运用数据挖掘技术研究方剂配伍规律应注意的几个问题

【摘要】 　　近年来，数据挖掘技术正逐渐被广泛运用到方剂配伍规律的研究中，在运用该技术进行知识发现的过程中，由于中医药数据所具有的特殊性，会产生一系列具有中医特色的问题，文章从数据的规范、数据挖掘方法的选择和挖掘结果的评判等3方面进行了讨论。

【关键词】 数据挖掘技术 方剂配伍规律 问题

　　中医讲求辨证论治，多病因分析、多药物组方、多靶点论治是其基本特点。多维度的思维是其精髓。中药方剂最典型的体现了这一思维特征。方剂配伍具体表现为方-方、方-药、药-药、药-剂量，以及方药、方证、药症（证）与证-症的多维关联，其本质就是一种数据关系，具有复杂性和非线性动态变化的特性，符合数据处理的要求和特征。而数据挖掘涵盖了数据准备、数据选择、数据预处理、数据缩减、知识发现的目标确定、挖掘算法确定、数据挖掘、模式解释及知识评价等9个处理阶段，其任务是根据待分析数据的特征，选择有效的数据挖掘算法，通过引入人工神经网络、关联规则、聚类分析、频繁集、空间矢量分析、决策树等多种数据处理方法进行试验和改造，使之适应方剂配伍研究的特点和目标。

　　目前，数据挖掘这一技术正逐渐被广泛运用到方剂配伍特点的研究中，在运用这一个方法进行知识发现的同时，会出现一系列具有中医特色的问题，需要引起我们的注意。

　　1 数据的规范

　　在进行数据挖掘的前期，务必进行数据准备、数据选择、数据预处理、数据缩减等相关工作。而对于方剂配伍规律的分析，需要注意的问题主要涉及到各项数据的规范问题，包括药物名称、度量衡单位、症状描述、证候名称等。由于中医方剂数量多达数十万首，来源跨度数千年，以及中国古代语言文化的多样性及丰富性，导致了数据描述的不一致性。这些由于命名规则、术语表达或数据代码的不同而产生的噪声数据，如果不处理好，将直接影响后期数据挖掘结果的准确度和可信度，故需要对原始数据进行数据清洗，去除噪声数据，以使其成为更清晰和更具意义的数据。在开展规范工作前，应就所实施的规范原则达成一致，并对相关课题人员进行培训。对于症状数据的规范，参照《中医症状鉴别诊断学》［1］以及七版中医高校教材《中医诊断学》［2］建立规范症状表，并将症状性质、症状程度、症状部位有机结合，实行症状规范名和症状异名并重的原则；对于证候名称的规范则参照《中华人民共和国国家标准中医临床诊疗术语证候部分》［3］，主要分一词多义、多词一义、词义模糊、词义交叉或涵盖和删除数据不完整的记录等5种情况来处理；对于药物名称则参照《中华本草》［4］进行规范。

　　2 数据挖掘方法的选择

　　前期数据准备完成之后，进入了数据挖掘阶段，可具体分为确定知识发现目标、确定挖掘算法和进行数据挖掘。对于方剂配伍规律的分析，知识发现的目标主要包括类方方药、方证、药症、药证以及主方结构变化规律等等。而在确定知识发现目标即分析对象之后，需要注意的问题主要是如何有针对性地选择有效的数据挖掘算法。总体来讲，根据所发现模式的类型，可以分为两种：描述性数据挖掘和预测性数据挖掘。描述性数据挖掘意在刻画数据的特性和特征，预测性数据挖掘旨在当前数据的基础上进行推断，并预测。具体来讲，数据挖掘功能在方剂配伍规律研究中的运用大略可以归纳如下：

　　2.1 概念描述描述数据的分布是很有意义的。可根据对于数据的描述，根据其特征进行区分；若又沿着指定维添加新维，则有利于发现各类之间的更多区分特性。比如，对药物的性味、归经、功效情况的刻画可以用来寻找解表药、清热药、补益药等几个类型的特征，并对所分析对象所涉及的药物进行分类，若指定清热药为一维，那么沿着这一指定维进行区分，又可以寻找到清热泻火药、清热燥湿药、清热解毒药等几个特征性亚类。

　　2.2 关联分析数据库中的数据一般都存在着关联关系，也就是说，两个或多个变量的取值之间存在某种规律性，分为简单关联和时序关联两种。简单关联，例如：含柴胡的方剂中有60%的方同时含有黄芩；时序关联则是在简单关联中增加了时间属性。关联分析的目的是找出数据库中隐藏的关联网，描述一组数据项目的密切度或关系。有时并不知道数据库中数据的关联是否存在精确的关联函数，即使知道也是不确定的，因此关联分析生成的规则带有置信度，置信度级别度量了关联规则的强度。在对于方剂配伍规律的研究中，可以运用关联规则对药症、方证、药药、药证等相关关系进行研究。

　　2.3 分类和预测分类是通过训练数据集和测试数据集试图发现精度达到一定程度的分类模型的过程。分类模型可预测类标号未知对象的类，有多种形式，如分类规则、判定树、数学公式或神经网络等。比如可运用神经网络的方法来判定方剂功效。分类用于预测数据对象的类标号，如果在某些应用中，希望能预测某些遗漏或空缺值，而非类标号，称为预测。为使分类和预测高效地进行，就要求进行属性相关分析。相关分析是通过

计算信息增益，试图发现与分类和预测属性有关和有较强相关性的属性集合，排除不相关或弱相关的属性集合。　2.4 聚类分析聚类不同于分类，事先不知道有几个类，聚类分析资料点之间的相似程度，根据类内尽可能相似和类间尽可能不同的聚类原则对数据对象进行分组并生成新的类标号。聚类分析广泛应用于模式识别、数据预处理等领域。

　　2.5 演变和偏差分析演变分析描述事物随时间变化的规律性或趋势，包括时间相关数据的特征、区分、关联、分类或聚类，这类分析的不同特点包括时间序列分析、序列或周期模式匹配和类似性数据分析。

　　需要指出的是，在确定使用某种数据挖掘方法对大批量的数据进行处理前，可以先进行小额数据的多种方法的预试验，进行比较分析，找到最适合分析对象数据特点的数据挖掘方法。

　　3 挖掘结果的评判

　　对于数据挖掘结果的评判，通常采用与目前较为公认的认识相比较，计算出准确率的方法。对于不满足评判标准或与传统中医认识有所出入的分析结果，我们称之为不确，即其中有一部分是错误的结果，而另一部分则可能蕴含着新知。这就需要咨询有关的专家教授，再做评价。如本课题组研究人员在药对-症状的关联分析中发现陈皮、炙甘草与乏力、泄泻存在较高的关联度，此药对已知用于胃虚痰滞之胸中痞满，恶心食少，或用于湿痰咳嗽等症，但对于治疗乏力、泄泻并无相关论述。但有关专家指出这是有意义的，因为陈皮味辛苦而性温，入脾经，辛行苦降，能调理脾胃气机，功善燥湿化痰，理气和中；炙甘草味甘，擅入中焦，具有补益脾气之力，此药对大量存在于四君子汤类方中。而这类方剂主治证侯群集中在气虚类，且以脾胃气虚为主。脾胃虚弱，运化无权，湿邪内蕴，可致升降传导失司，清浊交混致泄泻。炙甘草补益脾气，陈皮行气燥湿，气行则水湿自行，二药合用脾健湿除，则乏力、泄泻症状得解。

　　综上所述，中医方剂配伍的数据挖掘研究是在中医理论的指导下对证候判断、中医方剂组方理论和配伍规律等进行多方位、多学科、多系统的现代化研究，是一个多方面协作、高维复杂的系统工程。同其他领域相比，中医药数据多带有模糊性的特点，因此必须在数据准备、数据选择、数据预处理、数据缩减、知识发现的目标确定、挖掘算法确定、数据挖掘、模式解释及知识评价等9个处理环节中，必须要在中医理论和/或中医专家的参与和指导下方能完成由数据库数据到可利用知识的转化。

【参考文献】
　　［1］ 姚乃礼.中医症状鉴别诊断学，第2版［M］.北京：人民卫生出版社，2004.

　　［2］ 朱文锋.中医诊断学［M］.北京：中国中医药出版社，2004.

　　［3］ 国家技术监督局.中华人民共和国国家标准·中医临床诊疗术语证候部分［S］.北京:中国标准出版社,1997.

　　［4］ 国家中医药管理局.中华本草［M］.上海：上海科学技术出版社，1999.