李艷紅1，沈瑞琪1,，歐敬民2

　　(1．上海財經(jīng)大學 信息管理與工程學院,，上海 200433,；2．上海交通大學醫(yī)學院附屬新華醫(yī)院 普外科，上海 200092)

       摘要：大數(shù)據(jù)時代的來臨日益凸顯數(shù)據(jù)挖掘技術的價值,。文本挖掘作為數(shù)據(jù)挖掘的研究分支,，對非結(jié)構(gòu)化數(shù)據(jù)的知識發(fā)現(xiàn)有重要意義。高血壓患病人群廣,，發(fā)病率高,，治療藥物種類繁雜，尋找其中的用藥規(guī)律,，是臨床醫(yī)學的一個重要方向,。基于文本挖掘技術,，從在線醫(yī)療網(wǎng)站獲取醫(yī)患互動論壇數(shù)據(jù),，進行文本預處理，基于TFIDF算法發(fā)現(xiàn)高血壓常用中西藥,、非藥物治療,、并發(fā)癥用藥特點等，結(jié)合關聯(lián)規(guī)則算法挖掘“癥藥”關系,，有益于高血壓的臨床判斷及用藥研究,。另外，驗證了在線醫(yī)療網(wǎng)站醫(yī)患互動數(shù)據(jù)用于疾病研究的可用性和效果,。

　　關鍵詞：高血壓,；文本挖掘；用藥規(guī)律,；TF-IDF,；關聯(lián)規(guī)則

　　中圖分類號：TP399文獻標識碼：ADOI： 10.19358/j.issn.1674-7720.2017.03.030

　　引用格式：李艷紅，沈瑞琪,，歐敬民.基于文本挖掘技術的高血壓用藥規(guī)律研究［J］.微型機與應用,，2017,36（3）：103-106.

0引言

　　文本挖掘能抽取分散在文本數(shù)據(jù)中未被發(fā)現(xiàn)的、有價值的,、能被用戶理解的知識,，從而更好地組織信息,，是數(shù)據(jù)挖掘的一個研究分支。大數(shù)據(jù)時代的數(shù)據(jù)量龐大,，類型繁多,，價值密度低。利用傳統(tǒng)的信息檢索技術處理如此大量瑣碎的文本數(shù)據(jù)顯然力不從心,，文本挖掘漸漸受到重視,。大量醫(yī)學信息以非結(jié)構(gòu)化文本的形式充斥互聯(lián)網(wǎng)，如醫(yī)療新聞,、生物醫(yī)學文獻,、在線醫(yī)療網(wǎng)站上的醫(yī)患互動論壇等，應用文本挖掘知識以及技術從中發(fā)現(xiàn)隱含潛在的規(guī)律,，已成為醫(yī)學研究的一個重要方向。

　　高血壓是目前最常見的疾病,，據(jù)統(tǒng)計,，全國高血壓患者接近2.7億，15歲及以上高血壓發(fā)病率達四分之一,，并有逐漸增多的趨勢,。治療使用的中西藥種類繁多，而且不斷有研發(fā)出的新藥用于臨床,。尋找高血壓的用藥規(guī)律,，是臨床醫(yī)學的一個重要任務。

　　本文基于文本挖掘技術,，抓取國內(nèi)知名在線醫(yī)療網(wǎng)站上關于高血壓的醫(yī)患問答文本,，獲取高血壓的相關知識，所得結(jié)論供醫(yī)生和病人參考,，有益于高血壓臨床判斷及用藥研究,。

1文獻綜述

　　文本挖掘在生物信息和生物制藥領域的應用取得成功，為其在中醫(yī)藥領域的應用建立了案例,。參考文獻［1］指出文本挖掘技術對中醫(yī)藥文獻分析是一種很有前景的方法,。目前，文本挖掘技術也確實在我國的中醫(yī)藥領域被廣泛運用,，越來越多的學者基于中醫(yī)藥文獻使用文本挖掘技術研究某疾病用藥規(guī)律,，僅針對高血壓疾病，文獻［23］基于中國生物醫(yī)學文獻數(shù)據(jù)庫中檢索的高血壓診療相關文獻,，進行必要的數(shù)據(jù)清洗后,，參考文獻［2］對每一篇文獻共同出現(xiàn)的關鍵詞對構(gòu)建關鍵詞對程序算法，合并相同的關鍵詞對,，根據(jù)出現(xiàn)的頻數(shù)找出常用的中西藥,；參考文獻［3］采用基于敏感關鍵詞頻數(shù)統(tǒng)計的數(shù)據(jù)分層算法,，挖掘高血壓中醫(yī)癥狀、證候以及用藥規(guī)律,。目前國內(nèi)尚未見到網(wǎng)絡數(shù)據(jù)用于醫(yī)學研究,，在國外，有相應的工作發(fā)布,，如參考文獻［4］認為網(wǎng)絡和社會媒體數(shù)據(jù)是重要的疾病監(jiān)測資源,，基于其上的文本挖掘研究不僅能預測流感趨勢，還能通過社交網(wǎng)絡的異常進行生物事件的探測,；參考文獻［5］試圖建立一個機器學習方法,，從社交媒體中高度非正式的描述性文本中提取藥物不良反應信息；參考文獻［6］發(fā)現(xiàn)網(wǎng)絡和社會化媒體的謾罵相關信息可用于監(jiān)控濫用處方藥,；參考文獻［7］調(diào)查了是否在線醫(yī)療社區(qū)的社交支持交換有利于患者的心理健康,，如憂郁癥；參考文獻［8］針對twitter用戶使用樸素和日常的語言來描述他們的疾病,，經(jīng)常報告綜合癥狀,，而不是一個疑似或確診等特點，發(fā)現(xiàn)twitter有潛力成為一個內(nèi)容豐富和低成本的數(shù)據(jù)源,，可用于癥狀監(jiān)測,。

　　用藥規(guī)律研究方面，包括參考文獻［1］在內(nèi)的已有文獻都只挖掘出常用中藥及西藥的用藥規(guī)律,，鮮有研究“癥藥”關聯(lián),。另外，數(shù)據(jù)源都是直接從生物醫(yī)學文獻數(shù)據(jù)庫檢索的文獻,。雖然文獻的數(shù)據(jù)更具權(quán)威性,，但已被人為處理過。根據(jù)國外的研究成果,，已知網(wǎng)絡數(shù)據(jù)在醫(yī)學某方面應用的有效性,，直接從網(wǎng)上抓取的數(shù)據(jù)更具客觀性、先進性以及臨床價值,。所以,，本文在研究方法和數(shù)據(jù)源選擇方面進行新的嘗試。

2研究設計

　　本文的研究工作路徑設計如下：數(shù)據(jù)爬取→文本預處理（分詞和過濾）→抽取關鍵詞→文本向量化→知識獲取,。

　　數(shù)據(jù)獲取是研究的第一步,，使用Python設計兩層網(wǎng)絡爬蟲，使用Scrapy架構(gòu),，采用Spider作為爬蟲設計的基類來獲取網(wǎng)絡數(shù)據(jù)源,。中文文本預處理最基礎的一個工作就是分詞。非結(jié)構(gòu)化的文本數(shù)據(jù)會摻雜大量對結(jié)果沒有影響的無意義的單詞,，處理文本時需要過濾掉,。在哈工大擴展停用詞表的基礎上手工添加了若干如“疾病”,、“醫(yī)生”這些對研究沒有幫助的高頻詞，導入到結(jié)巴分詞中,，完成文本預處理,。由于文本包含的信息和詞條繁雜，直接進行文本向量化維數(shù)過大,，因此需要先進行特征提取降維,。使用詞頻反詞頻(Term FrequencyInverse Document Frequency, TFIDF)方法更客觀地權(quán)衡某詞語的重要程度，實現(xiàn)關鍵詞的自動抽取,。文本向量化是把文本數(shù)據(jù)從非結(jié)構(gòu)化轉(zhuǎn)到結(jié)構(gòu)化的重要一步,，使用Python機器學習包scikitlearn完成文本向量化的過程。最后,，基于詞頻統(tǒng)計信息和關聯(lián)規(guī)則的經(jīng)典算法Apriori完成高血壓用藥相關知識獲取,。

3實證分析過程

　　3.1獲取數(shù)據(jù)

　　爬取到2013~2016年尋醫(yī)問藥在線醫(yī)療網(wǎng)站上高血壓相關醫(yī)患互動文本數(shù)據(jù)57 000條。

　　3.2文本預處理

　　導入自定義詞典,，自定義詞典為高血壓相關的醫(yī)學專有名詞以及藥名,。導入哈工大停用詞典。進行分詞,。

　　3.3獲取關鍵字

　　首先使用基于詞頻統(tǒng)計的方法抓取關鍵詞，得出病人提問部分主要集中在患者對血壓（“高壓”,、“低壓”）,、病史（如“心臟病”、“糖尿病”,、“冠心病”等）,，以及癥狀（“頭暈”、“頭疼”）的描述,。醫(yī)生回答部分主要為藥名,。設置參數(shù)輸出指定詞性的關鍵詞，抓取名詞關鍵詞作為特征提取能更高效地挖掘用藥規(guī)律,。選用同時兼顧詞頻和詞重要性的TFIDF方法自動抽取關鍵詞,。

　　3.4文本向量化

　　將TFIDF結(jié)果轉(zhuǎn)換成對應稀疏矩陣。每行對應一個文件,，共有57 000行,，列由關鍵詞表組成。然后進行高血壓用藥相關知識獲取,。

4高血壓用藥知識獲取

　　4.1基于詞頻獲取高血壓常用中西藥及非藥物治療

　　由于中藥種類繁多,，量效關系復雜，用藥配比規(guī)定嚴格,，在線醫(yī)療網(wǎng)站上醫(yī)生答復以西藥為主,，故所得中藥成分相關數(shù)據(jù)頻數(shù)普遍較小,。選取部分頻數(shù)相對比較高的，可見治療高血壓常用中藥以丹參,、山楂,、牛黃、決明子,、菊花,、天麻、葛根為主,，多有祛風解毒,、清肝補腎之藥效，如圖1所示,。文獻［2］［3］得出治療高血壓病最常用的中藥是天麻,、鉤藤、丹參,、地黃,，最常用的中成藥是丹參注射液和珍菊降壓片。本研究未細致區(qū)分中藥和中成藥,，導致丹參兼具中藥成分和注射液的雙重身份,，故頻數(shù)最多，所以本文結(jié)論與文獻［2］［3］類似,。

　　治療高血壓的常用西藥頻數(shù)統(tǒng)計如圖2,。可見鈣通道拮抗劑類藥物使用較多,，繼續(xù)對其進行分析,。根據(jù)圖3可知，硝苯地平頻數(shù)最多,，是鈣通道拮抗劑中使用最廣的藥物,。

　　表1為ACEI類各藥物的目前使用頻數(shù)表，顯示ACEI類藥物中卡托普利及依那普利應用最廣泛,，占ACEI藥物的60%和35%,。

　　ARB類各藥物的使用頻數(shù)如表2，可見替米沙坦,、纈沙坦使用較多,，分別占比34%和30%。

　　利尿劑使用氫氯噻嗪,、吲達帕胺兩種最多,，氨苯蝶啶和螺內(nèi)酯也起利尿作用，但頻數(shù)較低，如圖4,。

　　如圖5所示為文獻［2］對高血壓病常用西藥使用情況的研究結(jié)果,。本文研究對目前高血壓西藥的用藥情況結(jié)論與文獻［2］類似，排名前三的藥物是一樣的,。本文在高血壓西藥大的分類框架下做了更細致的分析,，提供了更詳細的信息。硝苯地平是臨床常用的降壓藥,，也是一種不可多得的急救藥,，特別是舌下含化，療效迅速,。根據(jù)資料和專家求證發(fā)現(xiàn)硝苯地平能否作為長期降壓藥,，理論和實踐中存在分歧。從本文研究數(shù)據(jù)中看,，它的使用位居榜首,，從圖5可見它的使用基本持平卡托普利。圖5結(jié)論基于中國生物醫(yī)學文獻數(shù)據(jù)庫數(shù)據(jù),，更反映臨床研究,。本文研究基于互聯(lián)網(wǎng)醫(yī)患互動論壇數(shù)據(jù)，涉及面更廣,，反映廣大患者的實際使用,。二者近似相同，證實了本文研究一定程度的可信性,。同時也提出了疑問,，目前硝苯地平如此多的使用，是否存在誤用問題,，有待于引發(fā)思考，進一步求證,。

　　由圖6可見,，除了藥物治療以外，改變生活習慣,，食療和鍛煉也是治療高血壓的常用療法,。高血壓患者要注意：低脂低鹽，保持情緒穩(wěn)定,，戒煙忌酒,，飲食清淡，注意睡眠,，多吃蔬菜,，補充維生素，多參加體育鍛煉，多喝水等,。

　　4.2基于關聯(lián)規(guī)則獲取“癥藥”關系

　　基于詞頻統(tǒng)計獲得的高血壓癥狀信息如圖7,，可見高血壓常見癥狀為頭暈、頭痛,、惡心嘔吐,、水腫等。頭暈,、頭痛為最主要的兩大癥狀,，此結(jié)論與文獻［3］一致。根據(jù)圖7,，可把高血壓癥狀主要分為3類：影響患者腦部血管引起患者頭痛,、頭暈、耳鳴,；影響患者心血管機能造成患者心悸,、心絞痛；造成患者四肢乏力,、麻木,、水腫。

　　本文數(shù)據(jù)源并非權(quán)威的文獻,，患者癥狀描述或醫(yī)生答復并不詳盡,，數(shù)據(jù)集的稀疏度決定最小支持度不能太高。同時再次對數(shù)據(jù)進行清洗去噪,，把矩陣中不包含關鍵詞和只包含一個關鍵詞的評論刪除以增加數(shù)據(jù)的密集度,。經(jīng)過多次嘗試，降低最小支持度至5%,，計算出滿足置信度50%的強規(guī)則有：

　　規(guī)則1：頭痛→頭暈,，最小置信度為53.1%；

　　規(guī)則2：頭痛→鈣通道拮抗劑,，最小置信度為53.3%,；

　　規(guī)則3：水腫→利尿劑，最小置信度為67.2%,。

　　由規(guī)則1可知,，出現(xiàn)頭痛癥狀的高血壓患者通常伴有頭暈，這兩種癥狀都與腦部血管有關,。規(guī)則2和規(guī)則3都是“癥藥”的強規(guī)則,。規(guī)則2說明如高血壓患者出現(xiàn)頭疼，醫(yī)生通常都會使用鈣通道拮抗劑類的藥,。規(guī)則3的置信度接近70%,，“癥藥”關系比較強,，可推斷高血壓患者若出現(xiàn)水腫的癥狀，醫(yī)生通常會開利尿劑配合降壓藥使用,。挖掘出的“癥藥”規(guī)則較少,，可能是由于沒有經(jīng)過面診的文本數(shù)據(jù)質(zhì)量不高，還因為高血壓病理復雜,，并發(fā)疾病多,，用藥需要結(jié)合患者年齡、病史,、并發(fā)疾病以及進一步的儀器檢查方能確定,，因此單一的“癥藥”關聯(lián)較弱。

　　4.3基于詞頻獲得高血壓并發(fā)癥用藥特點

　　高血壓病人常伴有糖尿病,、動脈硬化,、冠心病、腦梗塞,、血栓,、中風或腎臟病等，如圖8,。這幾種疾病或者病因是相通的,，疾病的危害互相影響。根據(jù)并發(fā)癥的不同,，癥狀與治療方法也有所不同,。探究高血壓并發(fā)癥用藥特點，以高血壓合并“冠心病”,、“糖尿病”,、“腎病”為例進行研究。篩出包含如上某個并發(fā)癥的數(shù)據(jù),，比較篩選前后關鍵詞頻率變化較大的項,，可知：高血壓合并冠心病的患者出現(xiàn)“心悸”、“胸悶氣短”,、“心絞痛”癥狀更頻繁,。與之對比，單單高血壓的患者出現(xiàn)以上3種癥狀的頻率則低得多,，并發(fā)“腦梗塞”、“動脈硬化”的頻率也只有并發(fā)冠心病患者的1/2,。用藥方面,，并發(fā)冠心病的高血壓患者使用鈣通道拮抗劑的頻率為48.3%，接近篩選前的兩倍多,，可見并發(fā)冠心病的高血壓患者更傾向于使用鈣通道拮抗劑作為首選降壓藥,。由整體數(shù)據(jù)可知，高血壓并發(fā)糖尿病關鍵字詞頻總體上比高血壓低，說明癥狀與高血壓基本相同,。四肢的癥狀如“四肢乏力”,、“水腫”、“麻木”頻率稍微比單純高血壓患者高一點,，說明高血壓并發(fā)糖尿病后容易出現(xiàn)這些癥狀,，可多吃利尿的食物。肥胖的患者更容易出現(xiàn)高血壓并發(fā)糖尿病,，高血壓并發(fā)糖尿病患者也更容易出現(xiàn)昏厥,，所以高血壓患者要多運動減肥，防止低糖,。對于高血壓合并腎臟病,，“低鹽”、“低脂肪”詞頻高達70%以上,，說明高血壓腎病患者要尤其注重低鹽,、低脂肪的飲食，同時保持情緒穩(wěn)定,。在用藥方面,，鈣通道拮抗劑是高血壓腎病患者的首選。多喝水,、多補充維生素這些對于單純高血壓需要提倡的非藥物治療方法,，對于高血壓腎病患者不強調(diào)，意圖減輕腎臟負擔,。

5結(jié)論

　　本文基于文本挖掘正規(guī)流程,，基于在線醫(yī)療網(wǎng)站醫(yī)患互動論壇數(shù)據(jù)，使用TFIDF算法和關聯(lián)規(guī)則算法,，發(fā)現(xiàn)高血壓常用中西藥,、非藥物治療、并發(fā)癥用藥特點,、“癥藥”關系等知識,，并與當前文獻交互驗證，發(fā)現(xiàn)待思考求證的問題,，驗證了互聯(lián)網(wǎng)數(shù)據(jù)用于疾病研究的可用性和效果,。

　　本文的不足之處及后繼工作是：受當前自然語言處理發(fā)展的影響，分詞處理還有提升空間,；由于病理復雜,，單一的“癥藥”關聯(lián)規(guī)則分析可能無法應用于實際臨床中，需要進一步對“多癥狀多藥”進行聯(lián)合挖掘,。

　　隨著醫(yī)療管理的移動化和智能化,，數(shù)據(jù)會更多更好,，各種源頭的數(shù)據(jù)聯(lián)合使用，文本挖掘技術在醫(yī)療領域的應用會展現(xiàn)出蓬勃的生命力,。

參考文獻

　?。?］ 楊進,羅漫,張啟蕊.文本挖掘在中醫(yī)藥文獻分析中的應用［J］.廣東藥學院學報,2010,26(2):216-220.

　　［2］ 王麗穎,鄭光,，郭洪濤,，等.基于文本挖掘技術的高血壓病中成藥與西藥用藥規(guī)律分析［J］.中華中醫(yī)藥雜志,2013,28（1）:60-63.

　　［3］ 賀丹,姜淼,鄭光,等.利用文本挖掘技術探索高血壓病癥狀,、證候以及用藥規(guī)律［J］.中國實驗方劑學雜志, 2014,20（19）:214-216.

　?。?］ CORLEY C D,COOK D J, MIKLER A R, et al. Text and structural data mining of influenza mentions in Web and social media［J］. International Journal of Environmental Research & Public Health, 2010, 7(2):596-615.

　　［5］ NIKFARJAM A, SARKER A, O’CONNOR K,， et al. Pharmacovigilance from social media: mining adverse drug reaction mentions using sequence labeling with word embedding cluster features［J］. Journal of the American Medical Informatics Association,， 2015,22(3):671-681.

　　［6］ SARKER A, O’CONNOR K,GINN R, et al. Social media mining for toxicovigilance: automatic monitoring of prescription medication abuse from twitter［J］. Drug Safety, 2016,39(3):231-240.

　?。?］ YAN L, TAN Y. Feeling blue? go online: an empirical study of social support among patients［J］. Information Systems Research, 2014,25(4): 690-709.

　?。?］ GESUALDO F，STILO G,AGRICOLA E,et al. Influenzalike illness surveillance on twitter through automated learning of naive language［J］. PLoS One, 2013, 8(12): 182.