论文结构

本文开发出预测模型，根据患者给定的西医检验项目，找出检验项目之间的相关性，通过预测模型，得出他的西医诊断。根据患者多次的观测值，通过预测模型，得出这段时间疾病的病情转向，给出恶化或好转的概率。

论文组织结构如下：

第一章绪论。阐述了本研究的项目背景，以及简单说明了本研究的研究流程和研究内容。

第二章相关技术基础。先介绍了乙肝、肝硬化、肝癌的医学知识，大致介绍了数据挖掘的技术，后面详细介绍了本文采用的主要数据挖掘算法。

第三章数据采集和数据预处理。首先介绍了病例的来源，重点介绍了本文数据预处理的具体方法，最后对定性数据进行了编码，对利用的病例进行基本情况及其分布的描述。

第四章数据降维。用三组数据采用logistic回归、probit回归、决策树、adaboost和bagging、随即森林分别进行降维，最后对降维后的变量进行综合分析，并进行了变量的相关性分析。

第五章诊断模型的建立。先介绍了用R语言代码表示的10折交叉验证下标集和测试集的形成，再利用各自降维后的变量和综合变量用logistic回归、probit回归、决策树、adaboost和bagging、随即森林、SVM、k近邻进行分别建模，并对建立的模型和对应的算法进行了评估。

第六章总结和展望。总结了基于数据挖掘技术的诊断模型建立的医学意义、诊断的重要的检验指标、建立模型的好坏和对肝癌有重要诊断作用的两个检验指标。对提高模型诊断的预测概率和采用新的方法进行建模提供了一些方法，有待进一步研究。

此篇论文运用多种模型对慢性乙型肝炎、慢性乙型肝硬化、慢性乙型肝癌建立了诊断模型，分别采用了肝病科非乙肝患者、非肝病科胃炎患者做对照组，并进行预测，具体结论如下：

建立慢性乙型肝炎、肝硬化、肝癌诊断和预测模型，对临床医生和基层卫生站的卫生工作提供了帮助，同时为预防和及时治疗慢性乙型肝炎、肝硬化、肝癌，防止病情恶化，促进病情好转提供了帮助，只是模型对肝癌的预测效果不佳；

先利用各种降维方法对检验指标进行筛选，然后再建立logistic回归和probit回归模型，大大的降低了模型的复杂程度，但是模型预测效果并不减小。同时为建立的模型提供了简单明了的变量输入，结果直观；

本文的研究对象是慢性乙型肝炎、肝硬化、肝癌的患者，研究资料包括中西医基本诊断、患者的一般病史、各种体征资料、检验检查资料。在经过一系列的数据预处理操作，建立了疾病诊断和预测模型，入院诊断时，医生了解患者基本信息，即可借助模型进行诊断，在患者住院的过程中，可以将不同时间相应的信息输入模型，用来预测患者病情的发展趋势，目的是更好的帮助医生指明疾病的发展方向。

经过研究模型的对比，发现甲胎蛋白、胆碱酯酶对肝癌的诊断极其重要，缺失这两个数据使得对肝癌诊断误差率极高。