基于遗传算法的药物疗效评价模型研究

摘 要：高血压是引起冠心病、中风、心力衰竭等疾病的重要风险因素，并已成为影响人类健康的重要疾病，对患者进行药物治疗是控制血压的常见手段。本文通过对高血压患者的服药情况及血压值进行分析，建立两者之间的（β，beta）分布评价模型，利用遗传算法对该模型进行优化。通过与线性拟合相比较，表明该模型能很好地预见患者的血压情况。

关键词：高血压；β分布；遗传算法；交叉验证

中图分类号：TP18 文献标识码：A

1 引言（Introduction）

心腦血管疾病是全球威胁人类健康的重大疾病，其发病和死因一半以上与高血压有关，同时居民脑卒中和冠心病发病最重要的危险因素也是高血压，所以控制高血压是防治心脑血管病、脑卒中和冠心病的关键。《中国高血压防治指南》指出，患者有效地控制血压可以减少心脑血管及其他并发症的发生，从而提高生存质量。医学研究表明：对高血压进行早期预防和早期稳定的治疗及健康的生活方式，可使75%的高血压及并发症得到预防和控制。Wilbert S.Aronow[1]对治疗老年人高血压情况进行研究，发现抗高血压药物治疗能有效降低心血管、脑卒中死亡率；Huan M.Nguyen、Karlene Ma[4]等人在研究治疗成人严重高血压中发现，氯维地平能有效控制术期的血压，且副作用很小。目前高血压病人的知晓率、控制率和治疗率一直处于较低的水平，本文从提高高血压患者的控制率方面，构建高血压药物疗效评价模型，发现持续用药与血压的关系，为医生开药、病人持续用药提供指导，增强病人的可持续用药程度，从而提高患者的控制率和治疗率，提高患者的生活水平。

2 高血压水平定义（Definition of hypertension）

对高血压的定义，国内外的标准稍有不同，本文的研究采用文献[3]中对高血压水平的定义，即在不使用降压药物的情况下，非同日3次测量，收缩压SBP≥140mmHg和（或）舒张压DBP≥90mmHg；患者有既往高血压史，而目前正在使用降压药物的，即使当前的血压值低于140/90mmHg，也判定为患有高血压。如果收缩压SBP≥140mmHg，舒张压DBP<90mmHg可以判定为单纯的收缩期高血压。收缩压升高比舒张压升高给人带来的影响更大，因此本文主要是研究收缩压与用药时间的关系，其值与相应关系的描述如表1所示。

5 基于遗传算法的参数优化设计（Parameter

optimization design based on genetic algorithm）

5.1 遗传算法

对于复杂问题或缺乏先验知识的问题，传统的基于专家经验的建模方法难以实现，而遗传算法具有很强的全局搜索能力，因此，本文提出了将遗传算法用于模糊建模。遗传算法有其强大的全局搜索能力，能够同时处理群体中的多个个体，也即对搜索空间中的多个解进行评估，减少了陷入局部最优解的风险，遗传算法利用进化过程获得的信息自行组织搜索时，适应度大的个体具有较高的生存概率，并获得更适应环境的基因结构。本文主要通过遗传算法对上述模型进行参数优化，找出问题的最优解，确定最佳模型。

5.2 参数评估

本文所提出的参数优化算法的思想是将模型参数作为优化对象，通过遗传算法迭代并使用适应值评价函数对求解性能进行评价，通过交叉、变异不断进行解的优化。

评价最终模型的标准，通常根据预测数据与原始数据之间的误差来判断。均方根误差又叫标准误差，它是观测值与真值偏差的平方和观测次数n比值的平方根。在实验中，观测次数n总是有限的，真值只能用最佳值来代替，标准误差对一组观测中的特大或特小误差反应非常敏感，所以，标准误差能很好地反映出测量的准确度。因此，本实验选择则标准误差最为评估标准，其计算公式如式（7）所示：

（7）

6 实验结果与分析（Experimental results and

analysis）

为验证本文提出的参数优化算法的有效性，在MATLAB7.0平台下进行算法实现，利用遗传算法求解该问题的最优参数，通过交叉验证比较在不同参数下遗传算法的性能，并与在线性拟合条件下对参数的求解性能进行比较。

6.1 参数优化算法仿真

在对本文提出的参数优化算法的仿真过程中，参数a1、b1、a2、b2、a3、b3为优化的对象，其参数初始种群范围如表2所示。算法的最大迭代次数，设为100。

根据山西省某医院提供的高血压数据，经过数据清洗、整理得到部分的数据用于本实验。将数据分成10组，采用交叉验证的方法，经过反复的训练、测试。对得到不同参数下的模型，计算其均方误差，从而确定最终的评价模型。参数优化过程中，部分组所得到的平均误差及准确率如表3所示。

表3列出了不同的模型对应的平均误差值，通过比较我们发现第9组所确定的模型所得到的误差值最小，准确度最高；同样将数据进行线性拟合，其平均误差为5.7447，准确率为77.9%。因此我们将第9组对应的模型作为我们的最佳评价模型，相应的模型图2所示。

6.2 结果分析说明

由图2的描述可以看出，总体来讲，患者用药一段时间后能够显著降低血压水平，但对于中度高血压患者来说，可能由于初期药物的不合理性或者患者体质的影响等因素，会导致血压的暂时升高，这部分患者在药物选择过程中还有待进一步研究。对于大部分高血压患者来说，如果坚持服药，能使血压维持在较低的水平，从而为高血压患者坚持用药提供了理论依据。

7 结论（Conclusion）

通过对持续吃药时间和血压值的研究，建立二者之间的评价模型。本文的研究工作从一定程度上能够增强病人的可持续用药程度，从而提高高血压疾病的治疗效果，提升患者及其家人的幸福感。可以考虑将本文的研究方法用于其他疾病的研究。

参考文献（References）

[1] Wilbert S.Aronow.Treating hypertension and prehypertension in older people：When，whom and how[J].Maturitas，2015，80（1）：31-36.

[2] Thusitha Mabotuwana，Jim Warren.ChronoMedIt——A computational quality audit framework for better management of patients with chronic conditions[J]. Journal of Biomedical Informatics，2010，43（1）：144-158.

[3] 刘力生，王文，姚崇华.中国高血压防治指南（2010年基层版）[J].中华高血压杂志，2011，18（1）：11-18.

[4] Huan M.Nguyen，et al.Clevidipine for the Treatment of Severe Hyper-tension in Adults[J].Clinical Therape-utics，2010，32（1）：11-23.

[5] Tak-chung Fu.A review on time series data mining[J].Engineering Applications of Artificial Intelligence，2011，

24（1）：164-181.

[6] Michel Burnier，et al.Measuring，Analyzing，and Managing Drug Adherence in Resistant Hypertension[J].Hypertension，

2013，62：218-225.

[7] M.Akhil jabbar，B.L Deekshatulua，Priti Chandra.Classification of Heart Disease Using K-Nearest Neighbor and Genetic Algorithm[J].Procedia Technology，2013，10：85-94.

作者簡介：

曹小凤（1989-），女，硕士，助教.研究领域：人工智能，数据挖掘.