基于模糊綜合評價法下的精準醫療

裴嶼然 楊欣怡 王越洋

【摘 要】大數據時代下，利用大數據終端的服務支持整合分析病人服藥記錄以及電子病歷等數據以實現精準醫療。通過分析各類數據為確定合理的糖尿病評價指標體系，我們將指標分為三類，利用層次分析法確定每個評價因子的權重進而得出權向量。之后建立模糊數學評價模型，將分類后的評價因子利用模糊矩陣方法進行單因素評價，最后利用模糊綜合評價得到糖尿病治療效果的評價體系

【關鍵詞】模糊綜合評價;層次分析法;大數據

1數據處理

評價治療效果的指標眾多，它們錯綜復雜且并不完全獨立，因此我們的關鍵是將問題系統化，建立合適的評價體系使指標更好反映治療效果。在這里，我們利用層次分析法，把因素層次化，最終確立一個因素遞階層次結構模型。也就是一個評價模型包括了幾個因素這些因素按照某種關系形成多個層次，最終形成層次結構模型。

首先我們通過分析數據以及詢問醫師選取了較有代表性的10個指標作為評價醫療效果的因素，將此問題分為三個層次，即目標層、準則層、方案層。

其中目標層為治療效果，準則層為治療強度、復發時間間隔、治療時間、治療結果，方案層為選定的10個評價指標

2一致性檢驗

得出判斷矩陣后我們要對判斷矩陣進行一致性檢驗，同時計算判斷矩陣對應的最大特征值的特征向量作為同層對于上層的相對重要性的權重排序。

利用MATLAB可以求得該矩陣的最大特征值λ=4.2306，之后我們進行正互反矩陣的一致性檢驗。

利用公式計算一次性指標CI：

查找平均一致性指標RI，對于n=1...9，根據satty的隨機一致性給出了RI的值

當λ=4.2306時，RI=0.90，CI=0.077，所以一致性比率為：

通過了一致性比率。

之后我們進行歸一化來消除指標間的差異，算出權向量：

Step1：將A的每一列向量歸一化得

Step2：將按行展開求積并開n次方。

Step3：將歸一化

Step4：計算，作為最大特征根的近似值。用MATLAB計算后得到權向量：

即4個準則層因子對目標層的影響效果權重為（0.09110，0.3113，0.4364，0.3634）

4.1.2基于層次分析法建立模糊評價模型

4.1.2.1問題分析

確定評價事物的影響指標集合

確定評價等級集合

其中依次表示差、中、良、優秀。

利用之前層次分析法得出的歸一化權向量（0.09110，0.3113，0.4364，0.3634）

3模型求解

下面確定評價等級的隸屬度即被評價事物從整體上看對Q等級子集的隸屬程度并得到準則層每個因素的評價矩陣。

我們通過調查問卷的形式收集大量關于10個指標的評分數據（假設滿分為50分）并對數據求平均值得出對患者的治療效果的評價結果。

得準則層每個因素的評價模糊關系矩陣：

之后利用合適的模糊算子合成因素權重的w和各被評事物的模糊矩陣R，得到各準則層的模糊關系矩陣：

由各個準則層的模糊關系子矩陣得出模糊關系總矩陣：

再通過權向量矩陣與評價矩陣經過模糊變換得到模糊評價集Q

我們選取的最優的算法來計算：

得到Q=WR=（0.8124 0.3371 0.6947 0.2668）

實際上常用的最大隸屬度原則，但我們此問題中被評價事物的指標較多，選取最大隸屬度可能會丟失重要信息，因此我們選用求平均求隸屬等級的方法可以較為全面的評價所選事物，使結果更準確。

我們求得平均隸屬等級為0.5227，此數值接近0.6947，故近似判斷此醫院的患者的治療效果為“良”。

參考文獻：

[1]黃小龍，羅旭，汪鵬，吳昊.健康醫療大數據驅動下的精準醫療實施進展[J].醫學信息學雜志，2017，38（09）：17-21.

[2]楊夢潔，楊宇輝，郭宇航，王家亮.大數據時代下精準醫療的發展現狀研究[J].中國數字醫學，2017，12（09）：27-29.

[3]黃小龍. 綜合性醫院大數據需求分析與應用模式研究[D].第三軍醫大學，2017.

（作者單位：1.華北理工大學;2.北京師范大學）