數據挖掘方法在中醫(yī)醫(yī)案研究中的應用

王康 尹玉潔 李雅文 秘紅英 李紅蓉 賈振華

摘要 中醫(yī)醫(yī)案作為中醫(yī)診療經驗及學術觀點的載體，歷來是中醫(yī)傳承研究的重中之重。傳統(tǒng)的“個人領悟式”方法在分析醫(yī)案時難以避免存在片面性和主觀性。因此，尋找一種可以全面、客觀地反映醫(yī)案中隱藏信息的醫(yī)案研究方法就顯得尤為重要。近些年隨著信息技術的飛速發(fā)展，數據挖掘技術在醫(yī)案研究中的應用也日益深入。現(xiàn)通過對目前醫(yī)案研究領域常用的數據挖掘方法、軟件及平臺的應用現(xiàn)狀進行梳理，并對每種方法在醫(yī)案研究中的適用領域進行簡要評述，以期為醫(yī)案研究者選擇合適的研究方法提供參考，為傳承醫(yī)案中蘊含的診療經驗及發(fā)展中醫(yī)藥事業(yè)提供新思路。

關鍵詞 中醫(yī)醫(yī)案;中醫(yī)診療經驗;數據挖掘;統(tǒng)計學方法

Abstract As the carrier of experience of traditional Chinese medicine（TCM） diagnosis and treatment and academic viewpoints，medical records of TCM have always been the most priority in TCM inheritance and research.The traditional comprehension-based analysis method is hard to avoid partial face and subjectivity in the analysis of medical records.Therefore，it is important to find a method of medical records research that can comprehensively and objectively reflect the hidden information in medical records.With the rapid development of information technology in recent years，the application of data mining technology in medical records research is increasingly in-depth.The author analyzes the application status of data mining methods，software and platform commonly used in the field of medical records research，briefly reviews the application of each method in medical records research，in order to provide a reference for medical records researchers to choose the appropriate methods，and provide methods to inherit the experience of diagnosis and treatment hidden in medical records of TCM and provide ideas to develop TCM.

Keywords Medical records of traditional Chinese medicine; Experience of traditional Chinese medicine diagnosis and treatment; Data mining; Statistical method

中圖分類號：R242;R249文獻標識碼：Adoi：10.3969/j.issn.1673-7202.2021.11.003

中醫(yī)醫(yī)案，又稱病案、診籍、方案、脈案等，是記錄中醫(yī)醫(yī)家臨床辨證、立法、處方用藥的第一手資料[1]。醫(yī)案作為中醫(yī)理、法、方、藥信息的綜合載體，蘊含著醫(yī)者的診療經驗和學術觀點，是中醫(yī)傳承與發(fā)展的基石[2]。醫(yī)案發(fā)展源流大致可概括為“萌芽于先秦，發(fā)展于宋元，繁盛于明清”。現(xiàn)存最早的正式醫(yī)案是西漢《史記》所記載的淳于意的二十五“診籍”，經后世不斷完善，醫(yī)案形式漸臻成熟，至宋代形成了我國第一部醫(yī)案專著——許叔微的《傷寒九十論》[3]。長期以來對醫(yī)案的解讀和學習一直是中醫(yī)傳承與發(fā)展的重要手段，故著名中醫(yī)學家秦伯未曾在《清代名醫(yī)醫(yī)案精華》序言中提及“合病理、治病于一，而融會貫通，卓然成一家言，為后世法者，厥惟醫(yī)案”[4]。由此可見醫(yī)案研究對臨床實踐及學術研究均具有重大意義。

然而在中醫(yī)發(fā)展的長河中，由于歷史時代不同或醫(yī)家習慣各異，醫(yī)案的術語形式多樣，難以規(guī)范統(tǒng)一[5]，加之醫(yī)案留存失當，資料信息的損毀遺失[6]，導致傳統(tǒng)“個人領悟式”方法在分析醫(yī)案時難以避免存在片面性和主觀性，不能保證對醫(yī)案全部信息進行綜合考量。而隨著大數據時代的到來，起源于商業(yè)信息處理的一類深層次數據分析技術——“數據挖掘”逐漸被應用到中醫(yī)研究領域，其具有多樣化、海量、快速、數據價值密度低等特點，為中醫(yī)醫(yī)案研究提供了新思路和新手段[6]，運用統(tǒng)計分析、數據庫、信息檢索、機器學習等方法，可以從海量醫(yī)案數據中凝練潛在診療經驗規(guī)律。目前運用數據挖掘方法研究醫(yī)案中蘊含的診療經驗已成為中醫(yī)傳承研究領域的新熱點。我們在參考大量醫(yī)案研究文獻的基礎上，對醫(yī)案研究領域中的常用數據挖掘方法、軟件及平臺應用現(xiàn)狀進行介紹，并對每種方法在中醫(yī)醫(yī)案研究中的適用領域進行簡要評述。

1 醫(yī)案研究中常用數據挖掘方法

近年來，運用于醫(yī)案研究的數據挖掘方法種類日益增加，可大致分為頻數分析方法、監(jiān)督學習方法、無監(jiān)督學習方法以及其他分析方法等類別。

1.1 頻數分析法

頻數分析法（Frequency Analysis）是醫(yī)案研究中應用最普遍的數據挖掘方法，通過計數各個組內所含個體的數目，觀察組中標志值對于總體水平所起作用的大小[7]。該方法雖然形式簡單，但在各疾病“證-癥-藥”分布規(guī)律研究中具有重要價值，常與其他數據挖掘方法聯(lián)合運用，為后期較為復雜的分析方法提供數據分布情況依據。韓析霖等[8]研究了孟河醫(yī)派費、馬、丁、巢四家治療咳嗽的醫(yī)案中的高頻藥物，使用頻次大于30%的藥物包含：杏仁、茯苓、陳皮、瓜蔞皮、半夏和甘草。其中溫性藥及甘味藥在高頻次藥物中占比最高，歸肺經、大腸經和脾胃經的藥物在高頻藥物中占比最高，從藥物使用頻次的角度總結了孟河醫(yī)派名醫(yī)治療咳嗽的用藥規(guī)律和性味歸經偏好。

1.2 無監(jiān)督學習方法

無監(jiān)督學習在設計分類器時不預設目標，讓計算機自己學習如何去做，可以用于分析數據間關聯(lián)和聚類情況[5]。現(xiàn)將醫(yī)案研究中常用的無監(jiān)督學習方法列舉如下。

1.2.1 關聯(lián)規(guī)則

關聯(lián)規(guī)則（Association Rule）是從數據庫海量信息中發(fā)現(xiàn)項集之間有義關聯(lián)的數據挖掘方法[9-10]。其原理是利用迭代方法，從目標數據庫中提取支持度和置信度不小于給定閾值的強關聯(lián)信息。關聯(lián)規(guī)則是醫(yī)案研究領域應用最重要的數據挖掘方法之一，廣泛應用于處方配伍規(guī)律挖掘及癥-證-藥關聯(lián)規(guī)律挖掘方面。其中最具代表性的是Apriori算法。信楠等對《臨證指南醫(yī)案》中脾胃病相關醫(yī)案進行系統(tǒng)整理，運用Apriori算法對醫(yī)案中包含的證型與藥物的相關性進行研究，從而歸納總結《臨證指南醫(yī)案》中脾胃病證治規(guī)律，為促進中醫(yī)證治理論傳承、發(fā)展與創(chuàng)新提供有力的依據[11]。又如陳擎文[12]通過整理中醫(yī)古籍中風相關醫(yī)案，并運用Apriori算法挖掘了古代中風病相關藥物的關聯(lián)情況，歸納常用藥對及角藥，并總結出古代中風病的證治規(guī)律，結果具有較強的臨床應用性。

1.2.2 聚類分析

聚類分析（Cluster Analysis）是根據各元素間的相似性將研究對象中相似或相近的對象加以歸類分組的統(tǒng)計分析技術，“組內相似度最大”和“組間相似度最小”為其根本原則。常用于分析醫(yī)案中疾病常見證型及組方規(guī)律等信息，在證型歸納及提取核心組方方面獨具優(yōu)勢。范李陽和高山[13]通過對130篇病毒性心肌炎相關文獻中包含的醫(yī)案進行整理，共得到205首方劑，涉及中藥18類，共139味，對其中應用頻次最高的33味藥物進行聚類分析，得到3個聚類方，分別適用于治療氣陰兩虛、熱毒侵心、氣滯血瘀證型的病毒性心肌炎。宋寧等[14]采集80例難治性胃食管反流病醫(yī)案中的四診信息，應用聚類分析方法歸納出難治性胃食管反流病醫(yī)案中醫(yī)辨證分型，結果與臨床研究相一致，可用于指導臨床實踐。聚類分析最大程度避免了分類過程中主觀因素摻雜，保證了所得醫(yī)案信息規(guī)律的真實性及客觀性。

1.2.3 因子分析

因子分析（Factor Analysis）是從變量群中提取代表性因子的技術手段[15]。目前常用于醫(yī)案證候學研究，特別是對醫(yī)案中蘊含的證素信息的提取。許前磊等[16]對1 632例艾滋病患者證候信息研究中，運用因子分析方法對患者最常見的45個癥狀體征進行分析，共得到15個公因子，并賦予其中醫(yī)證候含義，最終總結出艾滋病常見證候規(guī)律，為艾滋病的臨床辨證提供指導。韋葭蔚等[17]提取了312例冠心病慢性心力衰竭患者的證候要素，通過因子分析得出14個公因子，歸納出冠心病慢性心力衰竭中醫(yī)證型分類，為冠心病慢性心力衰竭中醫(yī)證素研究提供了研究思路。

1.2.4 主成分分析

主成分分析（Principal Component Analysis）是在最少損失原有信息的前提下，通過線性變換將原數據分成多個彼此不相關的主成分的降維技術[18]。目前多用于醫(yī)案癥狀及證型研究。主成分分析能從醫(yī)案中眾多癥狀中提取主要癥狀，并排除無關癥狀，使中醫(yī)辨證得以簡化。李毅等[19]收集232例潰瘍性結腸炎患者的病案信息，運用聚類分析歸納出潰瘍性結腸炎證候群，并運用主成分分析對各證候群的癥狀進行綜合分析，最終獲得潰瘍性結腸炎常見證候的主要癥狀指標，主成分分析結果基本符合臨床實際。

1.3 監(jiān)督學習方法

監(jiān)督學習是通過從給定的訓練樣本調整分類器的參數，得出最優(yōu)模型，當輸入新數據時，模型將給出相應的輸出，通過對輸出結果的判斷實現(xiàn)對未知數據的分類[5]。現(xiàn)將醫(yī)案研究領域常用的監(jiān)督學習方法列舉如下。

1.3.1 Logistic回歸分析

Logistic回歸分析（Logistic Regression Analysis）是一種廣義的線性回歸分析模型，是定量研究因變量對自變量的依賴程度、分析變量之間關聯(lián)性并預測、預報的基本方法[20]。在醫(yī)案研究中常用來對“證-癥”規(guī)律研究及用藥規(guī)律等進行挖掘分析。王偉杰等[21]整理302例類風濕關節(jié)炎患者的病案信息，借助Logistic回歸分析方法，歸納出類風濕關節(jié)炎主要證候與癥狀、舌脈之間的相關關系，為指導類風濕關節(jié)炎臨床辨證提供科學依據。徐亮等[22]對125例名老中醫(yī)治療風濕性心臟病的醫(yī)案進行整理，運用Logistic回歸對35味高頻中藥進行分析，總結得出風濕性心臟病以“益氣活血為主，兼以溫陽、養(yǎng)陰、利水”的治法原則。

1.3.2 判別分析

判別分析（Discriminatory Analysis）是在分類確定的條件下，根據研究對象的特征值對其進行歸類判別的多變量分析方法[23]。依據判別準則不同可分為貝葉斯、費歇、距離等判別方法，其中貝葉斯判別分析在醫(yī)案研究中較為常用[24]，該方法在對醫(yī)案中的癥狀體征等指標進行量化的基礎上通過計算獲得判別函數，并以其作為臨床診斷的重要標準。張穎等[25]運用貝葉斯判別分析方法根據372例慢性再生障礙性貧血患者醫(yī)案信息，建立慢性再生障礙性貧血辨證分型判別方程，并采用自身驗證回代法對判別方程進行檢驗，總體正確率為88.17%，其結果顯示判別分析在中醫(yī)辨證領域具有獨特優(yōu)勢，為人工智能在中醫(yī)診斷領域的應用奠定了技術基礎。

1.3.3 貝葉斯網絡

貝葉斯網絡（Bayesian Network）又稱信度網絡，是貝葉斯判別分析的擴展，是基于概率推理的數學模型，善于解決不定性和不完整性問題[26]，具有較高的重復性和客觀性。因此在處理醫(yī)案中復雜的不確定性和關聯(lián)性問題時具有獨特優(yōu)勢[24]。甘小金等[27]回顧整理150例王子瑜教授治療子宮內膜異位癥的門診醫(yī)案，運用貝葉斯網絡方法對癥狀-證素信息做分類識別，結果顯示貝葉斯網絡算法對寒凝證、濕熱證、氣滯證、肝郁證、腎虛證的識別率分別為94.67%、90.67%、86%、82.67%、77.33%，說明貝葉斯網絡算法在研究老中醫(yī)醫(yī)案中包含的學術思想方面具有較好的應用前景。

1.3.4 粗糙集理論

粗糙集理論（Rough Set Theory）是一種刻畫不確定、不完備系統(tǒng)的數學工具，善于從宏觀角度對醫(yī)案中臨證經驗進行綜合分析，多用于中醫(yī)辨證及診斷研究[9]。孫繼佳和王鯤[28]運用粗糙集理論對883例乙肝患者病案資料進行研究，構建中醫(yī)證候決策信息表并結合關聯(lián)規(guī)則得到各證型與中醫(yī)臨床指標的相關性，對乙肝臨床治療及學術研究均具有較高的參考價值。

1.3.5 決策樹

決策樹（Decision Tree）是一種逼近離散值函數的分類預測方法，通過構成決策樹來求取凈現(xiàn)值的期望值不小于零的概率，對項目進行風險評價及可行性判斷[29-30]。決策樹的判定過程就相當于從根結點到某一葉子結點，該過程與中醫(yī)辨證思維過程的高度相似性，因此決策樹算法常用于中醫(yī)證候及診斷研究。別濤和閻兆君運用決策樹分類算法對210例咳嗽變異性哮喘患兒的中醫(yī)證候信息進行分析，得出了咳嗽變異性哮喘的中醫(yī)證型規(guī)律[31]。曾雪元等[32]整理3 322例缺血性卒中患者醫(yī)案信息，采用決策樹算法構建缺血性卒中復發(fā)預測模型，使用混淆矩陣及受試者工作特征曲線（ROC）評價模型的效能。得到8個解釋變量，模型精確度為81%，ROC下面的面積為0.865，顯示出決策樹模型在缺血性卒中復發(fā)預測方面具有寬廣的發(fā)展空間。

1.3.6 人工神經網絡

人工神經網絡（Artificial Neural Networks）是一種人腦的抽象計算模型，通過彼此連結的神經元結構信息進行處理。神經元之間的連結經過加權處理，其權重由從數據中學習、總結出的使用函數決定[30，33]。醫(yī)案中蘊含著大量非線性的復雜的診療信息，其自身復雜性決定了醫(yī)案研究必須從復雜科學視角出發(fā)，用不同的方法進行多學科交叉研究，人工神經網絡作為復雜科學研究領域應用最為廣泛的研究方法之一，能夠客觀真實地反映研究對象內部的非線性關系，多用于舌象、脈象辨識，證候分類等復雜問題[34]。辛基梁[35]收集1 146例患者醫(yī)案信息，通過人工神經網絡分類算法進行訓練建模，并測試該模型預測精度，結果顯示模型四診信息預測證素平均精度為0.79，結果顯示人工神經網絡分類算法在中醫(yī)證候分類領域具有獨特優(yōu)勢。

1.3.7 支持向量機

支持向量機（Support Vector Machine）是一種按監(jiān)督學習方式進行的數據二元分類方法，適用于處理小樣本、非線性資料和高維模式識別問題[36]，在醫(yī)案研究中常用于診斷研究、證素研究、舌象脈象辨識等領域。王階等[37]通過收集115例冠心病名醫(yī)診療醫(yī)案，采用支持向量機方法對醫(yī)案中相關證候要素進行分類并求得各子項的權重值，結果顯示名醫(yī)普遍認為“虛實夾雜，本虛標實”是冠心病的病機特點，且在92.2%的患者中出現(xiàn)“血瘀”病機，說明血瘀在冠心病發(fā)病過程中起到重要作用。

1.4 其他分析方法

在醫(yī)案研究領域還涉及深度學習、遷移學習等多種研究方法。深度學習是一種基于多層神經網絡的機器學習方法，通常需要大量樣本來訓練模型參數，但實際中樣本量往往較少，而遷移學習恰好可以通過將某一相關領域學習到的模式應用于當前領域來解決上述問題，2種方法常常聯(lián)合用于解決圖像和文本的分類及回歸問題，尤其是在中醫(yī)舌象提取識別研究中應用頗為廣泛。劉夢等[38]通過收集500例齒痕舌和裂紋舌舌象圖片，運用深度學習技術與遷移學習技術構建舌象識別模型，具有較高的準確率、精確率及召回率，研究結果顯示基于深度學習和遷移學習構建的舌象識別模型，具備了高通量圖片識別處理能力，能夠較好地解決局部舌象識別問題。

2 醫(yī)案研究中常用數據挖掘軟件及平臺

目前，醫(yī)案數據挖掘領域中的常用軟件主要包括3大類，即：統(tǒng)計軟件（SPSS、Stata、SAS等）、編程軟件（R語言、Python、Weka等）及中醫(yī)數據挖掘平臺（中醫(yī)傳承輔助平臺2.5、中醫(yī)傳承計算平臺3.0、古今醫(yī)案云平臺等）。不同軟件具有各自的優(yōu)勢和不足，如SPSS、Stata等統(tǒng)計軟件事先內置封裝了多常用分析方法及模型，研究者只需通過界面簡單操作即可實現(xiàn)數據分析，但恰恰因其分析方法已固定，無法對分析模型進行修改或自定義;R語言/Python則需要通過寫代碼的方式來運行分析，使用靈活但門檻較高。近些年具備“數據錄入（導出）-管理-查詢-分析-可視化展示”等功能為一體的多種中醫(yī)數據挖掘平臺被研發(fā)出來，其中應用最廣泛的是由中國中醫(yī)科學院中藥研究所和中國科學院自動化所聯(lián)合開發(fā)的中醫(yī)傳承輔助平臺2.5，因其具備了中醫(yī)數據挖掘的主流分析功能，且操作簡單易學，受到廣大研究者的青睞。以下從主要分析功能、操作難易程度、可視化效果及應用現(xiàn)狀4個方面對上述軟件進行簡要比較。見表1。

3 總結

目前，應用于醫(yī)案研究的數據挖掘方法紛繁，如何根據待分析的醫(yī)案數據具體特點及研究目的選擇適合的研究方法是在數據挖掘之前首要考慮的問題。不同醫(yī)案研究其目的各異，其中用藥規(guī)律挖掘和辨證規(guī)律挖掘是目前醫(yī)案研究的熱點[39-41]。用藥規(guī)律挖掘主要從用藥頻次、治療劑量、藥對配伍等方面探究醫(yī)家用藥經驗;辨證規(guī)律挖掘則是從證素研究、病機研究、癥狀規(guī)律，治法研究等方面挖掘醫(yī)案中的臨證診療思想[18]。在進行研究時數據之間的關聯(lián)討論是必不可少的，關聯(lián)規(guī)則簡單、易理解、數據要求低，可以從大量數據中快速準確地發(fā)現(xiàn)項集之間或內部的有義關聯(lián)，在發(fā)現(xiàn)醫(yī)案中癥、證、藥之間關聯(lián)具有獨特優(yōu)勢。除進行數據關聯(lián)討論以外，對擬分析數據庫進行分類研究也十分必要。聚類分析是最常用的分類研究方法，可簡潔直觀地對醫(yī)案數據進行癥狀組合、藥物歸類及證候規(guī)律挖掘;當面對分類已確定條件下處理研究對象分類問題，例如中醫(yī)證型判別問題時，這時判別分析方法更為適合;在處理癥狀-證素分類識別問題時，貝葉斯網絡較為常用，多用于中醫(yī)診斷、證候和辨證等方面的分析研究;決策樹分類算法在處理高維度數據分類問題時具有獨特優(yōu)勢;支持向量機則更適合解決小樣本、非線性資料的分類問題[42]。每種數據挖掘方法都有其自身的優(yōu)勢及缺陷，如頻數統(tǒng)計僅能反映某種藥物的使用頻次，但不能反映其在處方中的貢獻度，而聚類分析恰好可以解決上述問題[43]。多種數據挖掘方法優(yōu)勢互補、取長補短、相互交融、綜合運用，所得結果才能更加契合臨床實際[42]。

數據挖掘技術就像一把雙刃劍，首先其為醫(yī)案研究者提供了一條有效捷徑，但其計算得出的結果中混雜有大量無義信息，這就要求研究者在處理數據挖掘結果時務必做到人機交互，反復校正，去粗取精、去偽存真，所得結果才能契合臨床實際，真正體現(xiàn)醫(yī)家學術思想[6]。此外目前常用的數據挖掘方法也存在其固有缺陷，在用藥規(guī)律研究中，現(xiàn)有方法主要通過計算方劑中藥物屬性，利用數據挖掘算法分析方劑中的核心藥物及藥物配伍組合規(guī)律。然而，目前數據挖掘算法沒有充分考慮藥物特性和方劑功效之間的深層聯(lián)系，導致所得用藥規(guī)律與臨床用藥規(guī)律存在一定差異。因此需要在算法中進一步融合方劑藥物的特性，以抽象出藥物與方劑的深度關系;在方證關系研究中，多以療效作為數據收集的指標，按照療效采集獲取高質量的診療數據，分析藥物與療效間的關系、癥狀與療效間的關系，將藥物和疾病癥狀聯(lián)系到一起，然而當前方法僅僅建立了癥狀與藥物間的聯(lián)系，并未考慮癥狀中隱含的病理因素和藥物的治療特性之間的關系，因此在設計算法過程中，需要進一步融合病癥特征與藥物屬性間的規(guī)律[44]。

除此之外，還要重視數據挖掘方法與生物信息學、網絡藥理學、分子生物學、多組學等其他相關學科聯(lián)合運用，使“證-癥-藥”的醫(yī)案經驗研究模式與“藥物單體-作用靶點-信號通路”的機制研究模式相結合，進一步從分子層面驗證所得經驗規(guī)律的準確性，同時為中醫(yī)機制研究提供新思路。多種挖掘方法優(yōu)勢互補、相關學科聯(lián)合運用，將為數據挖掘方法在醫(yī)案研究領域的應用帶來新的活力。

綜上所述，數據挖掘技術對醫(yī)案所蘊含的理論及學術思想的挖掘整理受到越來越多的關注。國學大師章太炎曾說：“中醫(yī)之成績，醫(yī)案最著。”[43]醫(yī)案是每位醫(yī)者學術思想的精華所在，醫(yī)案研究作為中醫(yī)臨床最基礎的研究，是中醫(yī)學理論體系架構的來源之一[18]。運用數據挖掘方法對中醫(yī)醫(yī)案進行分析，既可以節(jié)省對大容量樣本的處理時間，又能使得出的結論更加客觀、科學。隨著越來越多人工智能算法和模型應用于醫(yī)案研究，將為中醫(yī)藥事業(yè)的傳承與發(fā)展提供一條新的思路。

參考文獻

[1]李鑫頡，賈振華，吳以嶺.數據挖掘方法在中醫(yī)醫(yī)案研究中的現(xiàn)狀分析[J].中國中醫(yī)基礎醫(yī)學雜志，2012，18（1）：4.

[2]何彥澄，肖永華，閆璞，等.中醫(yī)醫(yī)案分析方法評述[J].中醫(yī)雜志，2018，59（13）：1106-1109.

[3]徐世杰，王國為.中醫(yī)醫(yī)案的特點及其價值[J].北京中醫(yī)藥大學學報：中醫(yī)臨床版，2013，20（5）：7-11.

[4]高新彥，廖成榮.《程原仲醫(yī)案》簡介及特色淺析[J].河北中醫(yī)，2015，37（11）：1722-1723.

[5]申穎.基于醫(yī)案的名老中醫(yī)學術思想及臨證經驗傳承方法探索[D].北京：北京中醫(yī)藥大學，2016.

[6]翟佳琪，郭潔，宋殿榮.數據挖掘方法在總結名老中醫(yī)臨證經驗中的應用[J].名醫(yī)，2020，11（4）：66，68.

[7]田琳，朱建貴，王映輝.基于數據挖掘的現(xiàn)代中醫(yī)藥治療頭痛自擬處方用藥規(guī)律分析[J].中國中醫(yī)藥信息雜志，2012，19（11）：22-24.

[8]韓析霖，秦空，傅延齡.基于數據挖掘的孟河四家治療咳嗽用藥規(guī)律研究[J].環(huán)球中醫(yī)藥，2020，13（2）：224-228.

[9]劉興方，韓學杰.數據挖掘技術在醫(yī)案研究中的應用與討論[J].中國實驗方劑學雜志，2014，20（9）：247-250.

[10]卞雅莉.基于數據挖掘技術的中醫(yī)醫(yī)案研究方法探討[J].光明中醫(yī)，2011，26（7）：1340-1341.

[11]信楠.基于數據挖掘的《臨證指南醫(yī)案》脾胃病證治規(guī)律研究[D].廣州：廣州中醫(yī)藥大學，2017.

[12]陳擎文.數據挖掘技術在古代名中醫(yī)中風醫(yī)案之應用研究[J].中華中醫(yī)藥學刊，2008，26（10）：2254-2257.

[13]范李陽，高山.病毒性心肌炎的中醫(yī)證候和方藥規(guī)律分析[J].智慧健康，2018，4（24）：69-70.

[14]宋寧，唐麗明，袁紅霞.基于聚類分析的難治性胃食管反流病中醫(yī)證型分布規(guī)律研究[J].江蘇中醫(yī)藥，2018，50（10）：58-61.

[15]寧桂蘭.國醫(yī)大師班秀文教授論治產后病學術經驗整理研究[D].南寧：廣西中醫(yī)藥大學，2018.

[16]許前磊，謝世平，陳建設，等.艾滋病基本中醫(yī)證候因子分析[J].中醫(yī)雜志，2014，55（19）：1672-1675.

[17]韋葭蔚，趙慧輝，黃幸，等.基于因子分析的慢性心力衰竭患者中醫(yī)證候特點研究[J].遼寧中醫(yī)雜志，2018，45（6）：1218-1221.

[18]仲芳，楊巍，趙翀，等.數據挖掘技術在中醫(yī)醫(yī)案的應用研究[J].中國中醫(yī)藥信息雜志，2020，27（2）：141-144.

[19]李毅，劉艷，劉力，等.潰瘍性結腸炎中醫(yī)癥狀學主成分分析[J].中醫(yī)藥導報，2016，22（7）：32-35.

[20]郭澤強.傳染病預測方法的研究[J].職業(yè)與健康，2012，28（5）：610-612.

[21]王偉杰，唐曉頗，王新昌，等.基于臨床辨證的類風濕關節(jié)炎常見中醫(yī)證候Logistic回歸分析[J].中華中醫(yī)藥雜志，2019，34（2）：807-810.

[22]徐亮，陳守強，侯建輝，等.名老中醫(yī)治療風濕性心臟病用藥規(guī)律的Logistic回歸分析[J].中西醫(yī)結合心腦血管病雜志，2016，14（5）：515-517.

[23]張初兵，高康，楊貴軍.判別分析與Logistic回歸的模擬比較[J].統(tǒng)計與信息論壇，2010，25（1）：19-25.

[24]秘紅英，李彩云，李紅蓉，等.中醫(yī)醫(yī)案的分析方法[J].中國實驗方劑學雜志，2017，23（13）：226-230.

[25]張穎，葉寶東，季聰華，等.基于Bayes判別分析法的慢性再生障礙性貧血中醫(yī)證候診斷研究[J].臨床血液學雜志，2017，30（5）：377-379.

[26]馬豪.衛(wèi)生管理決策支持系統(tǒng)的模型構建研究[D].北京：北京協(xié)和醫(yī)學院，2015.

[27]甘小金，陳艷，馬秀麗.基于貝葉斯網絡的王子瑜教授治療子宮內膜異位癥的辨證規(guī)律研究[J].世界中西醫(yī)結合雜志，2019，14（10）：1350-1352.

[28]孫繼佳，王鯤.基于粗糙集技術的乙肝中醫(yī)臨床癥候關聯(lián)規(guī)則挖掘研究[J].數理醫(yī)藥學雜志，2017，30（10）：1423-1425.

[29]滕皓，趙國毅，韓保勝.改進決策樹的研究[J].濟南大學學報：自然科學版，2002，16（3）：231-233.

[30]常強，趙偉，趙仰杰.基于神經網絡的數據分類預測與實現(xiàn)[J].軟件，2018，39（12）：207-209.

[31]別濤，閻兆君.基于決策樹方法探究咳嗽變異性哮喘的中醫(yī)證型規(guī)律[J].湖北中醫(yī)雜志，2019，41（1）：47-49.

[32]曾雪元，宮偉國，胡云峰，等.基于決策樹算法構建缺血性卒中復發(fā)的預測模型[J].吉林中醫(yī)藥，2020，40（4）：437-440.

[33]趙鐵牛，于春泉，王惠君，等.人工神經網絡在中醫(yī)證候學中的應用初探[J].中華中醫(yī)藥雜志，2014，29（3）：831-833.

[34]劉旺華，洪凈，李花，等.人工神經網絡在中醫(yī)診斷信息化中的應用[J].湖南中醫(yī)藥大學學報，2017，37（7）：809-812.

[35]辛基梁.人工神經網絡在中醫(yī)臨床辨證模型研究中的應用[D].福州：福建中醫(yī)藥大學，2017.

[36]王亞真，張新峰，胡廣芹，等.基于支持向量機的中醫(yī)舌圖像質量評價研究[J].北京生物醫(yī)學工程，2015，34（6）：551-557.

[37]王階，吳榮，周雪忠.基于支持向量機的名老中醫(yī)治療冠心病證候要素研究[J].北京中醫(yī)藥大學學報，2008，31（8）：540-543.

[38]劉夢，王曦廷，周璐，等.基于深度學習與遷移學習的中醫(yī)舌象提取識別研究[J].中醫(yī)雜志，2019，60（10）：835-840.

[39]毛果，王欽玉，謝樂等.基于文獻數據挖掘的新型冠狀病毒肺炎中醫(yī)證素規(guī)律研究[J].中醫(yī)藥臨床雜志，2020，32（7）：1200-1204.

[40]黃威，饒艷玲，孫勤國，等.基于數據挖掘探討340例新冠肺炎的中醫(yī)用藥規(guī)律[J].海南醫(yī)學院學報，2020，26（12）：881-888，894.

[41]高婷，苗晉鑫，康樂，等.基于數據挖掘的中醫(yī)藥治療間質性肺炎用藥規(guī)律分析[J].中藥藥理與臨床，2020，36（4）：8-11.

[42]鄭舞，劉國萍.常見數據挖掘方法在中醫(yī)診斷領域的應用概況[J].中國中醫(yī)藥信息雜志，2013，20（4）：103-107.

[43]肖碧躍，何清湖，孫貴香，等.國醫(yī)大師孫光榮談如何將經典理論與臨床實際相結合[J].湖南中醫(yī)藥大學學報，2018，38（3）：235-237.

[44]陳志奎，宋鑫，高靜，等.基于數據挖掘的中醫(yī)診療研究進展[J].中華中醫(yī)藥學刊，2020，38（12）：1-9.

（2021-04-20收稿 責任編輯：徐穎）