数据挖掘方法在中医医案研究中的应用

王康 尹玉洁 李雅文 秘红英 李红蓉 贾振华

摘要 中医医案作为中医诊疗经验及学术观点的载体，历来是中医传承研究的重中之重。传统的“个人领悟式”方法在分析医案时难以避免存在片面性和主观性。因此，寻找一种可以全面、客观地反映医案中隐藏信息的医案研究方法就显得尤为重要。近些年随着信息技术的飞速发展，数据挖掘技术在医案研究中的应用也日益深入。现通过对目前医案研究领域常用的数据挖掘方法、软件及平台的应用现状进行梳理，并对每种方法在医案研究中的适用领域进行简要评述，以期为医案研究者选择合适的研究方法提供参考，为传承医案中蕴含的诊疗经验及发展中医药事业提供新思路。

关键词 中医医案;中医诊疗经验;数据挖掘;统计学方法

Abstract As the carrier of experience of traditional Chinese medicine（TCM） diagnosis and treatment and academic viewpoints，medical records of TCM have always been the most priority in TCM inheritance and research.The traditional comprehension-based analysis method is hard to avoid partial face and subjectivity in the analysis of medical records.Therefore，it is important to find a method of medical records research that can comprehensively and objectively reflect the hidden information in medical records.With the rapid development of information technology in recent years，the application of data mining technology in medical records research is increasingly in-depth.The author analyzes the application status of data mining methods，software and platform commonly used in the field of medical records research，briefly reviews the application of each method in medical records research，in order to provide a reference for medical records researchers to choose the appropriate methods，and provide methods to inherit the experience of diagnosis and treatment hidden in medical records of TCM and provide ideas to develop TCM.

Keywords Medical records of traditional Chinese medicine; Experience of traditional Chinese medicine diagnosis and treatment; Data mining; Statistical method

中圖分类号：R242;R249文献标识码：Adoi：10.3969/j.issn.1673-7202.2021.11.003

中医医案，又称病案、诊籍、方案、脉案等，是记录中医医家临床辨证、立法、处方用药的第一手资料[1]。医案作为中医理、法、方、药信息的综合载体，蕴含着医者的诊疗经验和学术观点，是中医传承与发展的基石[2]。医案发展源流大致可概括为“萌芽于先秦，发展于宋元，繁盛于明清”。现存最早的正式医案是西汉《史记》所记载的淳于意的二十五“诊籍”，经后世不断完善，医案形式渐臻成熟，至宋代形成了我国第一部医案专著——许叔微的《伤寒九十论》[3]。长期以来对医案的解读和学习一直是中医传承与发展的重要手段，故著名中医学家秦伯未曾在《清代名医医案精华》序言中提及“合病理、治病于一，而融会贯通，卓然成一家言，为后世法者，厥惟医案”[4]。由此可见医案研究对临床实践及学术研究均具有重大意义。

然而在中医发展的长河中，由于历史时代不同或医家习惯各异，医案的术语形式多样，难以规范统一[5]，加之医案留存失当，资料信息的损毁遗失[6]，导致传统“个人领悟式”方法在分析医案时难以避免存在片面性和主观性，不能保证对医案全部信息进行综合考量。而随着大数据时代的到来，起源于商业信息处理的一类深层次数据分析技术——“数据挖掘”逐渐被应用到中医研究领域，其具有多样化、海量、快速、数据价值密度低等特点，为中医医案研究提供了新思路和新手段[6]，运用统计分析、数据库、信息检索、机器学习等方法，可以从海量医案数据中凝练潜在诊疗经验规律。目前运用数据挖掘方法研究医案中蕴含的诊疗经验已成为中医传承研究领域的新热点。我们在参考大量医案研究文献的基础上，对医案研究领域中的常用数据挖掘方法、软件及平台应用现状进行介绍，并对每种方法在中医医案研究中的适用领域进行简要评述。

1 医案研究中常用数据挖掘方法

近年来，运用于医案研究的数据挖掘方法种类日益增加，可大致分为频数分析方法、监督学习方法、无监督学习方法以及其他分析方法等类别。

1.1 频数分析法

频数分析法（Frequency Analysis）是医案研究中应用最普遍的数据挖掘方法，通过计数各个组内所含个体的数目，观察组中标志值对于总体水平所起作用的大小[7]。该方法虽然形式简单，但在各疾病“证-症-药”分布规律研究中具有重要价值，常与其他数据挖掘方法联合运用，为后期较为复杂的分析方法提供数据分布情况依据。韩析霖等[8]研究了孟河医派费、马、丁、巢四家治疗咳嗽的医案中的高频药物，使用频次大于30%的药物包含：杏仁、茯苓、陈皮、瓜蒌皮、半夏和甘草。其中温性药及甘味药在高频次药物中占比最高，归肺经、大肠经和脾胃经的药物在高频药物中占比最高，从药物使用频次的角度总结了孟河医派名医治疗咳嗽的用药规律和性味归经偏好。

1.2 无监督学习方法

无监督学习在设计分类器时不预设目标，让计算机自己学习如何去做，可以用于分析数据间关联和聚类情况[5]。现将医案研究中常用的无监督学习方法列举如下。

1.2.1 关联规则

关联规则（Association Rule）是从数据库海量信息中发现项集之间有义关联的数据挖掘方法[9-10]。其原理是利用迭代方法，从目标数据库中提取支持度和置信度不小于给定阈值的强关联信息。关联规则是医案研究领域应用最重要的数据挖掘方法之一，广泛应用于处方配伍规律挖掘及症-证-药关联规律挖掘方面。其中最具代表性的是Apriori算法。信楠等对《临证指南医案》中脾胃病相关医案进行系统整理，运用Apriori算法对医案中包含的证型与药物的相关性进行研究，从而归纳总结《临证指南医案》中脾胃病证治规律，为促进中医证治理论传承、发展与创新提供有力的依据[11]。又如陈擎文[12]通过整理中医古籍中风相关医案，并运用Apriori算法挖掘了古代中风病相关药物的关联情况，归纳常用药对及角药，并总结出古代中风病的证治规律，结果具有较强的临床应用性。

1.2.2 聚类分析

聚类分析（Cluster Analysis）是根据各元素间的相似性将研究对象中相似或相近的对象加以归类分组的统计分析技术，“组内相似度最大”和“组间相似度最小”为其根本原则。常用于分析医案中疾病常见证型及组方规律等信息，在证型归纳及提取核心组方方面独具优势。范李阳和高山[13]通过对130篇病毒性心肌炎相关文献中包含的医案进行整理，共得到205首方剂，涉及中药18类，共139味，对其中应用频次最高的33味药物进行聚类分析，得到3个聚类方，分别适用于治疗气阴两虚、热毒侵心、气滞血瘀证型的病毒性心肌炎。宋宁等[14]采集80例难治性胃食管反流病医案中的四诊信息，应用聚类分析方法归纳出难治性胃食管反流病医案中医辨证分型，结果与临床研究相一致，可用于指导临床实践。聚类分析最大程度避免了分类过程中主观因素掺杂，保证了所得医案信息规律的真实性及客观性。

1.2.3 因子分析

因子分析（Factor Analysis）是从变量群中提取代表性因子的技术手段[15]。目前常用于医案证候学研究，特别是对医案中蕴含的证素信息的提取。许前磊等[16]对1 632例艾滋病患者证候信息研究中，运用因子分析方法对患者最常见的45个症状体征进行分析，共得到15个公因子，并赋予其中医证候含义，最终总结出艾滋病常见证候规律，为艾滋病的临床辨证提供指导。韦葭蔚等[17]提取了312例冠心病慢性心力衰竭患者的证候要素，通过因子分析得出14个公因子，归纳出冠心病慢性心力衰竭中医证型分类，为冠心病慢性心力衰竭中医证素研究提供了研究思路。

1.2.4 主成分分析

主成分分析（Principal Component Analysis）是在最少损失原有信息的前提下，通过线性变换将原数据分成多个彼此不相关的主成分的降维技术[18]。目前多用于医案症状及证型研究。主成分分析能从医案中众多症状中提取主要症状，并排除无关症状，使中医辨证得以简化。李毅等[19]收集232例溃疡性结肠炎患者的病案信息，运用聚类分析归纳出溃疡性结肠炎证候群，并运用主成分分析对各证候群的症状进行综合分析，最终获得溃疡性结肠炎常见证候的主要症状指标，主成分分析结果基本符合临床实际。

1.3 监督学习方法

监督学习是通过从给定的训练样本调整分类器的参数，得出最优模型，当输入新数据时，模型将给出相应的输出，通过对输出结果的判断实现对未知数据的分类[5]。现将医案研究领域常用的监督学习方法列举如下。

1.3.1 Logistic回归分析

Logistic回归分析（Logistic Regression Analysis）是一种广义的线性回归分析模型，是定量研究因变量对自变量的依赖程度、分析变量之间关联性并预测、预报的基本方法[20]。在医案研究中常用来对“证-症”规律研究及用药规律等进行挖掘分析。王伟杰等[21]整理302例类风湿关节炎患者的病案信息，借助Logistic回归分析方法，归纳出类风湿关节炎主要证候与症状、舌脉之间的相关关系，為指导类风湿关节炎临床辨证提供科学依据。徐亮等[22]对125例名老中医治疗风湿性心脏病的医案进行整理，运用Logistic回归对35味高频中药进行分析，总结得出风湿性心脏病以“益气活血为主，兼以温阳、养阴、利水”的治法原则。

1.3.2 判别分析

判别分析（Discriminatory Analysis）是在分类确定的条件下，根据研究对象的特征值对其进行归类判别的多变量分析方法[23]。依据判别准则不同可分为贝叶斯、费歇、距离等判别方法，其中贝叶斯判别分析在医案研究中较为常用[24]，该方法在对医案中的症状体征等指标进行量化的基础上通过计算获得判别函数，并以其作为临床诊断的重要标准。张颖等[25]运用贝叶斯判别分析方法根据372例慢性再生障碍性贫血患者医案信息，建立慢性再生障碍性贫血辨证分型判别方程，并采用自身验证回代法对判别方程进行检验，总体正确率为88.17%，其结果显示判别分析在中医辨证领域具有独特优势，为人工智能在中医诊断领域的应用奠定了技术基础。

1.3.3 贝叶斯网络

贝叶斯网络（Bayesian Network）又称信度网络，是贝叶斯判别分析的扩展，是基于概率推理的数学模型，善于解决不定性和不完整性问题[26]，具有较高的重复性和客观性。因此在处理医案中复杂的不确定性和关联性问题时具有独特优势[24]。甘小金等[27]回顾整理150例王子瑜教授治疗子宫内膜异位症的门诊医案，运用贝叶斯网络方法对症状-证素信息做分类识别，结果显示贝叶斯网络算法对寒凝证、湿热证、气滞证、肝郁证、肾虚证的识别率分别为94.67%、90.67%、86%、82.67%、77.33%，说明贝叶斯网络算法在研究老中医医案中包含的学术思想方面具有较好的应用前景。

1.3.4 粗糙集理论

粗糙集理论（Rough Set Theory）是一种刻画不确定、不完备系统的数学工具，善于从宏观角度对医案中临证经验进行综合分析，多用于中医辨证及诊断研究[9]。孙继佳和王鲲[28]运用粗糙集理论对883例乙肝患者病案资料进行研究，构建中医证候决策信息表并结合关联规则得到各证型与中医临床指标的相关性，对乙肝临床治疗及学术研究均具有较高的参考价值。

1.3.5 决策树

决策树（Decision Tree）是一种逼近离散值函数的分类预测方法，通过构成决策树来求取净现值的期望值不小于零的概率，对项目进行风险评价及可行性判断[29-30]。决策树的判定过程就相当于从根结点到某一叶子结点，该过程与中医辨证思维过程的高度相似性，因此决策树算法常用于中医证候及诊断研究。别涛和阎兆君运用决策树分类算法对210例咳嗽变异性哮喘患儿的中医证候信息进行分析，得出了咳嗽变异性哮喘的中医证型规律[31]。曾雪元等[32]整理3 322例缺血性卒中患者医案信息，采用决策树算法构建缺血性卒中复发预测模型，使用混淆矩阵及受试者工作特征曲线（ROC）评价模型的效能。得到8个解释变量，模型精确度为81%，ROC下面的面积为0.865，显示出决策树模型在缺血性卒中复发预测方面具有宽广的发展空间。

1.3.6 人工神经网络

人工神经网络（Artificial Neural Networks）是一种人脑的抽象计算模型，通过彼此连结的神经元结构信息进行处理。神经元之间的连结经过加权处理，其权重由从数据中学习、总结出的使用函数决定[30，33]。医案中蕴含着大量非线性的复杂的诊疗信息，其自身复杂性决定了医案研究必须从复杂科学视角出发，用不同的方法进行多学科交叉研究，人工神经网络作为复杂科学研究领域应用最为广泛的研究方法之一，能够客观真实地反映研究对象内部的非线性关系，多用于舌象、脉象辨识，证候分类等复杂问题[34]。辛基梁[35]收集1 146例患者医案信息，通过人工神经网络分类算法进行训练建模，并测试该模型预测精度，结果显示模型四诊信息预测证素平均精度为0.79，结果显示人工神经网络分类算法在中医证候分类领域具有独特优势。

1.3.7 支持向量机

支持向量机（Support Vector Machine）是一种按监督学习方式进行的数据二元分类方法，适用于处理小样本、非线性资料和高维模式识别问题[36]，在医案研究中常用于诊断研究、证素研究、舌象脉象辨识等领域。王阶等[37]通过收集115例冠心病名医诊疗医案，采用支持向量机方法对医案中相关证候要素进行分类并求得各子项的权重值，结果显示名医普遍认为“虚实夹杂，本虚标实”是冠心病的病机特点，且在92.2%的患者中出现“血瘀”病机，说明血瘀在冠心病发病过程中起到重要作用。

1.4 其他分析方法

在医案研究领域还涉及深度学习、迁移学习等多种研究方法。深度学习是一种基于多层神经网络的机器学习方法，通常需要大量样本来训练模型参数，但实际中样本量往往较少，而迁移学习恰好可以通过将某一相关领域学习到的模式应用于当前领域来解决上述问题，2种方法常常联合用于解决图像和文本的分类及回归问题，尤其是在中医舌象提取识别研究中应用颇为广泛。刘梦等[38]通过收集500例齿痕舌和裂纹舌舌象图片，运用深度学习技术与迁移学习技术构建舌象识别模型，具有较高的准确率、精确率及召回率，研究结果显示基于深度学习和迁移学习构建的舌象识别模型，具备了高通量图片识别处理能力，能够较好地解决局部舌象识别问题。

2 医案研究中常用数据挖掘软件及平台

目前，医案数据挖掘领域中的常用软件主要包括3大类，即：统计软件（SPSS、Stata、SAS等）、编程软件（R语言、Python、Weka等）及中医数据挖掘平台（中医传承辅助平台2.5、中医传承计算平台3.0、古今医案云平台等）。不同软件具有各自的优势和不足，如SPSS、Stata等统计软件事先内置封装了多常用分析方法及模型，研究者只需通过界面简单操作即可实现数据分析，但恰恰因其分析方法已固定，无法对分析模型进行修改或自定义;R语言/Python则需要通过写代码的方式来运行分析，使用灵活但门槛较高。近些年具备“数据录入（导出）-管理-查询-分析-可视化展示”等功能为一体的多种中医数据挖掘平台被研发出来，其中应用最广泛的是由中国中医科学院中药研究所和中国科学院自动化所联合开发的中医传承辅助平台2.5，因其具备了中医数据挖掘的主流分析功能，且操作简单易学，受到广大研究者的青睐。以下从主要分析功能、操作难易程度、可视化效果及应用现状4个方面对上述软件进行简要比较。见表1。

3 总结

目前，应用于医案研究的数据挖掘方法纷繁，如何根据待分析的医案数据具体特点及研究目的选择适合的研究方法是在数据挖掘之前首要考虑的问题。不同医案研究其目的各异，其中用药规律挖掘和辨证规律挖掘是目前医案研究的热点[39-41]。用药规律挖掘主要從用药频次、治疗剂量、药对配伍等方面探究医家用药经验;辨证规律挖掘则是从证素研究、病机研究、症状规律，治法研究等方面挖掘医案中的临证诊疗思想[18]。在进行研究时数据之间的关联讨论是必不可少的，关联规则简单、易理解、数据要求低，可以从大量数据中快速准确地发现项集之间或内部的有义关联，在发现医案中症、证、药之间关联具有独特优势。除进行数据关联讨论以外，对拟分析数据库进行分类研究也十分必要。聚类分析是最常用的分类研究方法，可简洁直观地对医案数据进行症状组合、药物归类及证候规律挖掘;当面对分类已确定条件下处理研究对象分类问题，例如中医证型判别问题时，这时判别分析方法更为适合;在处理症状-证素分类识别问题时，贝叶斯网络较为常用，多用于中医诊断、证候和辨证等方面的分析研究;决策树分类算法在处理高维度数据分类问题时具有独特优势;支持向量机则更适合解决小样本、非线性资料的分类问题[42]。每种数据挖掘方法都有其自身的优势及缺陷，如频数统计仅能反映某种药物的使用频次，但不能反映其在处方中的贡献度，而聚类分析恰好可以解决上述问题[43]。多种数据挖掘方法优势互补、取长补短、相互交融、综合运用，所得结果才能更加契合临床实际[42]。

数据挖掘技术就像一把双刃剑，首先其为医案研究者提供了一条有效捷径，但其计算得出的结果中混杂有大量无义信息，这就要求研究者在处理数据挖掘结果时务必做到人机交互，反复校正，去粗取精、去伪存真，所得结果才能契合临床实际，真正体现医家学术思想[6]。此外目前常用的数据挖掘方法也存在其固有缺陷，在用药规律研究中，现有方法主要通过计算方剂中药物属性，利用数据挖掘算法分析方剂中的核心药物及药物配伍组合规律。然而，目前数据挖掘算法没有充分考虑药物特性和方剂功效之间的深层联系，导致所得用药规律与临床用药规律存在一定差异。因此需要在算法中进一步融合方剂药物的特性，以抽象出药物与方剂的深度关系;在方证关系研究中，多以疗效作为数据收集的指标，按照疗效采集获取高质量的诊疗数据，分析药物与疗效间的关系、症状与疗效间的关系，将药物和疾病症状联系到一起，然而当前方法仅仅建立了症状与药物间的联系，并未考虑症状中隐含的病理因素和药物的治疗特性之间的关系，因此在设计算法过程中，需要进一步融合病症特征与药物属性间的规律[44]。

除此之外，还要重视数据挖掘方法与生物信息学、网络药理学、分子生物学、多组学等其他相关学科联合运用，使“证-症-药”的医案经验研究模式与“药物单体-作用靶点-信号通路”的机制研究模式相结合，进一步从分子层面验证所得经验规律的准确性，同时为中医机制研究提供新思路。多种挖掘方法优势互补、相关学科联合运用，将为数据挖掘方法在医案研究领域的应用带来新的活力。

综上所述，数据挖掘技术对医案所蕴含的理论及学术思想的挖掘整理受到越来越多的关注。国学大师章太炎曾说：“中医之成绩，医案最著。”[43]医案是每位医者学术思想的精华所在，医案研究作为中医临床最基础的研究，是中医学理论体系架构的来源之一[18]。运用数据挖掘方法对中医医案进行分析，既可以节省对大容量样本的处理时间，又能使得出的结论更加客观、科学。随着越来越多人工智能算法和模型应用于医案研究，将为中医药事业的传承与发展提供一条新的思路。

参考文献

[1]李鑫颉，贾振华，吴以岭.数据挖掘方法在中医医案研究中的现状分析[J].中国中医基础医学杂志，2012，18（1）：4.

[2]何彦澄，肖永华，闫璞，等.中医医案分析方法评述[J].中医杂志，2018，59（13）：1106-1109.

[3]徐世杰，王国为.中医医案的特点及其价值[J].北京中医药大学学报：中医临床版，2013，20（5）：7-11.

[4]高新彦，廖成荣.《程原仲医案》简介及特色浅析[J].河北中医，2015，37（11）：1722-1723.

[5]申颖.基于医案的名老中医学术思想及临证经验传承方法探索[D].北京：北京中医药大学，2016.

[6]翟佳琪，郭洁，宋殿荣.数据挖掘方法在总结名老中医临证经验中的应用[J].名医，2020，11（4）：66，68.

[7]田琳，朱建贵，王映辉.基于数据挖掘的现代中医药治疗头痛自拟处方用药规律分析[J].中国中医药信息杂志，2012，19（11）：22-24.

[8]韩析霖，秦空，傅延龄.基于数据挖掘的孟河四家治疗咳嗽用药规律研究[J].环球中医药，2020，13（2）：224-228.

[9]刘兴方，韩学杰.数据挖掘技术在医案研究中的应用与讨论[J].中国实验方剂学杂志，2014，20（9）：247-250.

[10]卞雅莉.基于数据挖掘技术的中医医案研究方法探讨[J].光明中医，2011，26（7）：1340-1341.

[11]信楠.基于数据挖掘的《临证指南医案》脾胃病证治规律研究[D].广州：广州中医药大学，2017.

[12]陈擎文.数据挖掘技术在古代名中医中风医案之应用研究[J].中华中医药学刊，2008，26（10）：2254-2257.

[13]范李阳，高山.病毒性心肌炎的中医证候和方药规律分析[J].智慧健康，2018，4（24）：69-70.

[14]宋宁，唐丽明，袁红霞.基于聚类分析的难治性胃食管反流病中医证型分布规律研究[J].江苏中医药，2018，50（10）：58-61.

[15]宁桂兰.国医大师班秀文教授论治产后病学术经验整理研究[D].南宁：广西中医药大学，2018.

[16]许前磊，谢世平，陈建设，等.艾滋病基本中医证候因子分析[J].中医杂志，2014，55（19）：1672-1675.

[17]韦葭蔚，赵慧辉，黄幸，等.基于因子分析的慢性心力衰竭患者中医证候特点研究[J].辽宁中医杂志，2018，45（6）：1218-1221.

[18]仲芳，杨巍，赵翀，等.数据挖掘技术在中医医案的应用研究[J].中国中医药信息杂志，2020，27（2）：141-144.

[19]李毅，刘艳，刘力，等.溃疡性结肠炎中医症状学主成分分析[J].中医药导报，2016，22（7）：32-35.

[20]郭泽强.传染病预测方法的研究[J].职业与健康，2012，28（5）：610-612.

[21]王伟杰，唐晓颇，王新昌，等.基于临床辨证的类风湿关节炎常见中医证候Logistic回归分析[J].中华中医药杂志，2019，34（2）：807-810.

[22]徐亮，陈守强，侯建辉，等.名老中医治疗风湿性心脏病用药规律的Logistic回归分析[J].中西医结合心脑血管病杂志，2016，14（5）：515-517.

[23]张初兵，高康，杨贵军.判别分析与Logistic回归的模拟比较[J].统计与信息論坛，2010，25（1）：19-25.

[24]秘红英，李彩云，李红蓉，等.中医医案的分析方法[J].中国实验方剂学杂志，2017，23（13）：226-230.

[25]张颖，叶宝东，季聪华，等.基于Bayes判别分析法的慢性再生障碍性贫血中医证候诊断研究[J].临床血液学杂志，2017，30（5）：377-379.

[26]马豪.卫生管理决策支持系统的模型构建研究[D].北京：北京协和医学院，2015.

[27]甘小金，陈艳，马秀丽.基于贝叶斯网络的王子瑜教授治疗子宫内膜异位症的辨证规律研究[J].世界中西医结合杂志，2019，14（10）：1350-1352.

[28]孙继佳，王鲲.基于粗糙集技术的乙肝中医临床症候关联规则挖掘研究[J].数理医药学杂志，2017，30（10）：1423-1425.

[29]滕皓，赵国毅，韩保胜.改进决策树的研究[J].济南大学学报：自然科学版，2002，16（3）：231-233.

[30]常强，赵伟，赵仰杰.基于神经网络的数据分类预测与实现[J].软件，2018，39（12）：207-209.

[31]别涛，阎兆君.基于决策树方法探究咳嗽变异性哮喘的中医证型规律[J].湖北中医杂志，2019，41（1）：47-49.

[32]曾雪元，宫伟国，胡云峰，等.基于决策树算法构建缺血性卒中复发的预测模型[J].吉林中医药，2020，40（4）：437-440.

[33]赵铁牛，于春泉，王惠君，等.人工神经网络在中医证候学中的应用初探[J].中华中医药杂志，2014，29（3）：831-833.

[34]刘旺华，洪净，李花，等.人工神经网络在中医诊断信息化中的应用[J].湖南中医药大学学报，2017，37（7）：809-812.

[35]辛基梁.人工神经网络在中医临床辨证模型研究中的应用[D].福州：福建中医药大学，2017.

[36]王亚真，张新峰，胡广芹，等.基于支持向量机的中医舌图像质量评价研究[J].北京生物医学工程，2015，34（6）：551-557.

[37]王阶，吴荣，周雪忠.基于支持向量机的名老中医治疗冠心病证候要素研究[J].北京中医药大学学报，2008，31（8）：540-543.

[38]劉梦，王曦廷，周璐，等.基于深度学习与迁移学习的中医舌象提取识别研究[J].中医杂志，2019，60（10）：835-840.

[39]毛果，王钦玉，谢乐等.基于文献数据挖掘的新型冠状病毒肺炎中医证素规律研究[J].中医药临床杂志，2020，32（7）：1200-1204.

[40]黄威，饶艳玲，孙勤国，等.基于数据挖掘探讨340例新冠肺炎的中医用药规律[J].海南医学院学报，2020，26（12）：881-888，894.

[41]高婷，苗晋鑫，康乐，等.基于数据挖掘的中医药治疗间质性肺炎用药规律分析[J].中药药理与临床，2020，36（4）：8-11.

[42]郑舞，刘国萍.常见数据挖掘方法在中医诊断领域的应用概况[J].中国中医药信息杂志，2013，20（4）：103-107.

[43]肖碧跃，何清湖，孙贵香，等.国医大师孙光荣谈如何将经典理论与临床实际相结合[J].湖南中医药大学学报，2018，38（3）：235-237.

[44]陈志奎，宋鑫，高静，等.基于数据挖掘的中医诊疗研究进展[J].中华中医药学刊，2020，38（12）：1-9.

（2021-04-20收稿 责任编辑：徐颖）