Microsoft PowerPoint tcm-talk

Size: px

Start display at page:

Download "Microsoft PowerPoint tcm-talk"

胃稗毕
5 years ago
Views:

1 大家好! 我是香港科技大学计算机系的张连文今天报告的题目是 : 通过隐树分析确定血管源性轻度认知障碍的辨证分型这是一项与北京东方医院 : 傅晨陈宝鑫张允岭等共同完成的研究项目 1

2 所谓辨证分型, 就是要把患有某个西医疾病的病人, 从中医角度分成若干个证候类型, 然后对不同的证型, 采取不同的干预措施这是中医的一个核心问题, 也是一个十分困难的问题, 原因是没有金标准可以依赖 2

3 今天我希望向大家传达的信息是 : 怎样在无金标准情况下将患者群划分成有临床意义的子类是不但是中医面临的问题, 也是西医需要面临的问题比方, 确定抑郁症的亚型, 就是要在没有金标准的情况下, 把抑郁症的亚型患者分成若干个类, 这和中医的辨证分型是性质完全一样的问题在西医研究中, 人们已经广泛运用隐类分析来解决这个问题, 但中医这方面的研究还很少主要有两个原因一是, 中医学界对隐类分析还不是很了解另一个原因是, 对于中医辨证分型而言, 隐类分析还存在一些问题为了解决这些问题, 我们提出隐树分析法, 也称隐结构法今天, 我想通过讨论通过血管源性轻度认知障碍的辨证分型问题, 来介绍隐树分析方法, 希望能引起大家对这个方向的关注 3

4 大家知道, 痴呆是一种常见的老年慢病, 血管性痴呆是痴呆的主要类型之一血管源性轻度认知障碍 VMCI--- 指的是介于正常老年人与血管性痴呆之间的临界状态对 VMCI 进行干预, 对预防延迟血管性痴呆具有非常重要的意义 4

5 中医认为,VMCI 的发病机制与肾虚血瘀和痰浊有关 5

6 要用中医对 VMCI 进行干预, 首先需要对 VMCI 患者群进行辨证分型具体的说, 需要回答 3 个问题 : 1 在 VMCI 患者群中存在哪些证型?2 每个证型有哪些特点? 3 在临床实践中, 怎样分辨不同的证型? 证型分类结果必须对临床具有指导意义而且应该具备科学性短期来讲, 它应该得到临床数据的支持 ; 长远来讲, 它应该得到微观指标的支持 VMCI 的辨证分型问题迄今还没得到很好的问答 6

7 我们的研究目标是, 基于临床数据反映出的症状分布规律, 对 VMCI 进行辨证分型具体地说, 我们研究的出发点是一组无标签数据, 共 803 例, 其中有 93 个症状与体征, 但没有证候判断 7

8 我们的基本思想 : 基于症状分布特点对患者进行聚类分析, 把患者分为若干子类 ; 然后找出与证型对应的患者子类, 并且利用子类的统计特性对证型进行定量化, 并且建立辨证规则这就好比根据这些照片, 把照片里的人进行划分明显应该分为两类, 下面一类是健康健的人, 而上面是一类患病的人, 他们的特点是怕冷根据这个特点, 可以建立辨证规则, 对以后的患者进行分类这样得到的辨证分型结果有临床数据的支持, 具一定的科学性理解这个基本思想对理解下面的内容十分重要, 不知大家听明白了没有? 有问题吗? ( 暂停 ) 8

9 要指出的是, 这个思想不是我们首先提出的实际上, 它从 1990 年开始已经被人们在西医研究中使用先来看一个例子这是 14 年在 psychological medicine ( 心里医学杂志 ) 上发表的一篇文章心里医学是一个不错的杂志, 它的影响因子是 5.9. 这篇文章研究的是汉族妇女人群中重性抑郁症 (MD) 的亚型, 使用的就是隐类分析, latent class analysis 9

10 他们的具体做法是, 首先在中国各地进行流调, 调查对象是患有 MD 的汉族妇女性, 收集了 6008 病例然后, 他们对收集到的症状数据进行分析他们进行了几项分析, 其中一项主要的分析使用 DSM 4 关于 MD 的 9 个条目, 其中 : A1 抑郁的心境状态 ; A2 所有活动的兴趣或乐趣明显降低 ; A3 体重明显降低 / 食量减少 ; 等等每个条目被视为一个症状变量, 其可能取值是 1 或 0, 分别代表有或无分析的结果把患者划分为 3 个类, 其中第一类属于严重 MD, 占 85.6%, 在这类患者中每个症状出现的概率都很高 ; 第三类是中度 MD, 占 6.4%, 其中有些症状出现的概率偏低, 比如 :A5 激动不安或者迟钝滞后和 A9 自杀的企图他们觉得最有意思的是第二类, 占 8%, 这类患者完全没有自杀企图这个亚型在对其它族群研究时是没有发现, 认为是中国文化的特色要特别指出的是, 数据是无标签的, 划分是基于症状分布特点根据统计学原则得到的 10

11 刚才介绍的例子不是独特的个案实际上, 隐类分析在西医研究中的运用越来越普遍美国流行病学杂志是一份影响因子为 5.6 的杂志 2014 年, 它发表一篇综述文章, 发现截止 2011 年有关隐类分析的文章有 180 篇之多, 而且增长的速度相当快这些文章中 5 分之 3 是方法学文章, 而另外 5 分之 2 是临床研究 11

12 隐类分析在中医证候研究中也开始有一些运用, 比如有学者用它来研究銀血病和抑郁症的中医辨证分型 12

13 下面对隐类分析做一个简短介绍首先在什么情况下可以考虑使用隐类分析呢? 回答是 : 在无金标准情况下要进行诊断进行患者分类时, 可以考虑使用隐类分析实际上, 上面提到的综述文章的题目是 : 隐类模型在无参考标准情况下进行诊断研究中的运用至于隐类分析的基本原理, 前面提到的关于汉族妇女人群中重性抑郁症 (MD) 的亚型一文中这样说 : 临床诊断方法, 往往是由有经验的临床专家通过观察许多不同患者, 总结出关键症状和体征出现的规律 ( 同质性 ), 而慢慢开始形成的隐类分析, 以相对严谨的统计学方式, 模拟这个过程隐类分析的输入包括 : 一组人工选择的症状变量和关于这些症状在患者出现情况的数据一般地讲, 症状变量有两个可能的取值, 代表症状的出现和不出现隐类分析的结果是把患者分为相互排斥的几个类要特别强调的是, 不同的患者类是相互排斥的 13

14 隐类分析存在的两个问题首先, 它把数据分成几个互相排斥的子类, 属于第一类的患者, 不能同时属于第二类和第三类而且, 不同子类用同一组症状上的概率分布来刻画刻画第一类, 用这 9 给症状 ; 刻画第二个类也用这 9 个症状不一样的只是症状在不同的类出现的概率不同但是, 中医证候不是相互排斥的, 是可以间夹的一个患者可以有阴虚, 同时也可以有阳虚, 即阴阳两虚另外, 不同证候对应的症状是不同的阳虚对应的是畏寒肢冷腰背冷等症状, 而阴虚则对应潮热盗汗舌燥少津脉数等症状 14

15 更重要问题是, 隐类分析需要做一个不切实际的假设, 即, 局部独立假设关于这一点, Van Smedem 的综述文章说 : 隐类分有一个至关重要的假设, 那就是在每个类中, 观测值, 即症状, 是相互独立的在实际运用中, 这个假设往往不成立, 从而导致估计的偏差 15

16 举一个具体的例子假设我们想通过数据聚类分析, 得到与气虚相对应的患者类, 为此可以基于这里显示的气短, 神疲, 乏力等 27 个变量对患者进行聚类分析如果使用隐类模型, 即假设症状的出现与否是直接由患者所属类别所完全决定, 而不受其它因素影响这样, 最佳方案是把患者分为 4 类 16

17 我们不是用隐类分析, 而是使用下面的隐树模型, 来放宽局部独立假设这个模型比前面的隐类模型更合理比如, 排便无力便干便难即反映气虚, 也放映排便情况, 即反映气虚对排便的影响因此, 通过一个隐变量 Y01 把它们与 Z1 相连, 而不是直接与 Z1 相连更为合理同样, 在脉迟脉缓即反映气虚, 也反映脉速度, 即反映气虚对脉速的影响因此, 通过一个隐变量 Y09 把它们与 Z1 相连, 而不是直接与 Z1 相连更为合理失眠多梦即反映气虚, 也放映睡眠情况, 即反映气虚对睡眠的影响因此, 通过一个隐变量把它们与 Z1 相连, 而不是直接与 Z1 相连更为合理等等值得一提的是, 中间的隐变量是通过数据分析, 自动确定的, 反映中医概念的科学性这个三层的隐树模型不但直观上优于前面的隐类模型, 在客观指标上, 它也更好 17

18 统计学中最常用的模型选择准则是贝叶斯信息准则, 简称 BIC. 它要求模型与数据尽量拟合, 但不能过于复杂在这个例子中, 红叉是数据, 蓝线是模型左边的模型太简单, 不能很好的拟合数据右边的模型完全拟合了数据, 但过于复杂中间的模型是对数据集最恰当地拟合 BIC 分有正负两个版本, 其绝对值相同正分版本, 分数越小, 模型越好负分版本, 分数越大模型越好 18

19 三层的隐树模型的 BIC 分是 10022, 而隐类模型的 BIC 分是 10164, 这显示隐树模型比隐类模型更贴近数据的真实情况 ( 这是一个重点, 考虑停顿和强调 ) 19

20 隐树分析的结果得到 3 个类第一个类占 56%, 第 2 个类占 38%, 第 3 个类占 5% 在第一类中, 所以症状出现的概率都不高, 于是认为这类患者无气虚, 而 Z1=s1 和 s2 这两类患者有气虚就是 s1 与 s2 的区别而言, 乏力气短胸闷心悸在 s1 中出现的概率相对为高, 偏心气虚 ; 而腰膝酸软肢倦身重小便失禁自汗失眠多梦在 s2 中出现的概率相对为高, 偏肾气虚这三个类的意义是明确的 20

21 前面基于 27 个与气虚的症状, 对患者进行了划分, 得到三个类当然也可以基于其它症状对患者进行其它划分, 这就是多维聚类的概念比如, 基于与血虚相关的症状进行分析, 就得这里显示的划分, 它把患者聚类两类, 在 Z2=s1 这类患者中, 相应症状出现的概率高, 因此认为它对应血虚 21

22 注意, 同一划分中的不同类是互斥的例如如 Z1=s1 与 Z1=s2 是互斥的但是, 不同划分中的类可以间夹例如如 Z1=s1 与 Z2=s1 是可以间夹得所以, 多维聚类弥补了隐类分析的第一个不足, 更贴近中医理论和实际 22

23 讲到这里, 大家对我们的方法应该有了一个大致了解, 同时可能会问下面的问题第一 : 变量选择问题, 即如何确定与某证型对应的症状组? 比如说, 前面讲与气虚对应的症状有 27 个, 这些症状是怎样确定的? 第二个问题是, 如何结构选择聚类模型的结构, 即如何确定聚类模型的中间层? 为什么便干便难和排便无力要通过一个中间隐变量才与 Z1 相连, 而小便失禁是直接与 Z1 相连? 如何基于数据的特点来确定? 第一个问题主要是基于专业知识来确定的, 就像在隐类分析中一样隐类分析使用的变量需要人工确定, 在我们的方法中也是, 只是我们为人为确定提供一些帮助第二问题是完全基于数据来解决的 23

24 我们的方法叫隐树分析法, 也称隐结构法它首先对整体数据进行隐树分析, 揭示症状的同现规律, 相当于前面例子中, 前三个症状同现, 中间三个症状同现, 以及后三个症状同现那样的规律在实际数据中, 还会有症状互斥的现象, 隐树分析也能揭示症状互斥的规律这些规律可以用来解决前面提到的两个问题首先, 它们可以协助研究者解决变量选择问题, 即把症状分成几组, 使得每组症状对应一个证型注意, 这里说的协助, 也就是说, 这一步还是需要科研人员基于领域知识来完成, 隐树分析的结果使得这个过程变得更容易一些更为重要的是, 在基于每组症状进行对患者进行划分时, 我们利用第 1 步发现的规律, 构造适当的三层隐树模型, 从而恰当地放宽局部独立假设下面通过 VMCI 的例子来介绍隐树分析方法 24

25 VMCI 数据共有 803 例, 包括 93 个症状和体征, 下面把症状和体征统称为症状目前隐树分析有两个算法可以选用 :EAST 和 BI 数据大小不同, 算法的运行时间也不一样一般来说, EAST 需要数小时到数天, 它获得的模型质量最高 ; 而 BI 则只需要数十分钟到数小时, 它也能解释数据的主要规律, 但就模型质量讲, 与 EAST 有一定差距为了进行隐树分析, 可以使用一个叫孔明灯的软件, 它包含 EAST 和 BI 算法, 还支持隐结构法的后面几个步骤由于隐树分析可能需要很长时间, 有时在个人电脑上进行比较困难, 因此我们也提供了两个软件包 EAST.zip, BI.zip, 可供计算机专业人士使用在侍服器上運行 25

26 这是用 EAST 对 VMCI 数据进行分析的到的结果其中, 以中文标记的是症状变量, 直接来自数据 Y01 Y31 是隐变量, 不是直接来自数据, 它们是在数据分析的过程中, 为了解释发现数据的分布规律, 而引入线条粗细代表变量间关系强弱程度我们稍微看看这个结构是否合理 : 我们看到, 失眠多梦在一起 ; 肢倦身重畏寒肢冷麻木在一起 ; 视物模糊双目干涩在一起 ; 尿后余沥夜尿频多在一起 ; 神疲乏力在一起 ; 气短善太息在一起 ; 心悸胸闷在一起这些都是合理的隐树分析能够从数据中找出这些关系, 是一件有意思的事情 26

27 下面来仔细观察一下模型的几个局部, 看看它们揭示出什么样的规律首先看看隐变量 Y01, 它与 4 个症状变量排便无力便干便难面色萎黄小便清长直接相连 Y01 把病例分为两类, 第一类 s0 占 83%, 第 2 类 s1 占 17%. 在 s0 这类中, 排便困难便干便难面色萎黄出现的概率低, 而在 s1 这类中, 它们出现的概率高, 因此经常会同时出现所以, Y01=s1 这个类揭示了排便困难便干便难面色萎黄和小便清长这 4 个症状的概率同步出现规律这就是其统计学意义注意, 这里说的是概率同现, 表明这 4 个症状有同时出现的倾向, 但不是 100% 同步, 与前面的彩灯例子有所不同另外, 在表中, 症状是按与 Y01 互信息的大小排序的排在最前面的是排便无力, 它在两个类中出现的概率差别最大, 因此对判断患者属于 s0 这个类还是 s1 这个类的最大 ; 便干便难次之, 等等 27

28 Y06 与苔厚苔腻直接相连, 它把病例分为两类, 第一类 s0 占 79%, 第 2 类 s1 占 21%. 在 s1 这类中, 两个症状出现的概率都高, 因此经常会同时出现所以, Y06=s1 这个类揭示了苔厚苔腻这 2 个症状的概率同步出现规律 28

29 Y12 与脉细脉滑直接相连, 它把病例分为两类, 在第 1 类中, 脉滑出现的概率高, 脉细完全不出现 ; 在第二类中, 脉滑出现的概率低, 而脉细出现的概率确高了所以,Y12 揭示的是示脉滑与脉细的概率互斥规律 29

30 Y25 与面红失眠多梦 3 个症状变量直接相连面红在 Y25=s0 中出现的概率低于高于 Y25=s1 失眠多梦则反之因此,Y25 揭示 { 面红 } 与 { 失眠多梦 } 的概率互斥现象同时,Y25=s1 揭示失眠多梦的概率同现规律 30

31 相信通过前面的几个例子, 大家对隐树分析法能揭示什么样的规律已经有一定的了解下面谈谈怎样利用这些规律来帮助解决变量选择问题, 即把症状分成几组, 使得每组症状对应一个证型为此, 需要把握症状同现规律的中医学意义换句话说, 需要对这些规律进行诠释 31

32 模型诠释就是要把握症状出现统计规律的中医学意义以 Y06=s1 这个隐类为例, 它揭示的是苔厚苔腻这 2 个症状的概率同现规律为了把握这一规律的中医学意义, 我们问 : 什么证型 / 证素, 或它们的组合会造成 2 症状的同时出现? 根据中医学理论, 或者说领域知识, 答案是痰湿痰湿可以引起苔厚苔腻的同时出注意, 在诠释诠释苔厚苔腻的同现时, 问题是它们同时出现的原因是什么, 而不是基于这两个症状的出现, 判断患者属于哪个证候类型这是两个完全不同问题 32

33 下面看一个比较复杂的例子,Y01=s1 这个隐类, 它揭示的是排便无力便干便难面色萎黄小便清长这 4 个症状的概率同现规律为了把握这一规律的中医学意义, 首先需要明白, 一组症状的同现可能是因为它们由单一个原因引起, 也可能因为它们由不同的原因引起, 而这些原因同时存在在这个例子中, 没有单一个证型可以可以解释所有 4 个症状. 气虚, 可以解释前 2 个症状的同时出现 ; 阳虚, 可解释小便清长的出现 ; 血虚, 可解释便干便难面色萎黄的同时出现 ; 火热阴虚气滞都可以解释便干便难的出现于是, 所有这些证型的组合就是上述规律的中医学意义由于气虚解释的最前面两个症状, 而这两个症状对判断一个患者是否属于 Y01=s1 最为重要, 所以称它为主要证素, 而其它的称为次要证素 33

34 Y12 揭示的是示脉滑与脉细的概率互斥规律在这种情况下, 需要对互斥双方分别进行诠释 Y12=s0 代表的是脉滑的出现, 其诠释为痰湿 ; 而 Y12=s1 代表的是脉细的出现, 其诠释为气虚或血虚 34

35 Y25 揭示 Y25=s0 { 面红 } 与 Y25=s1{ 失眠多梦 } 的概率互斥现象, 两者分别诠释 Y25=s1 揭示失眠多梦的概率同现根据中医理论, 有多个症状可以导致失眠和多梦的出现, 包括阴虚火血虚气虚痰湿而 Y25=s0 代表的是面红的出现, 其诠释为火热或阴虚 35

36 前面提到两组概率同现规律 : 排便无力便干便难面色萎黄小便清长以及苔厚苔腻除此之外, 隐树分析还揭示了许多其它概率同现规律比方, 唇色淡白, 头昏痛, 面色晄白, 舌绛, 舌瘦, 大便初硬后溏, 偏身汗出这个规律的主要诠释是血虚, 它能解释第 1,2,3,5,7 症状的出现 ; 次要诠释包括气虚, 它能解释第症状等等又比如, 胸闷心悸的同现, 其主要诠释是气虚或阳虚次要诠释包括气滞血虚血郁和隐虚等等 36

37 互斥规律方面, 除了前面提到的脉滑与脉细的以及失眠多梦与面红外的互斥, 苔白与苔黄的互斥 ; 渴不喜饮水与渴喜热饮的互斥等等 37

38 有了上面两个表, 变量选择问题就好解决了以气虚为例, 所需要做的只是在表中取出气虚相关的症状和症状组合即可比如, 我们发现气虚与 Y01 下的排便无力, 便干便难相关 ; 与 Y03 下的头昏痛, 面色晄白大便初硬后溏 ; 与 Y04 下的自汗有关 ; 还与 Y09 下的脉迟缓,Y12 下的脉细有关 ; 等等这样就得到下面一组症状接下来需要基于专业知识判断这些症状是否包含足够信息, 来刻画气虚若是, 则可以进行下一步, 基于这些症状对患者进行聚类分析, 把它们划分为几个类, 并找出与气虚对应的类 38

39 以同样的方式, 我们得到分别与阳虚阴虚血虚 39

40 血瘀气滞火热以及痰湿相对应的症状组合能不能可跳过第 1 步的隐树分析, 而对单个症状进行一一诠释呢? 原则上应该可以, 但难度可能大一些当然, 第 1 步的隐树分析除了能协助变量选择以外, 更重要的是在对患者进行聚类分析是, 放宽不切实际的局部独立假设 40

41 具体地说, 第 1 步隐树分析所发现的规律可以用来构造适当的三层隐树模型, 从而恰当地放宽局部独立假设, 减少患者聚类时的偏差 41

42 以气虚为例, 根据前面的分析, 要得到与气虚相对应的患者类, 应该基于这里显示的 27 个变量对患者进行聚类分析但是, 在第一步分析得到的在整体模型中, 排便无力便干便难同聚于隐变量 Y01 之下, 表示它们常常同现, 即反映气虚, 也放映排便情况, 即反映气虚对排便的影响直观上, 通过 Y01 把它们与 Z1 相连, 而不是直接与 Z1 相连更为合理同样, 在整体模型中, 脉迟脉缓同聚于隐变量 Y09 之下, 表示它们常常同现, 即反映气虚, 也放映脉象, 即反映气虚对脉象的影响直观上, 通过 Y09 把它们与 Z1 相连, 而不是直接与 Z1 相连更为合理还有, 在整体模型中, 失眠多梦同聚于隐变量 Y25 之下, 表示它们常常同现, 即反映气虚, 也放映睡眠情况, 即反映气虚对睡眠的影响直观上, 通过 Y 把它们与 Z1 相连, 而不是直接与 Z1 相连更为合理等等这样, 基于第一步的分析, 我们得到这个隐树模型直观上, 它比前面的隐类模型更为合理就客观指标而言, 它的 BIC 分是 10022, 明显高于前面隐类模型的 BIC 分, ( 这是一个重点, 考虑停顿和强调 ) 由于在进行患者聚类时, 我们考虑了气虚在各方面的影响, 比方在排便, 脉象, 和睡眠方面的影响, 所以, 这一步也称综合聚类 42

43 在整体模型中, 气短与善太息等症状聚在 Y27 下面, 反映它们关联密切. 但在气虚综合聚类模型只用气短, 不包括善太息等症状. 因此需要考虑气短与其它变量的关联关系孔明灯自动把它与 Y26 下的心悸胸闷重新组合这在直观上是合理的, 因为根据临床经验, 心悸胸闷气短常常一起出现孔明灯也考虑了其它类似的组合, 但由于不能提高 BIC 分, 所以不使用 43

44 综合聚类的结果, 把患者划分为 3 个类我们根据信息曲线, 选择与划分关系最密切的变量来刻画 3 个类的区别 44

45 我么看到, 第一个个类占 56%, 第 2 个类占 38%, 第 3 个类占 5% 在第一类中, 所以症状出现的概率都不高, 于是认为这类患者无气虚, 而 Z1=s1 和 s2 这两类患者有气虚就是 s1 与 s2 的区别而言, 乏力气短胸闷心悸在 s1 中出现的概率相队为高, 偏心气虚 ; 而腰膝酸软肢倦身重小便失禁自汗失眠多梦出现的概率相对为高 ; 偏肾气虚这两个类的区别对本研究不重要, 于是将二者合而为一 45

46 把 s1 与 s2 和并后, 就得到一个与气虚对应的患者类, 其统计特征可以用来定量刻画气虚这样就得到辨证分型结论 : 在血管源性轻度认知障碍患者中有气虚证候, 占 44% 有气虚时出现概率高的症状包括 : 腰膝酸软乏力肢倦身重气短胸闷心悸等等具体概率值如表所示这就是我们得到的对气虚的定量刻画一方面, 我们确定类气虚在 VMCI 患者在的发病率, 即 44%; 另一方面, 我们还确定了在有气虚的特点, 即各症状出现的概率基于这些定量信息, 还可以建立起气虚辨证规则 46

47 这是一个打分形式的规则, 每个症状有个分值, 比方腰膝酸软是 3.2 分乏力也是 2.7 分, 肢倦身重是 2.7 分, 气短是 2.7 分, 等等对于一个特定的患者, 如果他的总分超过阈值 13, 则判断他属于 z1=s1 这一类, 即有气虚 ; 否则, 判断他为无气虚辨证规则的准确度是 0.96, 这是相对模型辨证而言所谓模型辨证就是用综合聚类模型直接进行辨证, 它需要进行概率运算, 难于在实际中应用, 所以我们以打分形式的规则来近似它 47

48 48

49 这样, 就基本达到我们最初的目标 : 从流调数据出发, 基于症状分布特点对患者进行聚类分析, 把患者分为若干子类 ; 然后确定这些患者子类对应的证型, 并且利用子类的统计特性对证型进行定量化并且建立辨证规则这样得到的辨证分型结果得到临床数据的支持, 有一定的科学性 49

50 下面看看关于其它证型的辨证分型结果相关中医理论如下 : 血虚 : 按照中医理论, 血虚证的辨证要点是面唇淡白或萎黄, 头晕, 心悸失眠, 脉细这些在辨证规则中均有体现而视物模糊双目干涩心悸分值最高, 说明这 3 个症状对于判断是否属于血虚证具有最大的诊断意义本研究人群年老体衰, 肾精亏虚, 而肝肾同源, 精血互生, 肾精衰则精不化血, 肝血不足, 肝血不能上荣于目, 目失所养, 故视物模糊双目干涩因此, 本研究人群血虚证的病位在心肝, 其中以肝为主阳虚 : 按照中医理论, 阳气虚弱而虚寒内生由于阳气虚弱, 无力温运化气与固摄, 所以有畏寒肢冷, 大便溏等虚寒证的症状, 这些症状在辨证规则中均有体现而睑下青黑腰膝酸软肢倦身重畏寒肢冷完谷不化分值最高, 说明这 5 个症状对于判断是否属于阳虚证具有最大的诊断意义肾阳虚衰, 不能温养筋骨腰膝, 故腰膝酸软甚至冷痛 ; 肾阳虚, 阴寒内盛, 则本脏之色外现而面色晦暗睑下青黑脾阳虚衰, 生化不足, 肢体失养, 故肢倦身重 ; 水谷不化, 下注大肠, 则完古不化因此, 本研究人群血虚证的病位在肾脾, 其中以肾为主火热 : 火热证一般多见口渴便结等其中便结, 即便干便难, 以及口渴, 即渴喜冷饮, 在本辨证规则中均有体现, 且分值较高, 这是因为火热灼伤津液, 故渴喜冷饮, 津液不足而致肠道燥化太过, 故便干便难而口舌生疮手足震颤口臭渴喜冷饮吞酸嘈杂具有最大的诊断意义从结果看出, 本研究人群以心肝胃的火热症状较为突出, 心开窍于舌, 胃经穿过牙龈, 火热循经上炎, 则口舌生疮 ; 胃热腐败血肉, 浊气上逆, 故口臭 ; 胃火致胃气上逆, 故吞酸嘈杂 ; 本研究人群多肝肾阴亏, 阴不制阳, 肝阳上亢化风, 故手足震颤 50

51 血瘀 : 血瘀证的辨证要点是局部刺痛拒按及面唇舌的色泽改变面唇舌的色泽改变在辨证规则中均有体现, 且口唇紫暗面色晦暗睑下青黑三者分数最高, 具有最大诊断意义, 此为瘀血内阻的结果瘀血阻于脉道, 迫使后来之血旁流而渗溢脉外, 故见舌有瘀斑经络之血瘀滞日久, 其所分布区域的肌肤失养, 故麻木肌肤甲错气滞 : 气滞是气机不畅乃至停滞不行, 中医理论以胀满痞闷胀痛太息为辨证要点这在辨证规则中均有体现, 胸闷气短胸胁胀痛善太息具有最大诊断意义, 气滞于上焦, 见胸闷气短善太息 ; 气滞于中焦, 见胸胁胀痛腹胀, 便干便难 51

52 阴虚 : 阴虚为阴液不足, 脏腑组织失去濡养, 同时阴虚不能制阳, 而致阳热相对偏亢, 故主要表现为两方面的症状此两方面的症状在辨证规则中均有体现辨证规则中最大诊断意义的症状为 : 腰膝酸软睑下青黑视物模糊双目干涩耳鸣如蝉此 4 个症状均由肝肾阴虚所致, 体现了本研究人群年老体衰, 多肝肾阴虚的特点 ( 肝肾同源, 两脏阴液常同亏 ) 肾阴不足, 腰骨耳窍失养, 故腰膝酸软耳鸣如蝉, 本脏之色显露, 故睑下青黑面色晦暗 ; 肝阴不足, 目睛失养, 故视物模糊双目干涩对于 s2, 是一类阴虚有明显阳热偏亢的人群, 中医理论认为这类人群有舌红少苔少津, 脉细数的典型特征这在辨证规则中均有体现, 考虑火热证的影响, 舌红的分值不高, 考虑气虚血虚证的影响, 脉细分值也不高, 但舌绛脉数舌燥少津均有较高的分值, 与中医理论认识相符另外, 潮热盗汗五心烦热口臭自汗分值最高, 也是因为这 4 个症状俱为阳热相对偏亢之征, 对区别阴虚内热和单纯阴虚人群具有重要的诊断意义 52

53 怎样在无金标准情况下将患者群划分成有临床意义的子类是中医和西医共同面对的一个重要问题在西医研究中, 隐类分析已经被广泛用于解决这个问题隐类分析在局部独立的假设下, 将患者群划分为相互排斥的子类, 不同子类的特点用同一组症状的概率分布来刻画然而, 中医证候不是相互排斥的, 而且不同证候对应不同的症状, 因此不能直接使用隐类分析基于这个原因, 我们提出隐树分析法, 也称隐结构法这个方法通过揭示和使用数据中蕴含的症状同现和互斥规律, 来放宽局部独立假设, 从多角度对患者群进行划分, 获得与证型对应的患者子类, 并且使用这些患者子类的统计特性来定量化证型, 建立辨证规则我们开发了孔明灯软件来支持隐树分析法的全过程 53

54 54

55 55

56 56

Microsoft PowerPoint - 2016-06-16-tcm-talk

Microsoft PowerPoint - 2016-06-16-tcm-talk 大家好! 我是香港科技大学计算机系的张连文今天报告的题目是 : 通过隐树分析确定血管源性轻度认知障碍的辨证分型这是一项与北京东方医院 : 傅晨陈宝鑫张允岭等共同完成的研究项目 1 大家知道, 痴呆是一种常见的老年慢病, 血