CN104462857B - 基于矩阵的疾病程度区分及检验项目的自我分析平台 - Google Patents
基于矩阵的疾病程度区分及检验项目的自我分析平台 Download PDFInfo
- Publication number
- CN104462857B CN104462857B CN201410847778.6A CN201410847778A CN104462857B CN 104462857 B CN104462857 B CN 104462857B CN 201410847778 A CN201410847778 A CN 201410847778A CN 104462857 B CN104462857 B CN 104462857B
- Authority
- CN
- China
- Prior art keywords
- value
- disease
- project
- inspection
- matrix
- 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.)
- Active
Links
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供一种基于矩阵的疾病程度区分及检验项目的自我分析方法,其特征在于,包括如下步骤:以病种作为集合,一大类病集合包含若干子类病为其元素,子类病集合中元素是该病的需要检查的必要项目和补充项目;建立矩阵,某一病患的实际检查的各项值与矩阵中各行的正态向量求差,得到的值与阈值比较,给出检测的结果,和进一步准确的诊断,根据具体值推断病情程度。通过本发明的方法,在人们进行初步自诊后,能够针对相关疾病系统为人们推荐后续需要检查的必要项目和补充项目,并在人们进行相关项目的检查后,根据检查结果,利用本发明提供的算法进行加权计算、分析、评价,以便得出进一步准确的自诊判断。
Description
技术领域
本发明属于计算机信息领域,特别是涉及到一种基于矩阵的疾病程度区分及检验项目的自我分析平台。
背景技术
现阶段人们的生活节奏很快,生活压力也很大,这就为人们的身体健康带来了很多隐忧。人们一旦身体健康出现问题,首选是去医院,但是医院里看病的人又似乎永远是非常多,哪怕是一些小病征,整个看病的流程走下来会花费很多时间;而如果人们觉得耽误时间,不愿意去医院,只是依据自己的经验买些药服用,这样又有可能错过最佳治疗时间,耽误病情。
基于这种现象,如果能够有一个帮助人们进行疾病自诊的信息平台,将会对人们产生巨大的帮助,人们可以通过信息平台的内容,结合自身的状况,先对自己的病患进行初期的判断,病征轻微的,可以根据信息平台的内容进行自我简单的治疗,病征有危险的发展趋势时,再去医院治疗。
要建立一个这样的帮助人们进行疾病自诊的信息平台,需要有一个完善的医学信息数据库,才能保证自诊的准确性,既能帮助人们节省时间,又不会耽误疾病的最佳治疗时间。
在有了完善的医学信息数据库之后,还要有基于医学信息数据库的疾病自我分析方法,才能准确的完成自诊。
而在完成自诊之后,还需要有一套完善的方法,能够针对相关疾病系统为人们推荐后续需要检验的必要项目和补充项目,然后进行加权计算、分析、评价检测的结果,以便得出进一步准确的自诊判断。
发明内容
本发明要解决的问题是设计一种基于矩阵的疾病程度区分及检验项目的自我分析平台,能够针对相关疾病系统为人们推荐后续需要检验的必要项目和补充项目,然后进行加权计算、分析、评价检测的结果,以便得出进一步准确的自诊判断。
需要说明的是,本发明基于矩阵的疾病程度区分及检验项目的自我分析方法,是信息学的一种应用,通过信息分析得到适用于自身的辅助保持健康的方法,并非属于疾病的诊断和治疗方法,因此不违反专利法第二十五条的相关规定。
为了达到上述目的,本发明采取的技术方案为:一种基于矩阵的疾病程度区分及检验项目的自我分析平台,其特征在于,包括如下步骤:
(一)以病种作为集合,一大类病集合包含若干子类病为其元素,子类病集合中元素是该子类病的需要检查的必要项目和补充项目;
(二)根据步骤(一)的集合建立矩阵,大类病是矩阵名称,矩阵的各行为该大类中的一子类病,各列向量的各值是对应各项检查的正态区间值;
(三)某一病患的实际检查的各项值与矩阵中各行的正态向量求差,因为向量元素是区间值,所以分别得到差1和差2,然后根据权重值做加权求和;
(四)根据步骤(三)得到的值与阈值比较,给出检测的结果,和进一步准确的诊断,根据具体值推断病情程度。
优选的,所述步骤(二)中,检查项目的正态区间值是值该项目的正常值区间;如果某项检查项目不是区间值,则区间的两端值相等;若某项检查只是是否有病变,则该项正常值为0;当被会员有病变时相应值为1,对于某项未做检查,相应值赋值为0。
优选的,所述步骤(三)中加权求和的公式为:
其中i为各检查项目的序号,ai和bi为各检查的正态区间值,xi为各检查项目的实际检查值,ci为公式(1)的各检查项目的权重值,ei为公式(2)的各检查项目的权重值;
其中,公式(1)的各权重值之和为1,即
公式(2)的各权重值之和为1,即
优选的,步骤(三)中所述权重值与步骤(四)中所述的阈值的初始值为专家给出,按会员病历值更新调整。
进一步的,所述权重值和阈值的更新方法为:
新ci=原ci+fi/10, 新ei=原ei+fi/10, (3)
新c=原c+f/10, 新e=原e+f/10, (4)
其中,ci为公式(1)的各检查项目的权重值,ei为公式(2)的各检查项目的权重值,c为公式(1)的阈值,e为公式(2)的阈值,fi是因某病患的数据改变的相应权值增量,-1<fi<1,f是因某病患的数据改变的相应阈值增量,-1<f<1。
进一步的,所述权重值和阈值的更新方法为采用神经网络训练权重参数。
本发明的有益效果为:通过本发明的方法,在人们进行初步自诊后,能够针对相关疾病系统为人们推荐后续需要检查的必要项目和补充项目,并在人们进行相关项目的检查后,根据检查结果,利用本发明提供的算法进行加权计算、分析、评价,以便得出进一步准确的自诊判断。
附图说明
图1是本发明中疾病需检项目的编码树结构图。
具体实施方式
下面结合具体实施例对本发明做进一步说明。
人们对疾病自诊后,针对相关疾病系统推荐的后续需要检验的必要项目和补充项目,进行检查,然后用SIV(Sets&Interval Vector,集合与区间向量)方法进行加权计算、分析、评价检测的结果,其中权值基于平台用户数据不断更新,以便给出进一步准确的诊断。
算法前提:平台上有支持的各种疾病需要检验的必要项目和补充项目对应数据库,以及各种检查的正态值区间表。表的结构如下表1:
表1:各种疾病需要检测项目的对应表
具体表格举例如下表2:
说明1:病种及需要检测的项目编号采用6位。其中第1,2位代表大病种,如感冒用01表示;第3,4位代表子病种(它是前边大病种的子病种),如流行性感冒就是0102;第5,6代表该病需要检查的项目,其中必须检查的项目用11,12,13等等表示,这样需要检查项目的6位编码为010211,010212等等,补充检查的项目用01,02,03等等表示,这样需要检查项目的6位编码为010201,010202等等,如下表2。这样将来搜索和匹配病种以及查询后续需要检验的必要项目和补充项目会很快捷,会员检查的真实数据与正态值比对和计算也很快捷。
表2:各种疾病需要检测项目的对应表(具体举例)
说明2:检测项目的区间值是该项目的正常值区间。如果某项检查不是区间值,则区间的两端值相等;若某项检查只是是否有病变,则该项正常值为0。当会员有病变时相应值为1。对于某项未做检测,相应值赋值为0。
如呼吸道传染病集合A07={流行性感冒A0701、麻疹A0702、水痘A0703、风疹A0704、流脑A0705、流行性腮腺炎A0706、肺炎A0707、SARS A0708、甲流A0709}
肺炎A0707={必要项目={血常规A070711,尿常规A070712,粪常规A070713,X线检查A070714},补充项目={体液免疫检测A070701,肝功能检查A070702、肾功能检查A070703,细菌培养A070704,CT检查A070705,内镜检查A070706}}
其中数据结构采用树结构存储,编码树如图1所示。
算法思路:在前期建立的各种疾病需要检验的必要项目和补充项目对应数据结构中,采用深度优先搜索(BFS),读取会员对疾病自诊的病种对应的需要后续检验的必要项目和补充项目。针对数据库,采用编码查询,快速关联出所需进行的后续检验的必要项目和补充项目的区间值。
以病种作为集合,一大类病集合包含若干子类病为其元素,子类病集合中元素是该病的需要检测的必要项目和补充项目;该病需要检查的项目值(如上决定)决定一个向量。大类病是矩阵名称,矩阵的各行为该大类中的一子类病,各列向量的各值是对应各项检查的正态区间值[a1,b1],[a2,b2],…[an,bn],其中满足所有bi≥ai,i=1,2,…,n(如果不是,按上述说明处理)。当某一会员的检查各项值x1,x2,…xn,与正态向量求差,分别得到差1(d1)和差2(d2)(因为向量元素是区间值),然后做加权求和,即如下公式(1)和(2):
d1=c1∣x1-b1∣/(b1-a1)+c2∣x2-b2∣/(b2-a2)+…+cn∣xn-bn∣/(bn-an), (1)
其中c1+c2+…+cn=1(各权重和为1),0<ci<1
d2=e1∣a1-x1∣/(b1-a1)+e2∣a2-x2∣/(b2-a2)+…+en∣an-xn∣/(bn-an), (2)
其中e1+e2+…+en=1(各权重和为1),0<ei<1
然后根据得值与专家和会员数据训练值的阈值c和e比较(0<c<1,0<e<1),给出检测的结果,和进一步准确的诊断,还可以根据具体值推断程度(如早期,中期,晚期或者轻度,中度,重度等等)。
其中各权重值和阈值c和e的初始值为专家给出,其后可按会员病历值更新调整。更新计算是:
(1)若以简单方式,则根据某会员的数据按下式(3)和(4)赋值语句更新权值ci,ei
新ci=原ci+fi/10, 或新ei=原ei+fi/10, (3)
新c=原c+f/10 新e=原e+f/10 (4)
其中fi是因某病患的数据改变的相应权值增量,-1<fi<1,f是因某病患的数据改变的相应阈值增量,-1<f<1。
(2)若有大数据支持以及硬件条件可以支持复杂智能方法,则可采用神经网络训练权重参数。
如针对肺炎的15项检测的两组初始权重分别为0.20,0.15,0.10,0.10,0.05,0.08,0.02,0.03,0.02,0.04,0.05,0.05,0.05,0.05,0.01和0.15,0.15,0.10,0.10,0.10,0.08,0.02,0.03,0.02,0.04,0.05,0.05,0.05,0.05,0.01。阈值c=0.468,e=0.246
如:血常规检查的正常值为:
血红蛋白(Hb):男性[120,160];
红细胞(RBC):男性[4.0,5.5];
白细胞(WBC):成人[4.0,10.0]新生儿[15.0,20.0];6个月至2岁[11.0,12.0];
血小板:[100,300];
网织红细胞计数:[0.5,1.5];
白细胞分类计数:中性杆状核粒细胞[0.01,0.05];中性分叶核粒细胞[0.50,0.70];嗜酸性粒细胞[0.005,0.05];嗜碱性粒细胞[0~0.001];淋巴细胞[0.20,0.40];单核细胞[0.03,0.08];
尿常规:PH值(PH-U)[5.5,7.5];比重(SG)[1.010,1.030];白细胞镜检(WBC-J1)[2,5];红细胞镜检[0,0];
当某一男性会员的检查以上各项值分别为170,6.5,11,265,0.4,0.04,0.62,0.035,0.002,0.35,0.07,4,1.002,3,0。而其他项都没做。则该男性会员的
d1=0.20*10/40+0.15*1/1.5+0.10*1/6+0.10*35/200+0.05*1.1/1+0.08*0.01/0.04+
0.02*0.08/0.2+0.03*0.015/0.045+0.02*0.001/0.001+0.04*0.05/0.2+0.05*0.01/0.05+0.05*0.35/2+0.05*0.01/0.02+0.05*2/3+0.01*0=0.34425
d2=0.15*50/40+0.15*2.5/1.5+0.10*7/6+0.10*165/200+0.05*0.1/1+0.08*0.03/0.04+
0.02*0.120.2+0.03*0.03/0.045+0.02*0.002/0.001+0.04*0.15/0.2+0.05*0.04/0.05+0.05*1.5/2+0.05*0.01/0.02+0.05*1/3+0.01*0=1.9632
与上述阈值比较,d1接近阈值c,同时d2远远大于阈值d,这说明该会员检查项目指标总体状态略高,得出该会员是轻度肺炎。
以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于矩阵的疾病程度区分及检验项目的自我分析平台,其特征在于,平台上有支持的各种疾病需要检验的必要项目和补充项目对应数据库,以及各种检查的正态值区间表,平台使用包括如下步骤:
(一)以病种作为集合,一大类病集合包含若干子类病为其元素,子类病集合中元素是该子类病的需要检查的必要项目和补充项目;
(二)根据步骤(一)的集合建立矩阵,大类病是矩阵名称,矩阵的各行为该大类中的一子类病,各列向量的各值是对应各项检查的正态区间值;
(三)某一病患的实际检查的各项值与矩阵中各行的正态向量求差,因为向量元素是区间值,所以分别得到差1和差2,然后根据权重值做加权求和;
(四)根据步骤(三)得到的加权求和值与阈值比较,给出检测的结果,和进一步准确的诊断,根据具体值推断病情程度。
2.根据权利要求1所述的一种基于矩阵的疾病程度区分及检验项目的自我分析平台,其特征在于,所述步骤(二)中,检查项目的正态区间值是该项目的正常值区间;如果某项检查项目不是区间值,则区间的两端值相等;若某项检查只是是否有病变,则该项正常值为0;当会员有病变时相应值为1,对于某项未做检查,相应值赋值为0 。
3.根据权利要求1所述的一种基于矩阵的疾病程度区分及检验项目的自我分析平台,其特征在于,所述步骤(三)中加权求和的公式为:
d1= (1)
d2= (2)
其中i为各检查项目的序号,n为检查项目的总项数,ai和bi为各检查的正态区间值,xi为各检查项目的实际检查值,ci为公式(1)的各检查项目的权重值,ei为公式(2)的各检查项目的权重值;
其中,公式(1)的各权重值之和为1,即,0<ci<1;
公式(2)的各权重值之和为1,即,0<ei<1。
4.根据权利要求3所述的一种基于矩阵的疾病程度区分及检验项目的自我分析平台,其特征在于,步骤(三)中所述权重值与步骤(四)中所述的阈值的初始值为专家给出,按会员病历值更新调整。
5.根据权利要求4所述的一种基于矩阵的疾病程度区分及检验项目的自我分析平台,其特征在于,所述权重值和阈值的更新方法为:
新ci=原ci+fi/10, 新ei=原ei+fi/10, (3)
新c=原c+f/10, 新e=原e+f/10, (4)
其中,ci为公式(1)的各检查项目的权重值,ei为公式(2)的各检查项目的权重值,c为公式(1)的阈值,e为公式(2)的阈值,fi是因某病患的数据改变的相应权值增量,-1 <fi<1,f是因某病患的数据改变的相应阈值增量,-1 <f<1。
6.根据权利要求4所述的一种基于矩阵的疾病程度区分及检验项目的自我分析平台,其特征在于,所述权重值和阈值的更新方法为采用神经网络训练权重参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410847778.6A CN104462857B (zh) | 2014-12-30 | 2014-12-30 | 基于矩阵的疾病程度区分及检验项目的自我分析平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410847778.6A CN104462857B (zh) | 2014-12-30 | 2014-12-30 | 基于矩阵的疾病程度区分及检验项目的自我分析平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104462857A CN104462857A (zh) | 2015-03-25 |
CN104462857B true CN104462857B (zh) | 2018-09-07 |
Family
ID=52908886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410847778.6A Active CN104462857B (zh) | 2014-12-30 | 2014-12-30 | 基于矩阵的疾病程度区分及检验项目的自我分析平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104462857B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184089B (zh) * | 2015-09-22 | 2021-07-30 | 上海金仕达卫宁软件科技有限公司 | 异常病例在小样本中的多维量化检出方法 |
CN107145713B (zh) * | 2017-04-06 | 2020-08-11 | 广州慧扬健康科技有限公司 | 鉴别诊断的数据统计分析系统 |
CN107863148A (zh) * | 2017-11-06 | 2018-03-30 | 余帝乾 | 一种基于大数据时代患者就医的方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1777806A (zh) * | 2003-04-23 | 2006-05-24 | 卫材株式会社 | 疾病预后模型的制作方法、使用该模型的疾病预后预测方法、利用该模型的预后预测装置以及其程序·存储介质 |
CN101169863A (zh) * | 2006-09-25 | 2008-04-30 | 株式会社东芝 | 检查项目选定装置、检查项目选定方法及检查项目选定程序 |
CN102156812A (zh) * | 2011-04-02 | 2011-08-17 | 中国医学科学院医学信息研究所 | 基于症状相似度分析的就医辅助决策方法 |
CN104134180A (zh) * | 2014-07-04 | 2014-11-05 | 中国石油化工股份有限公司 | 一种用于多因素职业健康检查的筛选系统及筛选方法 |
-
2014
- 2014-12-30 CN CN201410847778.6A patent/CN104462857B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1777806A (zh) * | 2003-04-23 | 2006-05-24 | 卫材株式会社 | 疾病预后模型的制作方法、使用该模型的疾病预后预测方法、利用该模型的预后预测装置以及其程序·存储介质 |
CN101169863A (zh) * | 2006-09-25 | 2008-04-30 | 株式会社东芝 | 检查项目选定装置、检查项目选定方法及检查项目选定程序 |
CN102156812A (zh) * | 2011-04-02 | 2011-08-17 | 中国医学科学院医学信息研究所 | 基于症状相似度分析的就医辅助决策方法 |
CN104134180A (zh) * | 2014-07-04 | 2014-11-05 | 中国石油化工股份有限公司 | 一种用于多因素职业健康检查的筛选系统及筛选方法 |
Non-Patent Citations (1)
Title |
---|
基于模糊神经网络的智能医疗诊断辅助系统的研究;毛亮;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20070815;I139-331 * |
Also Published As
Publication number | Publication date |
---|---|
CN104462857A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109920508B (zh) | 处方审核方法及系统 | |
Saini et al. | Efficiency in functional analysis of problem behavior: A quantitative and qualitative review | |
Lin et al. | Statistical methods in assessing agreement: Models, issues, and tools | |
US6807492B2 (en) | Knowledge tree medical enablement | |
CN107887024A (zh) | 基于中医机器人的智能诊断系统及中医机器人 | |
CN104462857B (zh) | 基于矩阵的疾病程度区分及检验项目的自我分析平台 | |
CN102156812A (zh) | 基于症状相似度分析的就医辅助决策方法 | |
CN110136836A (zh) | 一种基于体检报告聚类分析的疾病预测方法 | |
CN109859815A (zh) | 一种辅助用药决策方法及智能辅助用药系统 | |
CN107391941A (zh) | 一种提高用药依从性的方法和系统 | |
CN102184314A (zh) | 面向偏差性症状描述的自动辅助诊断方法 | |
CN108417271A (zh) | 基于精神障碍亚型分类的精神抑制药物推荐方法与系统 | |
WO2012128435A1 (en) | Significance parameter extraction method and its clinical decision support system for differential diagnosis of abdominal diseases based on entropy rough approximation technology | |
CN109411062A (zh) | 一种基于深度学习技术利用生理参数自动判断糖尿病及其并发症的方法 | |
CN103279668B (zh) | 一种恶性肿瘤放化疗规范符合度的量化评估系统 | |
Sabol et al. | Exploring the factors that influence functional performance among nursing home residents | |
Shelton et al. | Patient safety in the era of the 80-hour workweek | |
CN106845140A (zh) | 一种基于尿比重和尿量监测的肾衰竭预警方法及系统 | |
CN101828188A (zh) | 诊断标志物的估计 | |
CN112807542B (zh) | 一种麻醉剂用量控制的方法和装置 | |
CN109545377A (zh) | 获取肾小球滤过率的模型的建立方法及应用 | |
Nguyen et al. | Multidimensional Machine Learning for Assessing Parameters Associated With COVID-19 in Vietnam: Validation Study | |
CN112071439B (zh) | 药物副作用关系预测方法、系统、计算机设备和存储介质 | |
CN113517044A (zh) | 基于药代学评价胞二磷胆碱的临床数据处理方法及系统 | |
CN107480295A (zh) | 用户数据的修正方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 300381 Tianjin Xiqing District Lingao Creative Industrial Park, phase 4, two floor, north side. Applicant after: Tianjin mywor medical technology Limited by Share Ltd Address before: 300381 Tianjin Xiqing District Lingao Creative Industrial Park, phase 4, 2 floor. Applicant before: TIANJIN MEDICAL WORKSHOP CO., LTD. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |