基于大数据挖掘的高血压药物治疗方案研究
摘要 | 第4-5页 |
abstract | 第5-6页 |
第一章 绪论 | 第9-14页 |
1.1 高血压概况 | 第9-10页 |
1.1.1 高血压现状 | 第9页 |
1.1.2 抗高血压药物 | 第9-10页 |
1.1.3 高血压药物治疗存在的问题 | 第10页 |
1.2 数据挖掘概述 | 第10-12页 |
1.2.1 数据挖掘基本概念 | 第10-11页 |
1.2.2 数据挖掘常用方法 | 第11页 |
1.2.3 数据挖掘在医疗领域的应用 | 第11-12页 |
1.3 课题的研究目的与意义 | 第12页 |
1.4 本课题研究方法 | 第12-14页 |
第二章 药物因素分析的数据挖掘模型 | 第14-43页 |
2.1 数据准备 | 第15-18页 |
2.1.1 临床源数据抽取 | 第15页 |
2.1.2 数据清洗 | 第15-16页 |
2.1.3 关联方案制定 | 第16页 |
2.1.4 特征介绍 | 第16-18页 |
2.1.5 最终数据情况 | 第18页 |
2.2 基于描述性统计的关键特征分析模型 | 第18-27页 |
2.2.1 平均值分析 | 第18-20页 |
2.2.2 特征谱分析 | 第20页 |
2.2.3 统计分析结果 | 第20-27页 |
2.3 基于机器学习的关键特征分析模型 | 第27-39页 |
2.3.1 Filter法 | 第27-28页 |
2.3.2 Wrapper法 | 第28页 |
2.3.3 Embedder法 | 第28-37页 |
2.3.4 Ensemble模型 | 第37-39页 |
2.4 统计分析结果与算法分析结果组合 | 第39-43页 |
2.4.1 最终结果汇总 | 第40-41页 |
2.4.2 安博维组最终结果 | 第41页 |
2.4.3 倍他乐克组最终结果 | 第41页 |
2.4.4 波依定组最终结果 | 第41页 |
2.4.5 络活喜组最终结果 | 第41-42页 |
2.4.6 施慧达组最终结果 | 第42-43页 |
第三章 用药预测的数据挖掘模型 | 第43-60页 |
3.1 非集成学习预测模型 | 第45-53页 |
3.1.1 支持向量机 | 第45-48页 |
3.1.2 K近邻 | 第48-50页 |
3.1.3 逻辑回归 | 第50-53页 |
3.2 集成学习预测模型 | 第53-60页 |
3.2.1 随机森林 | 第54-55页 |
3.2.2 梯度提升树 | 第55-60页 |
第四章 因素分析模型以及预测模型的结果讨论 | 第60-65页 |
4.1 因素分析模型结果讨论 | 第60-61页 |
4.1.1 安博维 | 第60页 |
4.1.2 倍他乐克 | 第60-61页 |
4.1.3 络活喜、施慧达、波依定 | 第61页 |
4.2 预测模型结果讨论 | 第61-65页 |
4.2.1 结果比较 | 第61-62页 |
4.2.2 问题分析 | 第62-63页 |
4.2.3 改进方向 | 第63-65页 |
第五章 总结与展望 | 第65-67页 |
5.1 总结 | 第65-66页 |
5.2 展望 | 第66-67页 |
致谢 | 第67-68页 |
参考文献 | 第68-72页 |
在学期间取得的与学位论文相关的研究成果 | 第72页 |