CN102591949A - 医疗数据的检索方法及系统 - Google Patents
医疗数据的检索方法及系统 Download PDFInfo
- Publication number
- CN102591949A CN102591949A CN2011104460161A CN201110446016A CN102591949A CN 102591949 A CN102591949 A CN 102591949A CN 2011104460161 A CN2011104460161 A CN 2011104460161A CN 201110446016 A CN201110446016 A CN 201110446016A CN 102591949 A CN102591949 A CN 102591949A
- Authority
- CN
- China
- Prior art keywords
- medical record
- space constant
- value
- space
- stimulation parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明适用于计算机及医疗领域,提供了一种医疗数据的检索方法及系统,所述方法包括:定义空间规则计算公式R1;根据该公式R1计算病案的空间常量;判断该空间常量是否在预先存储的标准病案判断链表的范围内,如否,判断该病案不正常,根据计算出的空间常量在病案数据库中搜索出与该空间常量相似的病案,提取该相似的病案的数据;如是,则判断该病案正常。本发明提供的技术方案具有检索速度快的优点。
Description
技术领域
本发明属于计算机和医疗领域,尤其涉及一种医疗数据的检索方法及系统。
背景技术
随着计算机在医疗领域的广泛应用,越来越多的医疗信息系统促进了医学信息的数字化,电子病历的应用及其设备和仪器的数字化极大的丰富了医疗行业的信息资源数据,这些资源数据对疾病的诊断、治疗和进行医学研究都具有非常高的价值。在使用这些资源数据进行数据挖掘的时候,就需要要求系统在检索的过程中有较快的检索速度和较高的效率,目前远程医疗、医疗数据库、医疗实验室的针对病案进行分析判断及进行病案相关数据挖掘中,较为常见的方法是,用户针对某个病案进行分析时不断的加入与这个病案有关的“刺激参数”,通过加入的“刺激参数”来检索相似病例。
在实现本发明的过程中,发现现有技术的技术方案存在如下问题:
现有技术中由于不确定的参数参与资源数据的比对和分析导致在数据挖掘过程中大量的“刺激参数”,会导致检索速度比较慢,效率比较低。
发明内容
本发明实施例的目的在于提供一种医疗数据的检索方法,旨在解决现有的技术方案检索速度比较慢、效率比较低的问题。
本发明实施例是这样实现的,一种医疗数据的检索方法,所述方法包括:
定义空间规则计算公式R1;
根据该公式R1计算病案的空间常量,所述空间常量是同时用至少两个刺激参数计算所得;
判断该空间常量是否在预先存储的标准病案判断链表的范围内;
如否,判断该病案不正常,根据计算出的空间常量在病案数据库中搜索出与该空间常量相似的病案,提取该相似的病案的数据;
如是,则判断该病案正常。
另一方面,本发明还提供一种医疗数据的检索系统,所述系统包括:
定义单元,用于定义空间规则计算公式R1;
计算单元,用于根据该公式R1计算病案的空间常量,所述空间常量是同时用至少两个刺激参数计算所得;
判断单元,用于判断该空间常量是否在预先存储的标准病案判断链表的范围内,如否,判断该病案不正常,如是,则判断该病案正常;
检索单元,用于在判断单元判断出病案不正常时,根据计算出的空间常量在病案数据库中搜索出与该空间常量相似的病案,提取该相似的病案的数据。
在本发明实施例中,本发明提供的技术方案通过预先定义空间规则计算公式R1使得与这个病案有关的“刺激参数”确定,同时使用至少两个刺激参数来计算空间常量,检索速度快,效率高。
附图说明
图1是本发明具体实施方式提供的一种医疗数据的检索方法的流程图;
图2是图1的一种医疗数据的检索方法具体实施例的流程图;
图3是本发明具体实施方式提供的一种医疗数据的检索系统的结构图;
图4是本发明具体实施方式提供的定义空间规则计算公式R1的模型图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供了医疗数据的检索方法及系统。
其中,本发明提供的一种医疗数据的检索方法,由医疗数据服务器完成,该方法如图1所示,包括:
S11、定义空间规则计算公式R1;
本实施例中,所述计算公式可根据不同病案来进行确定,此处对此不作限制。
S12、根据该公式R1计算病案的空间常量,其中,所述空间常量是同时用至少两个刺激参数计算所得。
进一步地,所述至少两个参数是根据所述计算公式R1所得。例如,如图4所示,空间的黑点表示病案,该模型为四棱锥,该黑点到每条棱边的距离为代表不同参数所对应的参数值,例如P1、P2、、、P8。此外,还可以使用其他类型的模型来获得参数值,此处对此不作限制。
S13、判断该空间常量是否在预先存储的标准病案判断链表的范围内,如是,执行S15,判断该病案正常,结束操作;如否,执行S14。
S14、判断该病案不正常,并根据计算出的空间常量在病案数据库中搜索出与该空间常量相似的病案,提取该相似的病案的数据。
本发明提供的方法通过预先定义空间规则计算公式R1使得与这个病案有关的“刺激参数”确定,所以其不会出现不断计入的“刺激参数”,所以其检索速度快。
需要说明的是,上述标准病案判断链表的建立方法具体可以为:获取病案的刺激参数以及该刺激参数的正常范围,将正常范围内刺激参数组合得到标准病案判断链表;
下面以一个实例来说明具体的建立方法,以心脏病中的刺激参数心率和PR为例(在实际情况中,参数一般多于2个),心率的标准值为60-100,PR标准值为120-200,则将正常范围内刺激参数组合得到的标准病案判断链表具体可以为:
[60120、60121、60122...60200];
[61120、61121、61122...61200]、
[62120、62121、62122...62200]、
·
·
·
[100120、100121、100122...100200]。
需要说明的是,实现S12的方法具体可以为,获取病案的刺激参数,根据公式R1和刺激参数的值计算出空间常量,该R1具体可以为:
空间常量=NX+NX-1*10mx+NX-2*10mx+m(x-1)...+N1*10mx+m(x-1)+m(x-2)...+m2
其中,N1为第一刺激参数的有效数字的值,NX-2为第x-2刺激参数的有效数字的值,NX-1为第x-1刺激参数的有效数字的值,Nx为第x刺激参数的有效数字的值;例如:0.95的有效数字的值可以为95。
mx为x个刺激参数值的位数(例如100,位数3),m(x-1)为x-1个刺激参数值的位数;m(x-2)为x-2个刺激参数值的位数;m2为2个刺激参数值的位数,且x为大于1的自然数。
需要说明的是,步骤S14的实现方法具体可以为:
检测出该空间常量的异常值(即不属于正常范围的值以及该值对应的刺激参数),获取该异常值之前的刺激参数的值以及该值的误差范围,在该异常值之前的刺激参数的值的误差范围内检索与该空间常量相似的病案,并提取该病案的数据。
以心脏病中的刺激参数心率、PR和QKS时限为例(在实际情况中,参数一般多于2个),心率的标准值为60-100,PR标准值为120-200,QKS时限标准值60-70;如计算出的空间常量值为:7012586时,该异常值之前的刺激参数的值的误差范围具体可以为:其中,假设心率、PR的误差均可以为5;
[7012500、7012501、7012502...7012599];
[7112500、7112501、7112502...7112599]、
·
·
·
[7512500、7512501、7512502...7512599];
和
[7012600、7012601、7012602...7012699];
[7112600、7112601、7112602...7112699]、
·
·
·
[7512600、7512601、7512602...7512699];
和
[7012700、7012701、7012702...7012799];
[7112700、7112701、7112702...7112799]、
·
·
·
[7512700、7512701、7512702...7512799];
和
[7012800、7012801、7012802...7012899];
[7112800、7118601、7112802...7112899]、
·
·
·
[7512800、7512801、7512802...7512899];
和
[7012900、7012901、7012902...7012999];
[7112900、7112901、7112902...7112999]、
·
·
·
[7512900、7512901、7512902...7512999];
和
[7013000、7013001、7013002...7013099];
[7113000、7113001、7113002...7113099]、
·
·
·
[7513000、7513001、7513002...7513099]。
为了方便理解,下面举例说明本发明的方案:
病例参数(简化):心率:70bpm.,PR间期:112MS,QKS时限:86MS,QT/QTC间期:0.9375MS,RV5/SV1振幅:0.6340MV,RV5-SV1振幅:3.170MV。
其中,心率(正常范围):60-100;PR间期(正常范围):120-200ms;其他刺激参数的范围可以参见医学手册上的说明。
如图2所示,是与图1对应的一种医疗数据的检索方法的例子,其中具体可以包括:
S21、建立规则(R1):参数为小数通过转换为整数(相乘1000取整数部分)得到的值按顺序组合成一个新的数值,如以上参数可组合成70112869375343170为“空间常量”
S22、建立标准链表:以心率和PR间期两维参数为例参考标准范围值得出参数正常区间:
例如:心率的标准值为60-100,PR标准值为120-200,此时以心率到PR为顺序,将心率与PR的数值按照顺序组合后得到如下数值:即60-100的数值与120-200的数值进行组合,其余的参数全部取0:
[60120000000000000、61120000000000000、、、69120000000000000、、、60121000000000000、、60200000000000000]、[70120000000000000,70200000000000000]、
[80120000000000000,80200000000000000]、
[90120000000000000,90200000000000000]、[100120000000000000,100200000000000000];
需要说明的是,标准链表是将上述8个参数的正常值按照一定的顺序排列所得的全部数值的组合,其中排列的顺序可根据需要来设定。
S23、将实验数据通过R1规则计算后得到的“空间常量”70112869376343170存入数据库病例的扩展字段中。
需要说明的是,建立标准链表的顺序与计算空间常量所用的参数顺序一样。计算空间常量可以根据需要选择8维参数中的至少二维数据来计算。例如当仅选择心率跟PR值来计算时,为了与标准链表数值对比,其余的参数值默认为0,保证空间常量的数位与标准链表的数位一致。
S24、将70112869376343170与标准链表比较,可知不在正常范围链表值域内,表明此病例存在异常。
由此参数可知,虽然心率范围正常,但在“PR间期”参数影响下体现出整个病例处于异常状态,要找出此可能引发的疾病,进行挖掘工作时由于人体生理信息存在误差值则我们规定“心率”误差值为±5,“PR间期”误差值为±5,我们可以在数据库中查找70112000000000000-75117999999999999得到与此值相近的病例。(当判断为异常时,在空间规则中输入用误差值修正的参数,得到修正空间常量,进而在数据库中查找相似病例,以便治疗);
其中,当判断为异常时,需要进行诊断或者治疗,此时需要在数据库中寻找相似病例的治疗方案,因此可以采用上述5中的输入误差值,得到空间常量,进而在数据库中查找相似病例。
另外需要说明的是,pR区间:即由p波起点到qrs波群起点间的时间。一般成人p-r间期为0.12~0.20秒。p-r间期随心率与年龄而变化,年龄越大或心率越慢,其pr区期越长,否则反之,你的情况应该是心率较快所以pr间期缩短。PR间期小于0.12s,有可能为L-G-L型预激综合征,就是说窦性激动不沿着正常的通路下传心室,而先沿James旁道下传,然后再通过房室结,速度要快于正常房室结通路,因此相应P-R间期缩短,因激动是从房室结下传的故不出现增宽的QRS破群。没什么事,没有出现心动过速没事,不用吃药,不用治疗,若有折返性心动过速,可考虑射频消融术根治。从心率来说70是正常的,但它存在“L-G-L型预激综合症”的可能性,然后我要查找所有相似的已确定的病例来判断这个病例存在“L-G-L型预激综合症”的可能性及概率问题。
本实施例中,通过预先定义空间规则计算公式来确定与这个病案有关的“刺激参数”,同时使用至少两个刺激参数来计算空间常量,进而判断该空间常量是否在预先设计的标准病案判断链表内,进而判断该病案是否处于正常状态,检索速度快,效率高。
本发明具体实施方式还提供一种医疗数据的检索系统,该系统如图3所示,包括:
定义单元31,用于定义空间规则计算公式R1;
计算单元32,用于根据该公式R1计算病案的空间常量,所述空间常量是同时用至少两个刺激参数计算所得;
判断单元33,用于判断该空间常量是否在预先存储的标准病案判断链表的范围内,如否,判断该病案不正常,如是,则判断该病案正常。
检索单元34,用于在判断单元判断出病案不正常时,根据计算出的空间常量在病案数据库中搜索出与该空间常量相似的病案,提取该相似的病案的数据。
本发明提供的系统通过预先定义空间规则计算公式R1使得与这个病案有关的“刺激参数”确定,所以其不会出现不断计入的“刺激参数”,所以其具有检索速度快的优点。
可选的,上述系统还可以包括:
建立单元35,用于获取病案的刺激参数以及该刺激参数的正常范围,将正常范围内刺激参数组合得到标准病案判断链表。
可选的,计算单元32具体可以为:
参数模块321,用于获取病案的刺激参数,
计算模块322,用于根据公式R1和刺激参数的值计算出空间常量,该R1具体为:
空间常量=NX+NX-1*10mx+NX-2*10mx+m(x-1)...+N1*10mx+m(x-1)+m(x-2)...+m2
其中,N1为第一刺激参数的有效数字的值,NX-2为第x-2刺激参数的有效数字的值,NX-1为第x-1刺激参数的有效数字的值,Nx为第x刺激参数的有效数字的值;
mx为x个刺激参数值的位数,m(x-1)为x-1个刺激参数值的位数;m(x-2)为x-2个刺激参数值的位数;m2为2个刺激参数值的位数,其中,X为大于0的自然数。
可选的,上述检索单元34具体可以包括:
检测模块341,用于检测出该空间常量的异常值;
范围提取模块342,用于获取该异常值之前的刺激参数的值以及该值的误差范围,在该异常值之前的刺激参数的值的误差范围内检索与该空间常量相似的病案,并提取该病案的数据。
需要说明的是,本实施例提供的系统可实现实施例的方法,因此本实施例的系统的工作过程参照上述实施例的方法,此处不再赘述。
上述单元和系统实施例中,所包括的各个模块或单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本领域技术人员可以理解,本发明实施例提供的非线性容限的补偿方法中,其全部或部分步骤是可以通过程序指令相关的硬件来完成。比如可以通过计算机运行程来完成。该程序可以存储在可读取存储介质,例如,随机存储器、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种医疗数据的检索方法,其特征在于,所述方法包括:
定义空间规则计算公式R1;
根据该公式R1计算病案的空间常量,所述空间常量是同时用至少两个刺激参数计算所得;
判断该空间常量是否在预先存储的标准病案判断链表的范围内;
如否,判断该病案不正常,根据计算出的空间常量在病案数据库中搜索出与该空间常量相似的病案,提取该相似的病案的数据;
如是,则判断该病案正常。
2.根据权利要求1所述的方法,其特征在于,建立所述标准病案判断链表的方法具体为:获取病案的刺激参数以及该刺激参数的正常范围,将正常范围内刺激参数组合得到标准病案判断链表。
3.根据权利要求1所述的方法,其特征在于,所述定义空间规则计算公式R1具体为:
空间常量=NX+NX-1*10mx+NX-2*10mx+m(x-1)...+N1*10mx+m(x-1)+m(x-2)...+m2
其中,Nx为第x刺激参数的有效数字的值,mx为x个刺激参数值的位数,且x为大于1的自然数。
4.根据权利要求1所述的方法,其特征在于,所述根据计算出的空间常量在病案数据库中搜索出与该空间常量相似的病案,提取该相似的病案的数据具体包括:
检测出该空间常量的异常值,获取该异常值之前的刺激参数的值以及该值的误差范围,在该异常值之前的刺激参数的值的误差范围内检索与该空间常量相似的病案,并提取该病案的数据。
5.一种医疗数据的检索系统,其特征在于,所述系统包括:
定义单元,用于定义空间规则计算公式R1;
计算单元,用于根据该公式R1计算病案的空间常量,所述空间常量是同时用至少两个刺激参数计算所得;
判断单元,用于判断该空间常量是否在预先存储的标准病案判断链表的范围内,如否,判断该病案不正常,如是,则判断该病案正常;
检索单元,用于在判断单元判断出病案不正常时,根据计算出的空间常量在病案数据库中搜索出与该空间常量相似的病案,提取该相似的病案的数据。
6.根据权利要求5所述的系统,其特征在于,所述系统还包括:
建立单元,用于获取病案的刺激参数以及该刺激参数的正常范围,将正常范围内刺激参数组合得到标准病案判断链表。
7.根据权利要求5所述的系统,其特征在于,所述计算单元具体包括:
参数模块,用于获取病案的刺激参数,
计算模块,用于根据公式R1和刺激参数的值计算出空间常量。
8.根据权利要求5所述的系统,其特征在于,所述检索单元具体包括:
检测模块,用于检测出该空间常量的异常值;
范围提取模块,用于获取该异常值之前的刺激参数的值以及该值的误差范围,在该异常值之前的刺激参数的值的误差范围内检索与该空间常量相似的病案,并提取该病案的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104460161A CN102591949A (zh) | 2011-12-27 | 2011-12-27 | 医疗数据的检索方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104460161A CN102591949A (zh) | 2011-12-27 | 2011-12-27 | 医疗数据的检索方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102591949A true CN102591949A (zh) | 2012-07-18 |
Family
ID=46480587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011104460161A Pending CN102591949A (zh) | 2011-12-27 | 2011-12-27 | 医疗数据的检索方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102591949A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101911078A (zh) * | 2007-12-28 | 2010-12-08 | 皇家飞利浦电子股份有限公司 | 基于疾病概率向量检索类似患者病例 |
US20110022622A1 (en) * | 2007-12-27 | 2011-01-27 | Koninklijke Philips Electronics N.V. | Method and apparatus for refining similar case search |
CN102043813A (zh) * | 2009-10-13 | 2011-05-04 | 北京大学 | 医疗信息处理服务器及医疗信息处理的方法 |
-
2011
- 2011-12-27 CN CN2011104460161A patent/CN102591949A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110022622A1 (en) * | 2007-12-27 | 2011-01-27 | Koninklijke Philips Electronics N.V. | Method and apparatus for refining similar case search |
CN101911078A (zh) * | 2007-12-28 | 2010-12-08 | 皇家飞利浦电子股份有限公司 | 基于疾病概率向量检索类似患者病例 |
CN102043813A (zh) * | 2009-10-13 | 2011-05-04 | 北京大学 | 医疗信息处理服务器及医疗信息处理的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Patel et al. | Abig data revolution in health care sector: Opportunities, challenges and technological advancements | |
US10671956B2 (en) | Measure factory | |
CN104636409B (zh) | 促进搜索结果的显示的方法、设备和产生搜索结果的方法 | |
Lin et al. | Temporal event tracing on big healthcare data analytics | |
US20150142821A1 (en) | Database system for analysis of longitudinal data sets | |
CN108664480A (zh) | 一种多数据源用户信息整合方法和装置 | |
US10120768B2 (en) | Data management system and method for backup, recovery, and mount of time-series data | |
CN106933859B (zh) | 一种医疗数据的迁移方法和装置 | |
Chunarkar-Patil et al. | Big data analytics | |
CN103714086A (zh) | 用于生成非关系数据库的模式的方法和设备 | |
WO2014100672A1 (en) | User interface for predictive model generation | |
Shang et al. | Greedy approximated hypervolume subset selection for many-objective optimization | |
Murphy et al. | Grappling with the future use of big data for translational medicine and clinical care | |
Egho et al. | A contribution to the discovery of multidimensional patterns in healthcare trajectories | |
Nelson et al. | The use of natural language processing of infusion notes to identify outpatient infusions | |
Kaisler et al. | Big data issues and challenges | |
Wei et al. | Spark-mca: Large-scale, exhaustive formal concept analysis for evaluating the semantic completeness of snomed ct | |
Chrimes et al. | Operational efficiencies and simulated performance of big data analytics platform over billions of patient records of a hospital system | |
CN102591949A (zh) | 医疗数据的检索方法及系统 | |
Koutkias et al. | Contributions on clinical decision support from the 2018 literature | |
Wah et al. | Development of a data warehouse for lymphoma cancer diagnosis and treatment decision support | |
Memarzadeh et al. | A graph database approach for temporal modeling of disease progression | |
Chrimes et al. | Interactive big data analytics platform for healthcare and clinical services | |
US9529649B2 (en) | Techniques to compute attribute relationships utilizing a leveling operation in a computing environment | |
Zhang et al. | Large-Scale Biomedical Relation Extraction Across Diverse Relation Types: Model Development and Usability Study on COVID-19 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120718 |