CBR-RBR融合推理模型构建及其在医疗中的应用

我国的医疗资源相对不足,不同地区和医疗机构间医疗诊断和治疗水平的不平衡和差异,使患者无法得到高水平的标准化救治,医疗质量难以得到有效保证。特别是对于心脏病这类高危疾病的诊治水平亟待提高。基于CBR、RBR的医疗决策系统为解决我国医疗资源不足、医疗质量不高的问题提供了有效的途径,但是,CBR与RBR方法具有各自的优缺点,能够将二者进行有效融合并应用于心脏病诊断的医疗决策支持系统还非常少。 本文在总结分析了近年来关于案例特征选择、CBR案例检索、RBR推理以及CBR与RBR融合方式等相关理论方法的研究成果的基础上,结合医疗诊断的特点,构建了CBR-RBR融合推理的医疗诊断模型。本模型利用粗糙集理论进行病案特征选择；对病案特征的信息增益值和粗糙集重要度进行综合加权得到病案特征的最优权重,用于案例相似度计算；提出新的计算K-D树远端最近距离的算法,改进了K-D树的搜索效率,并将这种改进的K-D树算法用于CBR案例检索；对CBR案例检索相似度低于设定阀值的病案,转入RBR推理,使用Bagging算法对C4.5决策树进行训练和集成,构建了Bagging-C4.5多分类器集成模型,有效提升了RBR推理性能。最后,本文将本模型应用于心脏病诊断问题,使用了美国UCI-Cleveland心脏病数据库进行训练和测试,并与其他相关研究进行了对比,结果表明本模型对心脏病的推理诊断准确度、灵敏度和特异性均达到很高水平,具有良好的心脏病诊断能力。 本文为基于CBR、RBR方法的医疗决策支持系统的模型构建提供了新的思路,在CBR的案例检索效率和RBR推理的准确性方面提出了改进和优化的思路和方向。使用本模型构建的心脏病决策支持系统对于提高心脏病的医疗决策质量具有一定的实际意义。