《武汉工程大学学报》 2015年10期
57-60
出版日期：2015-10-31
ISSN:1674-2869
CN:42-1779/TQ
ＦＰ－Ｇｒｏｗｔｈ算法在药物相互作用系统中的应用
０ 引 言如今，伴随着静脉药物治疗中药品种类的不断增加以及新品种药物的出现，联合用药得到了广泛使用，同时所产生的药物之间相互作用也受到了人们越来越多的关注. 目前，在静脉用药当中，对病人进行治疗的过程中几乎不存在一次只使用单一种类药物的情况，联合用药是为了增强药物的治疗效果，同时又减少药物的不良反应和用药量，随着当前联合用药数量越来越多，药物之间的不良反应的频率也在不断的上升，联合给药中药物相互作用是导致药物不良反应的一个非常重要的因素. 因此，对药物相互作用的研究具有重要的指导意义和实践意义［１－２］. 数据挖掘是最近几年里发展起来的一种信息处理技术，它是通过相关的算法搜索出隐藏于其中有价值信息的过程. 本文对关联规则挖掘中的ＦＰ－Ｇｒｏｗｔｈ算法进行了有关研究，利用的药物数据是相关文献［３－４］中的抗感染类药物数据，探讨各药物之间潜在、有价值的关系.１ 药物相互作用的相关概念药物相互作用是指在相同的时间或同一段时间２种或２种以上的药物联合使用时所导致药物疗效所产生的变化，可能加强疗效或减少药物的不利影响，也可能是药物的药效减弱或者出现本来不应该有的副作用，有时候甚至可能发生一些罕见的不良反应，进而危害患者的身体健康［１］. 比如：当去甲肾上腺素与全麻药同时使用时，会使心肌对拟交感胺类药反应更加的敏感，容易发生室性心律失常，不适宜一同使用，必须一同使用时应减少用量；当甲苯磺丁脲与磺胺类药物同时使用时，会致使人体出现低血糖的症状.２ 数据挖掘概述２．１ 数据挖掘概念在最近几十年中，伴随着计算机、数据库及其相关技术的快速发展的同时，数据的存储也变的越来越简单和低廉. 如何对数据进行处理成为我们必须面对的问题，所以数据挖掘技术应运而生，数据挖掘是指从海量的数据中发现潜在的、有用的，最终可转换成可被理解的形式的过程. 受多个学科影响，比如：统计学、数据库、机器学习、信息科学、可视化和其它学科等［５－６］. 2.2 关联规则概念当前在医药学领域中数据挖掘技术应用也十分广泛与成功［７］. 将数据挖掘中的关联规则应用到医院静脉注射药物相互作用分析中，促进了合理用药，从而对静配中心的药物分析工作起到一定的指导作用. 关联规则挖掘用来找出海量数据中各项集之间潜在的相关联系，它是数据挖据中的一类重要算法. 最近几年广泛应用于各个行业中. ＦＰ－Ｇｒｏｗｔｈ算法［８－９］作为关联规则挖掘中的经典算法，ＦＰ－Ｇｒｏｗｔｈ算法利用了特殊的数据结构，解决了ＡＰＲＩＯＲＩ算法挖掘过程中需要不断扫描数据库的缺点，它不需要不断的生成候选项集和不断的扫描数据库来进行对比. 为了能够达到这种效果，它采用了一种特殊的数据结构形式，称为频繁模式树（ＦＰ－ｔｒｅｅ）. 采用ＦＰ－Ｇｒｏｗｔｈ算法的步骤如下：（１）为每一个频繁项，构建它的条件模式基，然后再构建它的条件频繁模式树． （２）为每个新创建的条件频繁模式树重复上述过程． （３）当构建的频繁模式树为ＮＵＬＬ时，它的前缀就是频繁模式；当频繁模式树只包含１条路径时，列出所有可能的组合，然后与ＦＰ－ｔｒｅｅ的前缀连结就可以获取频繁模式. 通过最小置信度对每个频繁项集进行筛选，选出置信度大于或等于最小置信度的频繁项集，形成强关联规则，成为有效关联规则.３ 以关联规则挖掘开发的静脉注射药物相互作用的分析系统静脉药物配置中心，简称静配中心，英文缩写为ＰＩＶＡＳ，是指依照国际标准的要求和药物的特点来设计配药环境，并由接受过严格训练的药学技术人员来依照操作流程对包括细胞毒性药物在内的一些药物进行集中科学配置的医药机构［１０］，它是为合理用药和临床治疗服务的. 静脉药物配置中心可为临床治疗提供安全、可靠、经济的静脉用药，对临床治疗中的合理用药起到重要的促进作用. 所以将数据挖掘中的关联规则算法应用到医院静配中心静脉注射药物相互作用中有非常重要的实际和指导意义. 药物相互作用的关联规则挖掘流程图如图１所示. 图１ 药物相互作用分析关联规则流程图Ｆｉｇ．１ Ｆｌｏｗｃｈａｒｔ ｏｆ ａｓｓｏｃｉａｔｉｏｎ ｒｕｌｅｓ ｏｆ ｄｒｕｇ ｉｎｔｅｒａｃｔｉｏｎ ａｎａｌｙｓｉｓ３．１ 数据处理数据处理过程可以用来改善数据的质量，从而有利于后续的数据挖掘工作，提供高质量的数据，从而提高了数据挖掘的准确度和性能. 本文主要对《药物相互作用基础与临床》和《静脉用药物调配技术》两本书中的抗感染类药物分别为４１种、１３７种药物数据进行处理. 根据以上的药物数据，将相关文献中的抗感染类药物信息进行数据处理，以此建立药物事务的数据库表. 此事务数据库表包括七个栏目：审核项目、药物名称、异常药物名称、提示、异常药物编码、异常药物类别和注意事项描述. 其中提示信息可以分为：１）禁止与其配伍；２）与其配伍需谨慎；３）需要关注；４）调低用药剂量；５）调高用药剂量. ３．２ 关联规则挖掘结果及分析通过多次试验，最终将最小置信度设为４０％，而避免合用药物最小支持度设为８％，谨慎合用药物最小支持度设为１０％，可以合用药物数据库的最小支持度设为１０％［１１］. 对产生的关联规则作分析，从而得出其中的一些规律，取其中的几条强关联规则进行说明. 由避免合用药物生成规则说明与庆大霉素需避免合用的抗感染类药物有９２．５％与卡那霉素也需避免合用. 庆大霉素?圯卡那霉素 ０．９２５这条规则的置信度为９２．５％，说明：当有一种抗感染类药物与庆大霉素避免合用时，这种药物同时与卡那霉素避免合用的概率为９２．５％. 由谨慎合用药物生成规则说明与妥布霉素需谨慎合用的抗感染类药物有４１．４％与多黏菌素Ｂ与需谨慎合用. 妥布霉素?圯多黏菌素Ｂ ０．４１４这条规则的置信度为４１．４％，说明：当有一种抗感染类药物与妥布霉素谨慎合用时，这种药物同时与多黏菌素Ｂ谨慎合用的概率为４１．４％. 对于其它规则也可以得到同样的结果. 由可以合用药物生成规则：阿苯达唑?圯氯喹＋伏立康唑 ０．５０这条规则的置信度为５０％，说明当有一种抗感染类药物与阿苯达唑可以合用时，这种药物同时与氯喹和福利康唑可以合用的概率为５０％. 将关联规则应用到静脉注射药物相互作用分析中，系统经过一段时间实际测试，效果良好. 部分结果显示结果如图２所示.图２ 关联规则在静配中心药物相互作用系统中的应用Ｆｉｇ．２ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ａｓｓｏｃｉａｔｉｏｎ ｒｕｌｅｓ ｉｎ ｄｒｕｇ－ｉｎｔｅｒａｃｔｉｏｎ ｓｙｓｔｅｍ ａｔ ｔｈｅ ｃｅｎｔｅｒ ｏｆ ｔｈｅ ｓｔａｔｉｃ ｄｉｓｔｒｉｂｕｔｉｏｎ４ 结 语结合以上分析，对于药物的相互作用案例进行关联规则挖掘是可行的. 通过设置合理的最小置信度和支持度阈值能够挖掘出有意义的规则. 通过分析这些强关联规则集有利于揭示数据之间潜在的、有价值的联系. 对关联规则挖掘中的ＦＰ－Ｇｒｏｗｔｈ算法进行了相关研究，并对药物数据进行了挖掘，初步探讨了各个药物各因素值间的联系. 实际并实现了静脉注射药物相互作用分析系统，促进了合理用药和用药安全. 致 谢感谢昆明理工大学信息工程与自动化学院、云南省第一人民医院药剂科静配中心提供的帮助与支持！