基于產(chǎn)檢數(shù)據(jù)聚類的妊娠合并癥可視分析

謝怡亭,吳亞東,王 嬌,廖 競(jìng),張?zhí)m云

(西南科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,四川 綿陽 621010)

0 引言

在懷孕期間，孕婦往往面臨著不同程度的危險(xiǎn)，常見影響較大的如心臟病、貧血等。每年都有不同程度數(shù)量的女性在妊娠期間死亡，據(jù)資料統(tǒng)計(jì)，2015年約有30.3萬名婦女在妊娠期或分娩期甚至分娩后死亡[1]，她們大多死于妊娠前后各階段的合并癥。其中，妊娠期糖尿病是一種對(duì)母親和胎兒有短期或長(zhǎng)期的健康影響的合并癥，將近一半的妊娠期糖尿病女性可能發(fā)展為2型糖尿病[2]，其分娩外傷風(fēng)險(xiǎn)增大[3]。對(duì)于臨床婦科醫(yī)生來說，其產(chǎn)前護(hù)理的目的是在預(yù)估婦女可能有不良妊娠結(jié)局的風(fēng)險(xiǎn)之后給予婦女安全生產(chǎn)的建議，守護(hù)母胎·健康。

目前絕大多數(shù)的醫(yī)院采用了一種電子健康記錄(EHRs，electronic health record)的方式，記錄孕婦在妊娠期間的健康信息，它的采用提高了醫(yī)生的工作效率。EHRs中的體檢結(jié)果，醫(yī)學(xué)檢查和診斷處方條件，過敏史等都會(huì)為醫(yī)生定制治療手段提供幫助，但EHRs的使用要經(jīng)過較為復(fù)雜的學(xué)習(xí)過程，所以本文基于EHRs提出探索妊娠合并癥潛在可能性的對(duì)比可視分析系統(tǒng)，其采用可視化分析手段輔助臨床婦科醫(yī)生更為便捷地提取重要信息。該系統(tǒng)通過對(duì)孕婦的EHRs數(shù)據(jù)進(jìn)行聚類分析，分析結(jié)果使用可視化方式呈現(xiàn)，協(xié)助醫(yī)生發(fā)現(xiàn)孕婦患有潛在妊娠合并癥的可能性，提供更為合適的個(gè)性化護(hù)理方案。

1 相關(guān)研究及貢獻(xiàn)

1.1 醫(yī)療數(shù)據(jù)可視化

目前，國(guó)內(nèi)外已開發(fā)出許多基于EHRs設(shè)計(jì)的可視化醫(yī)療系統(tǒng)。Michael Gluec開發(fā)了PhenoBlocks表型比較可視化系統(tǒng)[4]，采用差分層次比較算法分析患者之間的表型。由于醫(yī)生對(duì)于同一類疾病不同患者的醫(yī)療記錄具有很強(qiáng)的不一致性，不完整性和粒度不統(tǒng)一性，因此對(duì)患者進(jìn)行疾病診斷是較為困難的事情，而此系統(tǒng)則可以提供一個(gè)可視化界面，為醫(yī)生提供這類臨床鑒別診斷的新型視覺分析工具。接著其所屬團(tuán)隊(duì)又提出了PhenoStacks[5]，此工具對(duì)患者表型圖進(jìn)行更詳細(xì)的指導(dǎo)，用于比較多組隊(duì)列患者之間表型分布的相似性和差異性。本文基于前兩項(xiàng)研究，以不同產(chǎn)婦病例樣本案例為依據(jù)實(shí)現(xiàn)可視化系統(tǒng)，且該系統(tǒng)利用不同產(chǎn)婦生理指標(biāo)對(duì)比實(shí)現(xiàn)探索潛在合并癥可能性的目的。 此外，Klaus Mueller等人將故事五大元素運(yùn)用到醫(yī)療系統(tǒng)中，旨在提高EHRs捕獲信息的可用性[6]。該醫(yī)療系統(tǒng)中提出的Sunburst模型與人體模型為本文開發(fā)系統(tǒng)所采用，以記錄產(chǎn)婦產(chǎn)檢各階段的健康情況。

1.2 基于聚類分析的可視分析系統(tǒng)

用于探尋聚類分析意義的可視化系統(tǒng)依賴于發(fā)現(xiàn)數(shù)據(jù)實(shí)例在屬性之間的模式關(guān)系和結(jié)構(gòu)。Clustrophile 2系統(tǒng)[7]是一種用于引導(dǎo)聚類分析的新型交互式分析工具，本文使用該系統(tǒng)能輔助用戶以聚類結(jié)果為導(dǎo)向進(jìn)行探索性分析的特點(diǎn)，開發(fā)了輔助臨床醫(yī)生以產(chǎn)檢數(shù)據(jù)聚類分析結(jié)果為導(dǎo)向，進(jìn)行產(chǎn)婦產(chǎn)前護(hù)理分析的可視化系統(tǒng)。交互式可視化分析系統(tǒng)Clustervision[8]允許用戶選擇系統(tǒng)推薦的聚類結(jié)果，此系統(tǒng)僅能應(yīng)用于EHRs中查找心力衰竭患者群集的案例。為使得聚類分析的效果更有意義，本文設(shè)計(jì)了臨床醫(yī)生多種可交互并可選擇最契合其分析的聚類結(jié)果的改進(jìn)可視化分析工具。

1.3 本文貢獻(xiàn)

通過聚類分析對(duì)孕婦數(shù)據(jù)研究處理，利用可視化技術(shù)將聚類分析結(jié)果轉(zhuǎn)化成可視化系統(tǒng)界面呈現(xiàn)給用戶，支持醫(yī)生可視化交互，方便其進(jìn)一步分析處理。具體而言，該系統(tǒng)做出了如下貢獻(xiàn)：(1)應(yīng)用多種聚類算法將EHRs中的孕婦歸類到妊娠合并癥相似群集，將群集結(jié)果利用可視分析技術(shù)呈現(xiàn)，方便進(jìn)一步分析群集特性和個(gè)體孕婦生理情況。(2)系統(tǒng)明確指出區(qū)分不同群集的關(guān)鍵特征(維度)，實(shí)現(xiàn)就診孕婦多維生理指標(biāo)和其每次產(chǎn)檢記錄關(guān)鍵指標(biāo)項(xiàng)的可視化效果，同時(shí)能依據(jù)可視化系統(tǒng)中各群集妊娠合并癥的分布情況驗(yàn)證聚類分析結(jié)果的合理性。(3)系統(tǒng)結(jié)合相似度評(píng)估算法推斷就診孕婦患有妊娠合并癥的可能性大小，方便醫(yī)生在孕婦飲食結(jié)構(gòu)、用藥處方上做調(diào)整，給予合適的決策建議。

2 產(chǎn)檢數(shù)據(jù)處理與計(jì)算

針對(duì)產(chǎn)檢數(shù)據(jù)類型復(fù)雜，維度過高，需對(duì)產(chǎn)檢數(shù)據(jù)進(jìn)行降維聚類處理。本文使用基于多維產(chǎn)檢指標(biāo)的相似度度量算法識(shí)別就診孕婦所屬的群集，并采用病例樣本相似度算法提高就診孕婦在所屬群集中與之相關(guān)的病例的相似度，為臨床婦科醫(yī)生提供診斷和治療依據(jù)。

2.1 產(chǎn)檢數(shù)據(jù)預(yù)處理

由于EHRs中產(chǎn)檢指標(biāo)數(shù)據(jù)具有多維特征，難以從中選取其中關(guān)鍵屬性，故需要對(duì)數(shù)據(jù)進(jìn)行降維處理，提取高維數(shù)據(jù)中重要特征值。在10 000名孕婦中選取患有妊娠合并癥，有良好妊娠結(jié)局的孕婦各1 500名。在產(chǎn)檢指標(biāo)中選取53個(gè)檢查因子作為關(guān)鍵屬性。

本文利用PCA (Principal Component Analysis)算法，將病例樣本組成n維m行矩陣W，對(duì)原始病例中多組孕婦數(shù)據(jù)與每列平均值進(jìn)行差值運(yùn)算實(shí)現(xiàn)去中心化，再將每列m個(gè)向量xi(x1,…,xm)映射到子空間的坐標(biāo)軸方向上，由式(1)函數(shù)得到最大化數(shù)據(jù)映射的方差。

(1)

緊接著利用散度矩陣WTW和式(2)函數(shù)得到協(xié)方差矩陣C。

(2)

為降維到k維，取特征值最大的k行特征向量組成的特征向量矩陣P，利用公式(3)得到關(guān)鍵特征值數(shù)據(jù)矩陣Y：

Y=PW

(3)

2.2 產(chǎn)檢數(shù)據(jù)聚類分析

聚類分析是在個(gè)體背景下對(duì)個(gè)體進(jìn)行分組的有效輔助方案的醫(yī)療服務(wù)技術(shù)[9]。本文通過多種特點(diǎn)不一的聚類算法將多組孕婦樣本劃分為不同類別的群集，其中K-means是一種較典型的以局部搜索為過程的動(dòng)態(tài)聚類算法[10]，收斂速度快；Hierarchical是通過計(jì)算不同類別數(shù)據(jù)點(diǎn)間的相似度來創(chuàng)建一棵有層次的嵌套聚類樹的聚類算法；K-modes是對(duì)具有分類屬性的數(shù)據(jù)進(jìn)行聚類的一種有效的算法[11]；K-Prototype是對(duì)數(shù)值型數(shù)據(jù)、分類型數(shù)據(jù)進(jìn)行有效聚類分析的算法；ISODATA是一種自動(dòng)地進(jìn)行類的分裂和合并的非監(jiān)督學(xué)習(xí)動(dòng)態(tài)聚類算法[12]；K-means++是基于K-means算法優(yōu)化初始點(diǎn)的動(dòng)態(tài)聚類算法。 通過以上六種聚類算法模型其不同的相似性計(jì)算得到不同類別的群集，為下一步相似度計(jì)算提供進(jìn)一步依據(jù)。

2.2.1 Silhouette評(píng)估聚類算法質(zhì)量

輪廓系數(shù)(Silhouette Coefficient)，是聚類效果好壞的一種評(píng)價(jià)方式[13]。由式(4)表示。

(4)

其中:i表示某簇一個(gè)向量，a(i)是指i向量到同一簇內(nèi)其他點(diǎn)不相似程度的平均值，b(i)是指i向量到其他簇的平均不相似度最小值。S(i)的值介于[-1,1],越趨近于1則證明該聚類算法的內(nèi)聚度與分離度較優(yōu)且質(zhì)量好。

2.3 基于多維產(chǎn)檢指標(biāo)的相似度度量

通過以上不同的聚類算法獲取到不同群集的中心點(diǎn)，此時(shí)需根據(jù)就診孕婦多維檢查項(xiàng)因子數(shù)值與各群集的中心點(diǎn)數(shù)值以距離函數(shù)做相似度度量判斷。若就診孕婦d與群集中心D是二維數(shù)據(jù)，則兩者之間的距離利用相似度度量計(jì)算，由式(5)表示。

(5)

其中:xd和yd表示就診孕婦兩維數(shù)據(jù)，xDi和yDi表示群集中心值兩維數(shù)據(jù)。衡量此距離公式有效性通過指數(shù)函數(shù)[16]式(6)表示。

H(dis(dDi))=e-dis(dDi)

(6)

因?yàn)榫嚯xdis(dDi)一定大于等于零，根據(jù)指數(shù)函數(shù)值性質(zhì)，驗(yàn)證函數(shù)的值必然在[0,1]之間，由此驗(yàn)證公式(5)得到新的基于多維產(chǎn)檢指標(biāo)的相似度度量公式(7)。

(7)

此公式中xdj代表就診孕婦某一維度值，xDij表示某群集中心的某一維度值，共m維度量，所以dis(dDi)= 0，H(dis(dDi))= 1時(shí)相似度最高，反之，dis(dDi)= 1，H(dis(dDi))= 0就診孕婦與群集耦合度越低。

2.4 病例樣本相似度度量

2.3節(jié)相似度度量計(jì)算得到就診孕婦所屬群簇，但群簇中有多個(gè)病例樣本，如何判定當(dāng)前孕婦與哪個(gè)病例最為相似是利用相似病例樣本度算法來實(shí)現(xiàn)。本文采用有效量化交易數(shù)據(jù)相似性搜索方法來探尋兩個(gè)病例樣本之間的相似性。設(shè)病例樣本X=(x1,…,xm)和Y=(y1,…,ym) 是m維數(shù)據(jù)的兩個(gè)病例樣本，由距離函數(shù)式(8)計(jì)算：

(8)

Dsim(X,Y)值越接近0，兩樣本一定不屬于同簇，反之，就診孕婦和該樣本病例越相似，臨床婦科醫(yī)生可以利用相似樣本作為參照，為就診孕婦設(shè)計(jì)更恰當(dāng)?shù)脑\斷方案。

3 系統(tǒng)設(shè)計(jì)

本文提出探索患者潛在妊娠合并癥風(fēng)險(xiǎn)分析框架圖如圖1所示。

圖1 患者潛在妊娠合并癥風(fēng)險(xiǎn)分析框架

本系統(tǒng)使用 Vue+ D3+Echarts作為系統(tǒng)框架，以Mysql 作為后臺(tái)數(shù)據(jù)庫。分析框架共分為3大模塊：孕婦產(chǎn)檢數(shù)據(jù)預(yù)處理模塊，孕婦產(chǎn)檢數(shù)據(jù)分析模塊，潛在妊娠合并癥患者識(shí)別可視分析模塊。孕婦產(chǎn)檢數(shù)據(jù)預(yù)處理模塊包括產(chǎn)檢數(shù)據(jù)清洗去噪以及降維預(yù)處理；孕婦產(chǎn)檢數(shù)據(jù)分析模塊包括產(chǎn)檢數(shù)據(jù)聚類分析與就診孕婦相似性分析的相似度度量方法；潛在妊娠合并癥患者識(shí)別可視分析模塊利用可視化模型，通過可視化方式展示孕婦群簇信息和個(gè)體孕婦信息，如圖2所示。

圖2 探索妊娠合并癥潛在可能性的對(duì)比可視分析系統(tǒng)

A視圖為就診孕婦基本信息輸入框，并具有聚類算法選擇的功能、B視圖和C視圖為Sunburst模型，用于展示個(gè)體孕婦與群集孕婦不同產(chǎn)檢指標(biāo)的熱度、D視圖為多維產(chǎn)檢屬性閾值組成的散點(diǎn)-條形模型，用于展示產(chǎn)檢指標(biāo)值及其異常情況、E視圖為產(chǎn)檢記錄儀盤扇形模型，用于展示孕婦多次產(chǎn)檢屬性值變化、F視圖為孕婦個(gè)體妊娠合并癥分布圖，并展示以往病人的病例樣本、G視圖為聚類結(jié)果分析的散點(diǎn)模型。

3.1 Sunburst對(duì)比可視分析

為對(duì)比就診孕婦與群集之間層次結(jié)構(gòu)熱度，本文采用Sunburst模型實(shí)現(xiàn)可視化孕婦關(guān)鍵檢查因子的差異層次結(jié)構(gòu)(圖2B、2C所示)。其中以孕婦的各類檢查項(xiàng)目例如尿檢、血檢等作為徑向映射的內(nèi)層節(jié)點(diǎn)，以具體檢查項(xiàng)目的關(guān)鍵因子如尿檢的GLU、PH等作為徑向映射的外層節(jié)點(diǎn)。Sunburst模型的特點(diǎn)是以徑向形狀的表現(xiàn)方式擴(kuò)充空間，使得層次結(jié)構(gòu)的所有節(jié)點(diǎn)能夠同時(shí)顯示，如圖3所示。

圖3 Sunburst可視化模型

3.2 多維產(chǎn)檢屬性閾值可視分析

為減少臨床醫(yī)生選取與發(fā)病率相關(guān)的疾病變量的時(shí)間，采用僅能觀察影響因素的傳統(tǒng)散點(diǎn)圖并不足以滿足以上要求，故本系統(tǒng)將散點(diǎn)圖與閾值概念融合，設(shè)計(jì)出多維屬性散點(diǎn)-條形圖(圖2D所示)。為解決各產(chǎn)檢項(xiàng)指標(biāo)的閾值上下限差值較大的問題，該圖采用不同的區(qū)間段值下拉框選擇y軸值，使得x軸關(guān)鍵屬性也隨之變化。抽象產(chǎn)檢中的重要指標(biāo)為矩形模型，在模型上標(biāo)刻各聚類算法中分類人群的正常閾值范圍與上下限，若超過正常范圍，則將異常值以紅色區(qū)域標(biāo)注，同時(shí)將此就診孕婦的屬性值以散點(diǎn)在模型上表示。醫(yī)生通過多維屬性散點(diǎn)-條形圖能夠更加清晰直觀地觀察就診孕婦某次產(chǎn)檢各重要產(chǎn)檢項(xiàng)指標(biāo)的相關(guān)性以及指標(biāo)中的異常值。

同時(shí)為反映孕婦妊娠期間各產(chǎn)檢階段產(chǎn)檢各關(guān)鍵生理指標(biāo)的變化趨勢(shì)，該系統(tǒng)基于傳統(tǒng)儀表盤可視模型進(jìn)行優(yōu)化，以闡述各數(shù)值特征變化情況(圖2E所示)。將妊娠期間產(chǎn)檢次數(shù)作為儀表盤扇形結(jié)構(gòu)表層層次的依據(jù)，利用儀表指針長(zhǎng)度表示產(chǎn)檢指標(biāo)數(shù)值，以扇形模塊的高度表示孕期各項(xiàng)檢查指標(biāo)的閾值范圍。同時(shí)采用百分制標(biāo)刻扇形弧度，利用儀表盤指針指示的刻度，向醫(yī)生直觀呈現(xiàn)孕婦每次產(chǎn)檢時(shí)其患有潛在妊娠合并癥的可能性大小。這些指標(biāo)的趨勢(shì)變化能幫助醫(yī)生監(jiān)測(cè)患者病情和審查治療效果。

3.3 孕婦發(fā)病部位可視分析

該系統(tǒng)采用人體模板映射聚類結(jié)果中各群集病人所患疾病位置(圖2F所示)。當(dāng)醫(yī)生選擇某一群集時(shí)，在人體輪廓中將顯示群集顏色的散點(diǎn)，若醫(yī)生選擇某一患者即單一散點(diǎn)時(shí)，人體輪廓圖中顯示該患者患有疾病的位置。而疾病的嚴(yán)重性程度通過該群集所患此疾病的數(shù)量或者單一患者每次產(chǎn)檢時(shí)疾病存在次數(shù)與散點(diǎn)大小相結(jié)合來體現(xiàn)。醫(yī)生可以根據(jù)孕婦人體輪廓迅速了解不同群集或與就診孕婦最相似病例的病人身體哪些部位有疾病，并通過散點(diǎn)大小判斷其嚴(yán)重程度。

3.4 聚類可視分析

聚類視圖(圖2G)表示聚類實(shí)例，其目標(biāo)是可視化聚類算法的結(jié)果并根據(jù)檢查項(xiàng)目因子英文代碼映射的Sunburst模型對(duì)其進(jìn)行表征。散點(diǎn)圖將降維聚類方法獲得的分類數(shù)據(jù)進(jìn)行二維投影，并通過顏色標(biāo)注對(duì)不同群集進(jìn)行可視化編碼。其中，投影的作用是為表示組內(nèi)和組間的不同變化程度，最終可視化系統(tǒng)的結(jié)果可以清晰明了地觀察到不同群集之間耦合度低，同群集間耦合度高。聚類可視分析能將EHRs產(chǎn)檢數(shù)據(jù)中每一位孕婦作為一個(gè)數(shù)據(jù)樣本并通過各類聚類算法劃分到不同群集，以聚類分析結(jié)果為導(dǎo)向，幫助臨床婦科醫(yī)生根據(jù)就診孕婦當(dāng)前妊娠狀況規(guī)劃更為合理的護(hù)理路線。

4 系統(tǒng)應(yīng)用

探索妊娠合并癥潛在可能性的對(duì)比分析可視系統(tǒng)功能主要通過選擇聚類算法聯(lián)動(dòng)多個(gè)視圖，功能分為以下幾方面：(a)聚類結(jié)果分析：呈現(xiàn)聚類結(jié)果可視化，利用Silhouettes評(píng)分聚類算法質(zhì)量，以群集和個(gè)體兩方面案例驗(yàn)證可視化聚類結(jié)果對(duì)孕婦妊娠期間的作用與意義；(b)孕婦聚類群集：包括不同群集在關(guān)鍵檢查項(xiàng)中檢查因子中的表現(xiàn)情況，和對(duì)各群集妊娠合并癥分布的分析；(c)就診孕婦分析：觀察孕婦每次產(chǎn)檢時(shí)檢查項(xiàng)目中檢查屬性特點(diǎn)，分析其最相似病例樣本，幫助醫(yī)生做更適當(dāng)臨床決策。

4.1 聚類結(jié)果分析

本文數(shù)據(jù)是某市中心醫(yī)院自2015年到2018年隨機(jī)抽取3 000名定期孕檢孕婦的基本信息及婦科常規(guī)檢查項(xiàng)，其中患有各類妊娠合并癥孕婦近1 500名，以及懷孕前后都未患病孕婦1 500名，其數(shù)據(jù)字段如表1和表2所示。

表1 孕婦基本信息表

表2 婦科常規(guī)檢查項(xiàng)

不同聚類分析的結(jié)果由散點(diǎn)圖表示(圖4)，其中K-means、ISODATA算法等都具有良好表現(xiàn)，孕婦可通過鏈接不同算法選取最為接近的群集進(jìn)行臨床診斷分析，作為婦科醫(yī)生對(duì)孕婦數(shù)據(jù)推理的輔助手段。

圖4 多種聚類結(jié)果比較

本文通過聚類驗(yàn)證指標(biāo)Silhouettes Coefficient標(biāo)準(zhǔn)對(duì)聚類結(jié)果的有效性進(jìn)行評(píng)分。

如表3所示，表3通過Silhouettes評(píng)分得出各聚類算法的最佳簇?cái)?shù)。Silhouettes評(píng)分是通過簇的緊湊性、分離程度、和簇的密度測(cè)量聚類算法的質(zhì)量，其中ISODATA算法表現(xiàn)最佳，最優(yōu)簇?cái)?shù)為4。聚類分析最大的作用是識(shí)別每個(gè)群集并標(biāo)注特定的“標(biāo)簽”，故為驗(yàn)證群集的意義，本文中還采用可視化系統(tǒng)結(jié)合兩種方法解釋聚類效果。首先，臨床婦科醫(yī)生利用其自身經(jīng)驗(yàn)對(duì)聚類結(jié)果群集分析判斷其醫(yī)學(xué)意義并通過妊娠合并癥分布狀況與真實(shí)情況對(duì)比進(jìn)行驗(yàn)證。其次，醫(yī)生對(duì)前期患有妊娠癥的就診孕婦以系統(tǒng)分析其患有其他妊娠合并癥的可能性，并以此決定是否改善其護(hù)理方案，以孕婦之后產(chǎn)檢報(bào)告情況來確定聚類效果好壞。兩種案例分析結(jié)果表明，識(shí)別就診孕婦患有潛在妊娠合并癥的可視化聚類效果可以作為婦科醫(yī)生診斷和評(píng)定治療療效的有效參考建議。

表3 Silhouettes標(biāo)準(zhǔn)評(píng)分

4.2 孕婦聚類群集

對(duì)于選定的某聚類算法，以各群集特定的顏色標(biāo)簽標(biāo)注Sunburst模型圓心和人體模型中患病部位。臨床婦科醫(yī)生將Silhouettes評(píng)分最高的ISODATA算法得到的各群集，其關(guān)鍵檢查因子和患者易患有的妊娠合并癥進(jìn)行分析，如圖5所示，在人體模型中發(fā)現(xiàn)群集1中孕婦心臟位置顏色散點(diǎn)大小較大，這表示群集中貧血數(shù)量人數(shù)較多，占該群集38.7%，Sunburst模型顯示相關(guān)血紅蛋白指標(biāo)處于異常；在人體模型中群集2的腎位置顯示散點(diǎn)較大，糖尿病合并癥的孕婦占7.2%，其中醫(yī)生常規(guī)會(huì)查看的GLU指標(biāo)偏高，且平常不會(huì)關(guān)注的PH值此時(shí)也處于異常；群集3中人體模型中患有陰道炎妊娠合并癥的孕婦占比5.2%，其中白細(xì)胞數(shù)WBS和陰道分泌物的PH值異常；群集4中患有肝損的孕婦占比有10.2%，直接膽紅素(CB)和間接膽紅素(UCB)值表現(xiàn)異常。

將各群集以妊娠合并癥的病人數(shù)量初步判定后，可以得到各群集較為關(guān)鍵的檢查因子，如GLU能判定糖尿病以外，通過相似度算法和可視化系統(tǒng)的Sunburst模型比較，尿液中的PH檢查因子對(duì)孕婦患有潛在糖尿病妊娠合并癥也有影響，故醫(yī)生在對(duì)多維檢查指標(biāo)分析研究時(shí)，會(huì)發(fā)現(xiàn)除開常規(guī)檢查重視的指標(biāo)外，其他異常的指標(biāo)也需要引起醫(yī)生重視。最后通過對(duì)各群集的孕婦分析，通過可視化系統(tǒng)的多個(gè)關(guān)鍵檢查因子確立，不同的聚類效果劃分患有不同妊娠合并癥的人群的可能性程度達(dá)到76.3%，占比大小是通過各群集人群大小以及群集中患有各類妊娠合并癥的孕婦人數(shù)權(quán)重所得，這證明聚類分析結(jié)果對(duì)于群集劃分是具有一定效果和意義的。

圖5 ISODATA群集孕婦分析圖

4.3 個(gè)體孕婦分析

一位未使用系統(tǒng)診斷，曾患有妊娠貧血的三十六歲孕婦進(jìn)行產(chǎn)檢，可視化系統(tǒng)將醫(yī)生輸入的該孕婦的各類指標(biāo)數(shù)值通過Sunburst模型圖，散點(diǎn)-條形模型圖、扇形儀表盤以及相應(yīng)的人體器官模型圖等呈現(xiàn)。該名孕婦在早孕期產(chǎn)檢時(shí)，被確診患有妊娠合并貧血癥，并且在后幾次檢測(cè)中，依然存在該癥狀。系統(tǒng)顯示其在紅細(xì)胞數(shù)、血紅蛋白、紅細(xì)胞壓積指標(biāo)的表現(xiàn)異常，但該患者在早期兩次產(chǎn)檢中常規(guī)判定指標(biāo)正常。孕婦數(shù)據(jù)生成的Sunburst模型圖與聚類得出的群集結(jié)果相比較，通過比較得到孕婦所屬群集，該群集患有妊娠貧血癥的可能性較大(圖6人體模型所示)。系統(tǒng)中的散點(diǎn)-條形圖則表現(xiàn)了孕婦當(dāng)前具體指標(biāo)數(shù)值，其中紅細(xì)胞數(shù)低于正常數(shù)值。選中該指標(biāo)，在右側(cè)的扇形儀表盤中，體現(xiàn)著孕婦前三次產(chǎn)檢數(shù)據(jù)中紅細(xì)胞數(shù)的變化趨勢(shì)?？梢缘贸?，該指標(biāo)的數(shù)值趨勢(shì)一直呈現(xiàn)下降的狀態(tài)，并逐漸低于正常指數(shù)，患有貧血癥的可能性亦在不斷增長(zhǎng)(如圖6所示)。診斷貧血癥指標(biāo)中的另三項(xiàng)指標(biāo)，在系統(tǒng)的視圖中同樣呈現(xiàn)異常。綜上，可以證明系統(tǒng)在推斷孕婦可能患有妊娠合并癥上具有實(shí)用性。

圖6 妊娠貧血癥相似可視化

在孕婦第五次產(chǎn)檢時(shí)，系統(tǒng)中 ISODATA算法的群集最為接近查詢數(shù)據(jù)(如圖7A所示)，得出該孕婦相似該群集。醫(yī)生通過散點(diǎn)-條形圖發(fā)現(xiàn)堿性磷酸酶ALP已低于正常值、谷丙轉(zhuǎn)氨酶ALT已達(dá)到閾值上限(如圖7B所示)。選中這些指標(biāo)，分析孕婦前三次產(chǎn)檢數(shù)據(jù)，通過扇形儀表盤發(fā)現(xiàn)堿性磷酸酶數(shù)值一直處于降低趨勢(shì)(如圖7C所示)，而谷丙轉(zhuǎn)氨酶含量一直處于上升趨勢(shì)。結(jié)合聚類分析結(jié)果與人體模型查看得知，人體結(jié)構(gòu)圖中膽被標(biāo)綠(如圖7D所示)，醫(yī)生由此判斷該孕婦患有妊娠肝內(nèi)膽汁淤積癥的可能性增大，通過相似性樣本計(jì)算值已達(dá)到74.8%，平均誤差率降低2.8%。

5 結(jié)語

本文所提出的探索妊娠合并癥潛在可能性的對(duì)比分析可視系統(tǒng)考慮多種聚類算法，采用多維產(chǎn)檢指標(biāo)的相似度度量和病例樣本相似度度量，使得計(jì)算結(jié)果貼近實(shí)際情況。因目前單一指標(biāo)檢查項(xiàng)在實(shí)際醫(yī)療診斷中對(duì)孕婦當(dāng)前身體狀況無法做到準(zhǔn)確預(yù)估，經(jīng)案例分析可知，多維檢查項(xiàng)指標(biāo)

圖7 潛在妊娠合并癥識(shí)別可視流程

在可視化界面呈現(xiàn)之后，臨床婦科醫(yī)生可由此判定與歷史案例中患有妊娠合并癥的孕婦進(jìn)行相似程度的比較，得到更接近就診孕婦的現(xiàn)實(shí)生理狀況的診療結(jié)果，方便醫(yī)生更好地規(guī)劃就診孕婦的護(hù)理路線，根據(jù)病情調(diào)整服務(wù)，為孕婦提供最佳的臨床決策和經(jīng)濟(jì)有效的治療。接下來，我們的工作會(huì)基于數(shù)據(jù)類型更為復(fù)雜的醫(yī)療數(shù)據(jù)進(jìn)行分析，優(yōu)化現(xiàn)有可視化系統(tǒng)模型，提高系統(tǒng)的信息準(zhǔn)確度和完整性。