基于FP-Growth算法的精神障礙患者用藥不良反應預警App研究

孫敏琦 潘媛媛

摘要：隨著移動醫療技術的發展，人們熱衷于通過手機查詢疾病信息。為了防患精神障礙疾病患者在常規用藥過程中發生藥品不良反應（Adverse Drug Reaction，ADR），采用FP-Growth算法對ADR風險因素進行挖掘，設計一種基于Android平臺的精神障礙患者用藥不良反應預警的App。算法根據精神障礙患者ADR報告的最新數據，挖掘頻繁出現的ADR-藥品-用藥人群組合，提取滿足最小支持度和最小置信度閾值的強關聯規則。根據強關聯規則對用戶輸入的一系列用藥信息進行預測判斷，以移動可視化界面的形式反饋給用戶，保障患者全過程安全用藥。

關鍵詞：藥品不良反應預警;精神障礙;FP-Growth算法;關聯規則;移動醫療

中圖分類號：TP311 ? ? ?文獻標識碼：A

文章編號：1009-3044（2022）13-0132-03

1 引言

根據中國疾控中心精神衛生中心公示的一系列數據顯示，在中國總數超過1億數量的各類精神疾病患者中，有約640萬人患精神分裂癥，110萬人有雙相情感障礙。最新的一項涵蓋5萬多人的調查顯示，新冠肺炎疫情期間約有35%的公眾存在不同程度的情緒反應。其中，居家的社區嚴重精神障礙患者的心理問題加重[1]，老年人和一線工作人員等特殊人群的心理健康狀況受到多方關注。目前，全球范圍內受精神健康問題困擾的人群逐年增加。據統計，截至今年，已有超十億人受到不同程度精神健康疾病的困擾，平均每40秒就有一人因受到精神疾病困擾而導致自殺。患病率日益上升的精神障礙疾病在我國存在著巨大的“治療缺口”，由于抗精神病藥品的藥理作用比較廣泛，不僅單純作用于神經系統發揮作用，對泌尿、消化、心血管系統和皮膚及附屬器官也會產生影響[2]，從而引起一系列藥品不良反應，對下一步的疾病治療造成阻礙。

藥品不良反應是指在正常用法、用量下使用合格藥品時出現的與用藥目的無關或意外的有害反應。由于醫護人員在常規給患者使用藥品進行診療時，引起理想治療效果以外的不良反應現象非常常見，為防止藥品不良反應事件頻頻發生，部分學者展開了預警研究。葉明全[3]等人提出結合概念層次樹和多層關聯規則的挖掘方法，自頂向下或自底向上找出不同概念層次上ADR臨床癥狀與用藥人群、用藥情況等組合之間的強關聯規則，生成ADR預警規則庫，準確度達到89%。賀小紅[4]等人基于多維表達式（multi-dimensional expressions，MDX）對數據進行切片、切塊、鉆取等聯機分析處理，并用filter函數挑選出頻繁項集進而提取關聯規則。熊代琴[5]等人先對可能產生ADR的單因素進行篩查和共線性檢驗，再對影響因素使用多因素二元logistic回歸分析生成LR模型，基于該模型預測ADR發生風險。王艷[6]等人采用非條件最小二乘法進行參數估計，發現ARIMA為較優模型，只需內生變量即可進行建模而不需要考慮其他變量，可操作性好。張成[7]等人用貝葉斯置信傳播神經網絡（BCPNN）挖掘舒金健藥丸ADR/AE風險預警信號，采用傾向評分法控制平衡混雜因素，可以很好地克服在獲取數據較少情況下因估計誤差大而致假陽性率高這一問題。

盡管引起精神類疾病的因素日益增多，較高的發病率伴隨的卻是只有不到20%的治療率。得到治療的患者又因為精神疾病間容易共患，治療期間可能因為發生共患反過來影響藥物治療的選擇，這就需要及時調整用藥情況，規避再次產生藥品不良反應的風險。因此，本研究提出一種基于移動平臺的用藥不良反應預警App，幫助精神障礙患者在用藥前期避免不良反應的發生。

2 基于FP-Growth的關聯規則挖掘算法

2.1 支持度和置信度

設I={i1，i2，…，im}是一個總項集，其中包含m個不同項目，D={r1，r2，…，rm}為事務數據庫，每個事務ri（i=1，2，…，n）均對應I上的一個子集，滿足ri?I，記為R。設X，Y為I中不同的項集，當X?Y，稱其為一條關聯規則，項集X為先決條件，項集Y為關聯結果[8]。衡量關聯規則是否標準常用以下兩個指標：支持度（support）和置信度（confidence）。支持度是事務數據集D中同時出現項集X、Y的概率，置信度是指在出現項集X的事務數據集D中，項集B是同時出現的概率。式（1）、（2）分別為支持度和置信度的公式概念。

Support（X?Y）=P（X，Y）=[|{R|X?Y?R，R?D}|D] ? ? ? ? ? （1）

Confidence（X?Y）=P（Y|X）=[PX，YPX]=[SupportX?YSupportX] ? ?（2）

支持度從“數量”角度篩選普遍存在的關聯規則，如果X和Y同時出現得非常頻繁，說明X和Y總是相關的。置信度是反映關聯規則可靠性的評價指標，Confidence（X?Y）越接近1說明兩者關聯性越強。當關聯規則同時滿足最小支持度和最小置信度時，稱其為“強關聯規則”。

2.2 FP-Growth算法流程

關聯規則算法用來挖掘數據集內部的相關聯性，考慮到Apriori算法需要對候選項集里的每一項各掃描一次，在數據集量很大時，算法存在效率低、運行時間長的缺點，本研究采用更加高效的FP-Growth算法，將數據集化為FP-tree這一數據結構，尋找頻繁項集的過程便是對這棵樹進行操作的過程。

采用FP-Growth算法挖掘關聯規則的流程如圖1所示，其具體步驟如下：

1）遍歷事務數據集D，統計每個項目的出現次數，設定最小支持度MinS，剔除小于MinS的項目，對剩余的頻繁項降序排序。

2）再次遍歷事務數據庫，對排序后的頻繁項建立頻繁項頭表，同時建立FP-tree，根節點記為NULL，讀入頻繁項集并將其添加到一條已存在的路徑中，若該路徑不存在則新建一條路徑。

3）對于每個頻繁項，按照頻繁項表自下而上的順序訪問FP-tree，找尋該頻繁項的前綴路徑和路徑計數值，生成條件模式基。

4）利用條件模式基構建相應頻繁項的條件FP-tree，遞歸調用樹結構，若是單路徑結構，跳至步驟5）;若是多路徑結構則不斷迭代調用樹的過程，直到形成單路徑為止。

5）每一次遞歸都要對前綴路徑中的支持度計數減1和刪除小于最小支持度的項目，把條件頻繁項集和該頻繁項取并集生成最終的頻繁模式。

2.3 FP-Growth算法應用案例

以蕪湖市某三甲醫院精神科室2016～2020年統計的藥品不良反應記錄為例。對初始的1916條記錄進行數據預處理，先清除異常和重復的數據，由于FP-Growth算法只能處理布爾型數據，為保證數據格式標準化，將字符型數據二值化處理，得到可用于實驗的1800條記錄，即1800個事務組成的事務數據集，主要包括：序列號、性別、年齡、所患疾病名稱、用藥名稱、ADR名稱、ADR結果。表1為精神障礙患者用藥不良反應二值化前的事務數據集。

通過FP-Growth算法挖掘預處理后的頻繁項集，性別、年齡、所患疾病名稱、用藥名稱作為先決條件，ADR名稱作為關聯結果，尋找ADR、藥品和用藥人群之間的關聯關系。設最小支持度為0.02，最小置信度為0.75，提取所有置信度達0.5以上的關聯規則組成預警規則集，表2為置信度較高的10條關聯規則。當患者是女性且患有精神分裂癥時，由數據挖掘的分析結果可知，預警規則集給出4條預警信息，分別是精神分裂癥女性服用利培酮片有81%的可能發生自主神經功能紊亂，精神分裂癥女性服用氯氮平片有81%的可能發生心律異常;精神分裂癥女性服用阿立哌唑片有80%的可能發生錐體外系反應;精神分裂癥女性服用利培酮片有76%的可能發生錐體外系反應。

3 基于FP-Growth的精神障礙患者ADR預警App設計

本App以Android Studio作為開發平臺，采集服務和服務端采用Intellij IDEA集成開發環境并使用同一個MySQL數據庫系統。開發過程先后經過對軟件功能分析與設計、數據庫設計、客戶端設計和后臺管理功能設計。軟件提供健康檔案、用藥記錄、藥品不良反應預警和健康報告功能，圖2為軟件總體功能模塊設計圖。

3.1 健康檔案模塊

用戶首次登錄時需先注冊賬號，軟件推送“我的資料”界面，在其中填寫姓名、年齡、性別、身高、體重和手機號。圖3為App首頁界面，“健康檔案”模塊可從首頁進入，如圖4所示，每一條檔案信息包括姓名、性別、年齡、疾病，可對其進行添加、刪除、修改操作。考慮到軟件的使用人群不全是精神障礙患者和醫護人員，有替他人預測用藥不良反應風險的可能，所以這里再次記錄性別、年齡信息。

3.2 用藥記錄模塊

用戶輸入藥名，用藥時間一欄同步手機當前時間，也可以自行調整。對于一天多次用藥的情況，以天為單位合并數據，最終形成每日的用藥記錄。圖5為錄入藥名和用藥時間的頁面設計。

3.3 精神障礙用藥ADR預警模塊

收集從醫院獲取到精神障礙患者藥品不良反應數據預處理，采用基于FP-Growth算法的數據挖掘關聯規則的方法，構建抗精神障礙藥品不良反應早期預警模型，將此模型數據導入到MySQL數據庫中。用戶使用軟件時，只需輸入疾病和患者的年齡、性別、用藥名稱，系統在預警模型數據庫中搜索對應的不良反應，結合置信度大小分析不良反應的風險程度并反饋給用戶。系統規定置信度達0.80以上的不良反應屬于高風險，置信度在0.65～0.80內的不良反應屬于較高風險，置信度在0.50～0.65內為中風險不良反應。預警界面如圖6所示。

3.4 健康報告模塊

考慮到部分抗精神障礙藥品具有單一性和不可調整性，患者短期內找不到可替代現成的、會導致不良反應的藥品，不得不服用現有藥物，這將導致預警系統推送不良反應的發生風險和情況描述。軟件整理預警系統分析出的藥品不良反應情況，形成日報和周報。日報通過選擇日期，顯示某天是否有不良反應的發生，周報收集一周的預警信息，沒有發生不良反應給出“優”等級，發生1或2次不良反應給出“良”等級，不良反應發生2次以上則是“差”等級。圖7、圖8分別為健康周報、健康日報的設計界面。

4 結束語

本文在研究國內外藥品不良反應預警相關算法的基礎上，針對目前精神障礙患者人群擴張、疾病種類和藥品數量增多的現狀和實際需求設計開發了一款基于FP-Growth算法的精神障礙患者用藥不良反應預警App。算法根據精神障礙患者用藥不良反應的呈報數據，挖掘頻繁出現的ADR-藥品-用藥人群組合，提取滿足最小支持度和最小置信度的強關聯規則。軟件根據關聯規則智能預警不良反應的發生風險，為用戶提供健康檔案、健康報告和智能預警功能，以達到令患者在用藥前期防控到位、提高疾病治療效果的目的，若將其利用到精神障礙疾病臨床治療上，其應用前景和作用是巨大的。

參考文獻：

[1] 李世明，楊雀屏，馮為，等.常態化疫情防控下社區嚴重精神障礙患者管理服務現狀與建議[J].中國公共衛生管理，2021，37（6）：764-766.

[2] 莊紅艷，劉珊珊，果偉，等.某精神專科醫院115例新的藥品不良反應的回顧性分析[J].中國藥房，2018，29（23）：3259-3263.

[3] 葉明全，蘇洋，童九翠.基于多層關聯規則挖掘的ADR風險檢測與預警研究[J].池州學院學報，2020，34（3）：23-26.

[4] 馮秀珍，賀小紅，馮變玲.基于關聯規則的ADR預警系統及實證研究[J].科技管理研究，2012，32（9）：194-197.

[5] 熊代琴，馬雪英，滕亮，等.利用全面觸發工具建立住院患兒頭孢菌素類藥品不良反應主動監測預警模型[J].中國藥物警戒，2021，18（7）：663-668.

[6] 王艷，張麗.自回歸移動平均模型在藥品不良反應監測預警中的應用[J].臨床醫學研究與實踐，2018，3（21）：7-8，14.

[7] 張成，李盼盼，王連心，等.基于自發呈報系統舒筋健腰丸不良反應/事件預警分析[J].中國中藥雜志，2020，45（15）：3533-3538.

[8] 陳玲萍.基于FP-Growth的高校學業預警系統設計與實現[J].無線互聯科技，2018，15（24）：39-40，45.

【通聯編輯：謝媛媛】