1 数据挖掘的定义
数据挖掘（Data mining），又译为资料探勘、数据采矿。它是数据库知识发现（Knowledge-Discovery in Databases，KDD）中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。
数据挖掘利用了来自如下一些领域的思想：
①来自统计学的抽样、估计和假设检验；
②人工智能、模式识别和机器学习的搜索算法、建模技术和学习理论。数据挖掘也迅速地接纳了来自其他领域的思想，这些领域包括最优化、进化计算、信息论、信号处理、可视化和信息检索。一些其他领域也起到重要的支撑作用，尤其需要数据库系统提供有效的存储、索引和查询处理支持。源于高性能（并行）计算的技术在处理海量数据集方面常常是重要的。分布式技术也能帮助处理海量数据，并且当数据不能集中到一起处理时更是至关重要。
2 医学数据挖掘的故事
医学数据挖掘一般是指从大量的医学数据中通过算法搜索来认识隐藏于其中疾病新规律的过程。
今天这里要讲述一个关于肠道菌群与心血管疾病关联性的故事。在微生物学诞生后不久，人们就发现，在动物的消化道中存在有不少微生物。例如在牛、羊、兔等食草动物的胃或盲肠中，就存在大量以细菌为主的微生物群体。由于食草动物摄入的植食性饲料中，纤维素、半纤维素等多糖难以依靠动物体自身分泌的酶液消化，而微生物群体中包含的纤维素消化菌、半纤维素消化菌等可以较好地将多糖转化为低聚糖和寡糖，从而促进对这些营养物质的吸收。
随着医学的发展，人们也注意到，在人类的肠道，尤其是结肠（也就是平常所说的大肠）中，也存在着大量微生物。这些以细菌为主的微生物种类极多，数量极大。肠道菌群并非是生来就有的，它们实际上是“外来户”。在母体子宫内，胎儿所处的是一个几乎无菌的环境，因此胎儿肠道内也是无菌的。当胎儿出生之后的几天内，细菌通过分娩时阴道物质摄入、哺乳时的口腔摄入以及空气吸入等途径进入新生儿体内，并在肠道内定植，形成新生儿最初的肠道菌群。随着婴儿的成长，肠道菌群的种类结构逐渐趋于稳定，最终形成成熟的肠道菌群。这些微小的生物群体就这样不知不觉地定居到人体之内，悄无声息地与主人相随一生。
近期的多项研究表明，肠道菌群和人体的代谢疾病具有重要关系。肠道菌群失衡可能是造成肥胖、糖尿病等多种代谢异常的重要原因之一。造成代谢异常的主要原因，是失衡的肠道菌群产生的脂多糖等内毒素进入人体，被免疫细胞识别后产生多种炎症因子，使得机体进入低度炎症状态，从而产生代谢异常。例如，若长期进食高脂、高糖食物，可造成肠道菌群中条件致病菌比例增加，而共生菌比例下降，从而使得食物中摄取的能量更容易转化为脂肪累积于皮下，造成肥胖。此外，低度炎症还能促使机体对胰岛素响应程度下降，造成胰岛素抵抗，进而发展为糖尿病。
这些医学观察的结论完全得益于数据挖掘技术的进步，医生们从医治经验中发现患有肠道疾病的人往往也同时患有心血管疾病。一开始医生们并没有注意到这个现象，当越来越多的病例记录了同一现象时，医生们开始怀疑两者之间的关联性。但是怀疑代替不了科学结论，需要定量化的数据支持，越来越多的病例数据汇总后经过关联规则算法最终找到了大量的支持病例，最终现代医学解开了这个秘密。肠道菌群与中风，原本风马牛不相及的两个病种终于确立了因果关系。
有意思的是，最新的医学数据挖掘表明，肠道菌群的数量分布居然与抑郁症有关联，医学科学家正在试图解开这个秘密。
这个故事生动地表达了医学数据挖掘的魅力与能量。利用大量的临床医学数据发现新的医学疾病规律正是数据挖掘在医学，特别是临床医学领域的巨大意义。
