基于关联规则的协同过滤疾病预测方案
背景技术
传统上，医师或医生使用风险计算器来评估疾病发展的可能性。这些计算器使用人口统计学、医疗条件、生活常规等基本信息来计算发展某种疾病的可能性。这种计算是使用基于方程的数学方法和工具完成的。这里面临的挑战是使用类似的基于等式的方法的低准确率，而且该种方法需要非常大量全面的数据进行细致的统计分析。但随着近年来大数据、机器学习、数据挖掘以及人工智能等技术的发展，疾病预测的结果可能会更加准确，而且更加方便快捷。医疗机构、保险集团、医生等正在与统计学家和计算机科学家合作开发更好的工具来预测疾病。该领域的专家正在研究确定，开发和微调机器学习算法和模型的方法，以提供准确的预测。Miotto，R.等人研究并推导出了“深度病人”模型表示法，该方法在特定疾病预测任务中具有很高的准确性。人们已经开始利用适用于结构化和非结构化的数据来构造卷积神经网络（CNN）模型去预测脑梗塞。Nagrecha等人使用“诊断图”来预测老年患者的心力衰竭。这项工作旨在挖掘重要的疾病进展轨迹来帮助人们预测心力衰竭。Qingyu Zhao等人使用一种基于变差自编码框架的通用回归模型，并将其应用于结构化的核磁图像的脑老化预测问题。
目前，国内外的许多论文和专利绝大多数都是利用机器学习或者数据挖掘的方法来预测某一种特定疾病的发病概率及等级。或者基于其他外部因子，例如饮食等外部输入而引发的特定性疾病的分析和预测。从研究预测采样的数据角度来看多数采用医疗影像数据或者基因相关的信息。从电子病历中提取病患疾病并进行长期跟踪多种疾病，并进行后续疾病发生概率预测的研究相对偏少。
协同过滤算法是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息。协同过滤技术已经成功地应用于娱乐业和电子零售业的推荐系统。这些系统通过探索实体当前项目历史来预测实体历史中未发现的项目相关性。这种方法也适应于疾病预测，可以把疾病作为项目，受试者当前的病史作为项目历史。Davis