论文总字数：17031字

摘 要

抗菌药物耐药性问题现在已经成为全球健康问题的焦点，它不仅仅是这个地球现在最重要的公共卫生问题，同时也是最为紧迫的安全问题。由于抗生素的耐药性问题日益严重，全世界的人民将会面临着缺乏能够使用的抗生素的风险。细菌耐药性的危害有许多，首先它不仅仅增加了患者感染其他疾病的风险，加重了临床症状，而且延长了患者的住院时间。耐药细菌相比与敏感细菌，它不但增加了感染率与发病率，更可怕是它大大提高了死亡率。目前，细菌耐药性检测方法多采用传统的细菌培养技术法，周期长，且耗费大量的人力和物力。为此，提出建立一个基于细菌耐药大数据的抗菌药物合理用药评价平台，精准预测细菌的预期耐药率。以2014年至2018年临床常见病原菌耐药率的变化，有关病人的基本信息、科室分类、病原菌种类分类、标本来源分类、抗菌药物种类、使用剂量、耐药率及变化趋势、患者预后转归等信息。

本文采用数据挖掘技术中的决策树算法，通过建立不同细菌关于抗菌药物种类、标本来源、科室分布等特征因素的混合预测模型，能够提取与抗菌药物耐药相关的影响因素，自动生成耐药信息库，并建立一个智能、方便、个体化的细菌耐药评价平台，进而通过抗菌药物耐药预测、药物使用风险评价等方面为临床提供决策支持。

关键字: 数据挖掘；决策树；C4.5算法；抗菌药物；耐药性

Application Research of Data Mining Technology in Antibiotic Resistance Prediction

abstract

The issue of antimicrobial resistance has become the focus of global health problems and one of the most pressing public health problems facing the world today. Due to the growing problem of antibiotic resistance， people around the world will be at risk of lacking antibiotics that can be used. There are many hazards of bacterial resistance. First， it not only increases the risk of infection of other diseases， but also exacerbates clinical symptoms and prolongs hospital stay. Compared with sensitive bacteria， resistant bacteria not only increase the infection rate and morbidity， but more terrible is that it greatly increases the mortality rate. At present， the bacterial resistance detection method mostly adopts the traditional bacterial culture technique， which has a long cycle and consumes a large amount of manpower and material resources. To this end， it is proposed to establish a rational drug evaluation platform for antimicrobial drugs based on bacterial drug resistance big data to accurately predict the expected drug resistance rate of bacteria. Based on the changes in the drug resistance rate of common pathogens from 2014 to 2018， the basic information of the patients， the classification of the departments， the classification of the pathogens， the classification of the source of the specimens， the types of antimicrobial agents， the doses used， the resistance rates and trends， and the prognosis of patients And other information.

In this paper， using the decision tree algorithm in data mining technology， by establishing a mixed prediction model of different bacteria on the types of antibacterial drugs， specimen sources， department distribution and other characteristics， we can extract the influencing factors related to antimicrobial resistance and automatically generate drug resistance. The information base， and establish an intelligent， convenient and individualized evaluation platform for bacterial resistance， and then provide decision support for the clinical through antibiotic resistance prediction and drug use risk assessment.

Keywords: data mining；decision tree；C4.5 algorithm；antibacterial drugs；drug resistance

目 录

摘要 I

abstract II

第一章 绪论 1

1.1 研究背景及意义 1

1.2 国内外现状研究 1

1.2.1 数据挖掘研究现状 1

1.2.2 抗菌药物耐药性现状 1

1.3 课题来源和主要研究内容 2

1.4 本文组织结构 2

第二章 数据挖掘 3

2.1 数据挖掘的概念 3

2.2 基本流程 3

2.3 数据挖掘的功能 4

2.3.1 聚类分析 4

2.3.2 关联分析 4

2.3.3 分类分析 4

2.3.4 方法总结 5

2.4 几种常见的分类分析算法 5

2.4.1 贝叶斯算法 5

2.4.2 神经网络 6

2.4.4 决策树算法 6

2.5 本章小结 6

第三章 决策树算法 7

3.1 基本概念 7

3.2 构建过程 7

3.3 常见的决策树算法 7

3.3.1 ID3算法 8

3.3.2 C4.5算法 8

3.3.3 CART算法 8

3.4 常见的决策树算法比较 9

3.5 本章小结 9

第四章 C4.5算法在抗菌药物耐药性检测中的应用 10

4.1 问题来源 10

4.2 数据分析与预处理 10

4.2.1 确定挖掘对象和目标 10

4.2.2 算法的选定 10

4.2.3 数据的预处理 10

4.3 C4.5算法建立决策树 12

4.3.1 相关概念 12

4.3.2 C4.5算法具体流程 13

4.3.3 C4.5算法具体实现 13

4.3.4 构建决策森林 15

4.4 实验结果分析 17

4.5 本章小结 17

第五章 耐药性检测系统设计与实现 18

5.1 系统结构设计 18

5.2 系统数据库设计 18

5.2.1 数据库概要设计 18

5.2.2 数据库详细设计 18

5.3 详细设计 19

5.3.1 系统登录 19

5.3.2 病人基础信息管理 24

5.3.3 耐药性检测 30

5.4 本章小结 32

致谢 33

参考文献 34

第一章 绪论

1.1 研究背景及意义

目前，细菌耐药性检测方法多采用传统的细菌培养技术法，周期长，且消耗许多人力和物力。为此，提出建立一个基于细菌耐药大数据的抗菌药物合理用药评价平台，精准预测细菌的预期耐药率。以2014年至2018年临床常见病原菌耐药率的变化，有关病人的基本信息、科室分类、病原菌种类分类、标本来源分类、抗菌药物种类、使用剂量、耐药率及变化趋势、患者预后转归等信息，其主要的现实意义如下：

(1)本文经过采集南京某医院真实的实测数据来构建抗菌药物耐药性预测、预测模型，具备实际意义，能为本地居民提供实际的预防计划。

剩余内容已隐藏，请支付后下载全文，论文总字数：17031字