中医证候量化研究的现状与思考

中医证候量化研究的现状与思考

中医学的基本特征之一是辩证。以往的辩证方法是对中医理论的指导下，对观察者、嗅觉、问题、轮廓进行分析和总结，并对具体综合征进行概括。这种辩证方法往往具有主观性和模糊性。由于中医学中证候的确定缺乏客观、定量的研究方法,以致许多诊治经验难以重复。因此,中医证的客观化和量化研究已作为中医临床评价中的共性技术之一,被国家中医药管理局提出,并列入国家科技部“十五”攻关项目中。近年来,随着临床流行病学、统计学、信息学、医学等多学科知识的交叉渗透,产生了许多中医证候现代研究方法。其中,因果模型就是一个在中医证候研究中应用较多的方法,解决了中医证候确定的客观化和量化问题。一、因果关系推定的应用因果模型是在变量中明确设置因变量和自变量的模型,其目的在于描述自变量的变化如何影响因变量的变化,它是研究因果关联推断的一种非常重要的研究工具。近年来,在统计学、流行病学和数据挖掘领域中,因果推断越来越受到重视,目前,有若干种因果推断的模型,如结构方程模型、因果图模型(又称为贝叶斯网络模型)、虚拟事实模型、概率因果模型、层次因果诊断模型等。因果模型目前主要应用于临床流行病学、教育、心理学、管理、故障诊断、顾客满意度测评等方面,其中结构方程模型和贝叶斯网络模型在中医证候研究中应用较多。1.结构方程模型结构方程模型(StructuralEquationModel,SEM)是一种建立、估计和检验因果关系模型的方法,它主要是通过引入潜在变量,来研究多个抽象变量之间的因果结构关系。结构方程模型包括测量模型(MeasurementModel)与结构模型(StructuralEquationModel)。测量模型也称为验证性因子分析模型,用于表示显变量(可以直接被测量的变量)和隐变量(无法直接测量的变量)之间的关系;结构模型又称为隐变量因果关系模型,用于显示隐变量之间相互影响的关系。结构方程模型的基本原理是假定一组隐变量之间存在因果关系,隐变量可以分别用一组显变量表示,是某几个显变量中的线性组合。通过验证显变量之间的协方差,可以估计出线性回归模型的系数,从而在统计上检验所假设的模型对所研究的过程是否合适,如果证实所假设的模型合适,就可以说假设隐变量之间的关系是合理的。结构方程模型的建立过程有四个主要步骤,即模型构建(modelspecification)、模型拟合(modelfitting)、模型评价(modelassessment)以及模型修正(modelmodification)。研究者业已开发出很多用于结构方程模型分析的统计软件,如LISREL,EQS,AMOS等,其中,专用统计软件为LISREL。结构方程模型的特点之一就是对于不能直接观察和测量的指标,可直接应用结构方程模型将隐变量和直接测量变量一并考虑,这样就能研究和处理一些比较复杂的问题。例如中医学的证候,结构方程模型可以将病和证看成潜变量或隐变量,即不能直接测量的变量,四诊信息为显变量,可直接测量,从而分析病、证、四诊信息间错综复杂的因果关系。2.基于贝叶斯网络的人工智能建模技术贝叶斯网络(Bayesiannetwork)又称为概率网络或者因果图模型,是1981年由R.Howard和J.Matheson提出来的用于不确定性推理,带有概率注释的有向无环图(Directedacyclicgraph,DAG)模型。它是概率论和图论相结合的产物,可用于复杂多因果关系的分析,是人工智能领域的研究热点和重要成果之一。贝叶斯网络可根据先验知识和现有的统计数据,用概率的方法对未知事件进行预测,其以直观的图型方法描述数据间的相互关系,用概率测度的权重表达多个变量间的时序关系、相关关系或因果关系等多种依赖关系,其坚实的理论基础、直观的知识表达、灵活的推理能力以及方便的决策机制,使其成为数据挖掘领域的新兴技术。从直观上讲,Bayes网络表现为一个赋值的复杂因果关系网络图,网络中的每一个节点表示一个变量,即一个事件。各变量之间的弧表示事件发生的直接因果关系。贝叶斯网络包括网络结构和参数集合两部分。目前,采用从数据中自动学习贝叶斯网络结构和参数的学习算法来构建贝叶斯网络,“如基于约束和基于得分函数的贝叶斯网络结构学习算法,以及结合两者长处的杂交学习算法”,根据先验知识和现有的统计数据而建立数据库,让计算机按照贝叶斯网络杂交学习算法自动进行学习,可获得相应的贝叶斯网络。贝叶斯网络模型的特点是可以用于描述复杂的因果关系。例如中医学的证候,应用贝叶斯网络模型可以研究症状之间、症状与证素之间、病与证之间的因果关系。二、结构方程模型和贝叶斯网络模型在中医证候研究中的应用1.结构性机理模型应用结构方程模型研究中医证候,疾病的共有症状相当于模型中的外因显变量,可以直接测量;疾病的病名相当于隐性自变量,不能直接测量;疾病的中医证型相当于隐性因变量,不能直接测量;不同证候表现的症状、体征相当于内因显变量,可以直接测量。假定隐性自变量和隐性因变量之间存在因果关系,也就是说,因为某种疾病的存在所以才有相应中医证候的产生,病与证之间存在因果关系,在此基础上构建结构方程模型。在上述理论的指导下,结构方程模型应用于慢性萎缩性胃炎中医证候的研究,结果是慢性萎缩性胃炎最常见的中医证型有4个:脾胃湿热证、肝胃不和证、脾胃虚弱证和胃阴不足证,其分别与相应的辨证指标相联系,共有症状主要为胃脘痛和纳差,基本符合中医临床实际。表明该方法用于解释特定疾病下的中医证的存在和测量方法是可行的。运用结构方程模型,以病与证候结合的方法对脑梗塞、更年期综合征、冠心病、高血压病和肺心病等七种病进行证候的规范标准研究,可以客观区分各病种的证候、寻求各证候相应的主要指标,并且在病和证候结合研究临床辨证等方面得到较满意的结果。2.贝叶斯网络中医辨证中医辨证的目的,是为了明确病位与病性等辨证要素,简称证素。各证素的相互组合,可概括成完整的证名诊断。因此,“证素”是通过对“证候”的辨识,而确定的病位和病性,是构成“证名”的基本要素。“辨证”就是根据中医学理论,通过对证候(症状等)进行分析,而确定其病理本质—证素,并作出证名诊断的思维认识过程。贝叶斯网络的结构学习及推理原理与中医辨证的思维认知过程颇为近似,因此可用贝叶斯网络处理不确定性知识的方法对中医辨证系统进行描述,通过贝叶斯网络技术从数据中对症状与证素间的因果关系、证素组合关系等进行计量分析和推理判断。通过将中医体系中的916个症状,51项证素及其构成的1700条证名构成中医辨证贝叶斯网络的节点集,各个变量之间的关联强度用“权重”进行设定,如心悸—心50、阳虚20、阴虚20、气虚15、血虚15,从而确定症状与证素之间的因果关系。利用建立的贝叶斯网络中医辨证系统,进行数据计量分析、推理验证症状与证素间的因果关系、证素与证名间的关系,其结果与中医专家经验有很高的吻合性。表明贝叶斯网络可运用于中医辨证系统的研究,从而更加量化中医辨证诊断系统。贝叶斯网络应用于以证素为核心的中医证素辨证体系,研究中医辨证诊断数据中症状与证素间的因果关系,证素间的组合关系。中医辨证贝叶斯网络运算结果表明其与中医专家经验有很高的吻合性。贝叶斯网络可解决中医定量诊断问题,它可以揭示众多症状间的因果关系以及症状与证候间的复杂关系,从中发现证候的主要症状和次要症状,并定量确定其诊断价值,有助于确定证候诊断的标准和规范。应用贝叶斯网络方法通过分析474例血瘀证临床诊断数据,进行血瘀证定量诊断,并定量计算其诊断贡献度。基于这些关键症状建立的简单贝叶斯分类器模型对血瘀证诊断的准确率达到96.6%。运用贝叶斯网络研究证候的复杂性,证候的复杂性源于其高维高阶性。证候的高维性表现为构成证候系统的空间因素种类繁多,数目庞大,证候的高阶性表现为证候各因素之间相互关系的复杂性。应用贝叶斯网络技术从临床数据中发现某些证候要素与下属症状之间的因果关系,定性给出这些要素与下属症状之间的网络模型。研究表明,证候要素气虚的下属症状为脉细、精神不振和乏力,病位脾的下属症状为脘腹胀满、纳差、舌淡、苔薄白,其中舌淡与脾和苔薄白之间存在着因果关系。运用贝叶斯网络研究证候要素与症状(体征)间的因果关系,得出糖尿病证候要素的诊断。证候要素阴虚的诊断是脉细、消瘦、手足心热。证候要素气虚的诊断是疲倦乏力、懒言。证候要素阳虚的诊断是手足不温、脉沉。证候要素内热的诊断是舌干、苔黄、脉数。证候要素内燥的诊断是舌干、苔燥。证候要素血瘀的诊断是肢体麻木、舌质暗、舌上瘀斑。证候要素内湿的诊断是头身困重、苔腻、脉滑。证候要素痰的诊断是苔腻、脉滑。贝叶斯网络应用于中医专家系统。中医专家系统指根据中医专家“整体思维、辨证论治”的诊疗特点,在一定的教学平台上,根据“望、闻、问、切”得出的症状体征,给出诊断结果的智能计算机程序。中医辨证是中医专家系统的核心,应用贝叶斯网络根据信息熵判定症状之间是否存在因果关系,然后利用贝叶斯网络计算判定症状群的类别所属,贝叶斯网络的优点在于把各个症状看作彼此相互联系的整体。三、贝叶斯网络模型结构方程模型几乎包括了传统的分析方法,特别是能分析隐变量间可能存在的因果关系,应用在中医证候研究中,该模型可以分析不同病与不同证这两个隐变量间复杂的因果关系。该模型的缺点是构建模型需要一定的样本量,一个标准模型至少需要200个样本,否则一些规律在数据中无法显示。贝叶斯网络模型可用于复杂多因果关系的分析,是人工智能领域的研究热点和重要成果之一。在中医证候研究中,应用此模型可以研究症状之间、症状与证素间复杂的因果关系。但是,贝叶斯网络是一种频率算法,一些频率