過程如圖2所示。

本文所提出的混合推理算法對高血壓藥物的推薦過程具體實現過程如下：

（1）提取特征：根據患者的血壓和身體特征從數據庫中抽取所關心的特征，去除無用的特征信息。

（2）案例推理：根據提取的特征項，從案例庫中抽取相似案例，并根據其歷史診療及服藥記錄指導當前的決策。

（3）貝葉斯推理：對所提取的藥物用式（2）與（3）計算藥物的條件概率，并對藥物列表排名。

（4）藥物推薦：經過上述計算步驟后，便可以取得對當前患者可能適用的藥物列表，推薦的醫療處方由式（4）所示，其結果由多種藥物組成的藥物列表。

為了更好地對比算法，本文列出了三種不同的推理算法在不同數量案例情況下準確率。圖3描述了一種藥物下的準確率，圖4描述了兩種藥物下的準確率。

通過調查研究發現，高血壓患者很少同時服用四五種藥物，一般情況下服用的藥物均為一到兩種。實驗表明，在藥物推薦準確率上本文所提出的混合推理算法在均高于單一使用案例推理，以及貝葉斯算法，因為該混合推理算法集成了二者的的優點。另外，從實驗結果可以發現，兩種藥物推薦的準確率比要高于一種藥物的推薦，這主要是由于使用聯合用藥的患者還是少數，大部分只服用一種藥物，通過兩種藥物的推薦匹配成功的可能性大大增加。

5 結論（Conclusion）

本文在對高血壓研究的基礎上，提出了一種藥物推薦的混合推理模型。研究表明，在藥物推薦的準確率上，本文所提出的混合推理模型相比于案例推理以及貝葉斯推理均有所提高，該模型對輔助醫師開具高血壓治療藥物有一定的指導意義。

參考文獻（References）

[1] 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）：13-16.

[2] Michel Burnier，Gregoire Wuerzner， etc.Measuring， Analyzing， and Managing Drug Adherence in Resistant Hypertension[J]. Hypertension，2014.

[3] 吳昊，謝紅薇.基于本體和案例推理的高血壓診療系統的研究[J].計算機應用于軟件，2013，30（12）：155-158.

[4] 黃飛.高血壓患者心血管風險水平智能分層系統[J].科學技術與工程，2014，14（7）：204-209.

[5] 曹小鳳.基于遺傳算法的藥物療效評價模型研究[J].軟件工程，2017（5）：39-42.

[6] 張薇，何瑞春.基于案例推理的交通疏導輔助決策方法[J].計算機工程與設計，2014（10）：3621-3625.

[7] Alaa Saleh Altheneyan，Mohamed El Bachir Menai.Naive Bayes classifiers for authorship attribution of Arabic texts [J]. Journal of King Saud University Computer and Information Sciences，2014 （26）：473-484.

[8] Wang K，Khan M M H.Performance Prediction for Apache Spark Platform[C].IEEE International Conference on High PERFORMANCE Computing and Communications.IEEE， 2015.

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

作者簡介：

曹小鳳（1989-），女，碩士，助教.研究領域：數據挖掘，人工智能，機器學習.