| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 医疗信息系统相关研究现状 | 第10-11页 |
| 1.2.2 数据挖掘应用的研究现状 | 第11-13页 |
| 1.3 研究思路与研究内容 | 第13-16页 |
| 第2章 相关理论研究综述 | 第16-26页 |
| 2.1 数据挖掘的概念及用途 | 第16-17页 |
| 2.1.1 数据挖掘的概念 | 第16页 |
| 2.1.2 数据挖掘的用途 | 第16-17页 |
| 2.1.3 数据挖掘的步骤 | 第17页 |
| 2.2 数据挖掘主要方法 | 第17-22页 |
| 2.2.1 关联规则挖掘原理 | 第17-19页 |
| 2.2.2 关联规则挖掘算法简介 | 第19页 |
| 2.2.3 聚类分析原理 | 第19-21页 |
| 2.2.4 聚类分析算法简介 | 第21-22页 |
| 2.3 医院信息系统概述 | 第22-26页 |
| 2.3.1 系统主要功能 | 第22-23页 |
| 2.3.2 医院信息系统的信息流程 | 第23页 |
| 2.3.3 医疗费用信息结构 | 第23-26页 |
| 第3章 医疗信息数据挖掘的数据预处理 | 第26-34页 |
| 3.1 原始数据特点 | 第26-27页 |
| 3.2 不同口径数据的归一化处理 | 第27-30页 |
| 3.2.1 数据归一化处理 | 第27-29页 |
| 3.2.2 数据转换处理 | 第29-30页 |
| 3.2.3 异常错误处理 | 第30页 |
| 3.3 数据预处理结果 | 第30-34页 |
| 3.3.1 数据最终形式 | 第30-31页 |
| 3.3.2 数据挖掘对象 | 第31-34页 |
| 第4章 基于K-means算法的医疗费用构成聚类分析 | 第34-44页 |
| 4.1 医疗信息数据挖掘模式的确定 | 第34-36页 |
| 4.1.1 数据挖掘模式的确立 | 第34-35页 |
| 4.1.2 数据挖掘的应用模式确立 | 第35-36页 |
| 4.2 聚类分析的特征量选择 | 第36-37页 |
| 4.3 聚类分析的相似度计算与评价函数的选择 | 第37-38页 |
| 4.4 聚类分析的实施步骤 | 第38-40页 |
| 4.5 聚类结果分析 | 第40-44页 |
| 第5章 基于关联规则挖掘的医疗信息分析 | 第44-54页 |
| 5.1 关联规则挖掘在病人的医疗费用信息分析的应用模式 | 第44-45页 |
| 5.2 基于Apriori算法的病人医疗费用构成使用习惯关联规则挖掘 | 第45-50页 |
| 5.2.1 关联规则挖掘步骤 | 第45-48页 |
| 5.2.2 项集的筛选以及规则挖掘实施过程 | 第48-50页 |
| 5.3 病人医疗费用构成数据挖掘应用举例分析 | 第50-54页 |
| 5.3.1 数据收集 | 第50页 |
| 5.3.2 数据清理和转换 | 第50-52页 |
| 5.3.3 关联规则挖掘在病人医疗费用分析中的应用 | 第52-54页 |
| 总结 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-62页 |
| 个人简历 | 第62页 |
