基于数据仓库和数据挖掘技术的心脏构型超声评价及决策支持系统的研究

心腔大小、室壁厚度和心肌重量的测量与评价是超声心动图检查的基础性工作，其数据能够直接反映心脏生理及病理状态下的构型特征。然而，目前相关原始数据的研究和应用仍限于基于先验认识的统计学分析，并未对其深层含义及潜在价值进行有效挖掘，造成实际意义上的信息丢失和资源浪费。如何充分利用超声心动图基础数据来揭示蕴涵其中的心脏构型特征及变化规律，为心脏疾病防治及流行病学调查提供决策支持是超声心动图领域值得进一步探索的重要问题。我们拟采用先进的数据库开发平台，利用超声心动图基础数据构建心脏构型数据仓库（data warehouse，DW），应用数据挖掘（data mining，DB）技术建立各种心脏构型数据模型，揭示生理及不同病理状态下心脏构型的特征及变化规律或趋势，实现对心脏构型演变的动态监测和中长期预报，为心脏疾病的一级预防、早期干预以及流行病学调查提供决策支持。

对心腔大小、室壁厚度和心肌重量的测量与评价是超声心动图检查的基础性工作，其数据能够直接反映心脏生理及病理状态下的构型特征。然而，目前相关原始数据的研究和应用仍限于基于先验认识的统计学分析，并未对其深层含义及潜在价值进行有效挖掘，造成实际意义上的信息丢失和资源浪费。如何充分利用超声心动图基础数据来揭示蕴涵其中的心脏构型特征及变化规律，为心脏疾病防治及流行病学调查提供决策支持是超声心动图领域值得进一步探索的重要问题。根据项目研究目标，我们首先优选出反映心脏构型及其变化的117个指标，编制出基础数据记录表，采集基础数据。其次选取两个对照组，分别采集正常健康人群和各种心脏疾病人群的心脏构型的超声心动图基础数据，一年时间内共采集到987例样本（其中正常健康人群200例，各种心脏疾病人群787例）。确定心脏构型指标对两种人群的影响度作为本次项目研究的主题，选择数据源，对数据仓库进行逻辑设计和物理设计，从而构建心脏构型数据仓库。针对研究主题我们采用关联算法挖掘分析数据集中的不同指标之间的相关性，并给出关键指标对两种人群的影响度；采用聚类分析算法、决策树算法、Naive Bayes 算法和神经网路算法挖掘分析各种指标对心脏构型的影响，并对其量化，从而绘制心脏构型趋势图。在此基础上，我们构建了两种人群的通用易操作且可视化的预测计算器。利用超声心动图基础数据构建心脏构型数据仓库（data warehouse，DW），应用数据挖掘（data mining，DB）技术建立各种心脏构型数据模型，揭示生理及不同病理状态下心脏构型的特征及变化规律或趋势，实现对心脏构型演变的动态监测和中长期预报，为心脏疾病的一级预防、早期干预以及流行病学调查提供决策支持。