CN104915561A - 疾病特征智能匹配方法 - Google Patents

Abstract

本发明提供了一种疾病特征智能匹配方法。本发明利用患者的体征和检验检查数据来构建疾病特征的智能匹配模型，用于辅助诊断和治疗方案推荐。本发明的有益效果是，与传统的基于关键词搜索的方法不同，本发明所涉及的疾病特征的智能匹配方法和系统，能根据患者体征和检验检查指标信息诊断病情，同时获取相应治疗方案推荐，为医生的诊治提供参考，同时提高诊治的效率。

Description

疾病特征智能匹配方法

技术领域

本发明属于医学数据挖掘领域，涉及一种用于辅助诊断的疾病特征智能匹配方法。

背景技术

医生在日常工作中，常常需要根据当前患者的症状参考已有病例的治疗方案。患者的体征数据和检验检查数据共同构成了多维的疾病特征向量，相似病例的搜索意味着从庞大的病例数据库中找到相匹配的特征向量，显然传统的基于关键词的搜索方式无法满足多维特征快速匹配的需求。

另一方面，数据挖掘技术作为数据库知识发现的重要过程，已被广泛应用在诸多领域，通过建立相应的挖掘模型，可以解决现实中的分类、预测、推荐等各类问题。

发明内容

本发明的目的是利用患者的体征和检验检查数据来构建疾病特征的智能匹配模型，用于辅助诊断和治疗方案推荐。

为了达到上述目的，本发明的技术方案是提供了一种疾病特征智能匹配方法，其特征在于，包括以下步骤：

步骤1、对电子病例库中已有的患者数据按照事先建立的疾病体征集和检验检查指标集提取相应的值构成每位患者的特征向量，将所有患者的特征向量整合成病例特征矩阵D；

步骤2、采用主成分分析提取病例特征矩阵D的主成分，并按照主成分所在方向进行数据变换，变换后的空间称为病例特征矩阵D的特征空间F；

步骤3、将待匹配患者的疾病体征数据和检验检查数据投影到特征空间F中，并计算待匹配患者与病例特征矩阵D中每一位患者的特征向量的相似度，排序选择相似度最大的前N个患者的特征向量作为待匹配患者的最近邻特征集U；

步骤4、以相似度为权值，计算待匹配患者的各疾病体征指标和检验检查指标的得分，选取排序后得分贡献度在一定百分比以上的疾病体征指标和/或检验检查指标作为判断病症的主要特征，用于辅助诊断，其中，第i个待匹配患者的第a个指标的得分为P_ia，则有：

式中，为第i个待匹配患者的指标的平均值，sim_ij为第i个待匹配患者与最近邻特征集U中第j个患者的相似度，z_ja表示最近邻特征集U中第j个患者的第a个指标的得分，为最近邻特征集U中第j个患者的指标的平均值。

优选地，所述疾病体征集和检验检查指标集通过以下方法得到：

以包含患者基本信息、体征信息、检验检查信息和诊断信息的电子病历为基础，结合疾病防治指南和国内外研究现状构建的疾病体征词袋，将电子病历中的非结构化体征信息进行结构化处理，得到疾病体征集和检验检查指标集。

优选地，在所述步骤3中，采用余弦相似性度量计算待匹配患者与病例特征矩阵D中每一位患者的特征向量的相似度，则在所述步骤4中，第i个待匹配患者与最近邻特征集U中第j个患者的相似度为式中，f_i为第i个待匹配患者的特征向量，f_j为最近邻特征集U中第j个患者的特征向量。

优选地，在所述步骤4后还包括：

步骤5、采用数据稀疏性评估和匹配模型评估进行性能评估。

优选地，在所述步骤2之前并所述步骤1之后还包括：

步骤A、将所述病例特征矩阵D分块，即分为患者疾病体征指标矩阵X和患者检验检查指标矩阵Y，则所述步骤2为：

分别对患者疾病体征指标矩阵X和患者检验检查指标矩阵Y执行主成分分析，并按照主成分所在方向进行数据变换，将分别变换后获得的特征空间串型组合成病例特征矩阵D的特征空间F。

优选地，在所述步骤2之前并所述步骤A之后还包括：

步骤B、将所述病例特征矩阵D中的数据进行标准化，以消除量纲和数量级的影响。

优选地，采用相同的方法分别将所述患者疾病体征指标矩阵X和患者检验检查指标矩阵Y中的数据标准化，其中，设患者疾病体征指标矩阵X有n行m列，则将患者疾病体征指标矩阵X中的体征指标值x_ij标准化为的方法为：

${\tilde{x}}_{ij}=\frac{x_{ij}-{\mathrm{\μ}}_j}{{\mathrm{\σ}}_j^2}$

式中，μ_j为第j项体征指标的均值， 为第j项体征指标的方差， ${\mathrm{\σ}}_j^2=\frac{1}{n-1}\underset{j=1}{\overset{m}{\Σ}}{(x_{ij}-{\mathrm{\μ}}_j)}^2.$

优选地，在所述步骤2中，选取主成分时选择累积方差贡献度大于0.85的成分作为主成分，且主成分相应的特征值必须大于1，以保证所选主成分足以解释原变量。

本发明的有益效果是，与传统的基于关键词搜索的方法不同，本发明所涉及的疾病特征的智能匹配方法和系统，能根据患者体征和检验检查指标信息诊断病情，同时获取相应治疗方案推荐，为医生的诊治提供参考，同时提高诊治的效率。

附图说明

图1为本发明的整体逻辑图；

图2为本发明性能评估过程中覆盖率的累积概率分布函数曲线。

图中：1.数据集成过程、2.电子病历库、3.患者体征数据、4.患者检验检查数据、5.非结构化数据结构化处理、6.患者体征指标特征矩阵、7.患者检验检查指标特征矩阵、8.集成后的病例特征矩阵(包括体征指标特征矩阵和检验检查指标特征矩阵)、9.维数约简过程、10.标准化、11.分块进行主成分分析、12.稀疏度计算、13.约简后的病例特征矩阵、14.待匹配患者特征向量、15.相似度量过程、16.计算相似性、17.待匹配患者最近邻特征集、18.智能匹配过程、19.计算匹配特征得分、20.匹配体征集、21.性能评估过程。

具体实施方式

为使本发明更明显易懂，兹以优选实施例，并配合附图作详细说明如下。

本发明涉及一种用于辅助诊断的疾病特征智能匹配方法和系统。其基本思想是：在医疗大数据背景下，根据单一疾病患者的临床表现具有相似性，通过匹配当前患者与数据库中的已有病例，得到对于当前患者的疾病诊断的额外临床决策支持及治疗方案推荐，起到提高医生诊断效率的辅助作用。本发明以住院高血压患者为例，具体介绍实施过程。值得一提的是，因为所获取的疾病特征具有严重的稀疏性，因此本发明中首先采用高维数据维数约简的思想来减弱因稀疏性和冗余性造成的匹配率下降问题。结合图1，本发明的具体步骤为：

步骤1、以包含患者基本信息、体征信息、检验检查信息和诊断信息的电子病历为基础，结合疾病防治指南和国内外研究现状构建的疾病体征词袋，将电子病历中的非结构化体征信息进行结构化处理，得到疾病体征集和检验检查指标集。

对电子病例库中已有的患者数据按照事先建立的疾病体征集和检验检查指标集提取相应的值构成每位患者的特征向量，将所有患者的特征向量整合成病例特征矩阵D，表述如下：

$D=\[X|Y\]=\left[\begin{array}{cccccccc}{x}_{11}& x_{12}& \mathrm{...}& x_{1m}& y_{11}& y_{12}& \mathrm{...}& y_{1k}\\ x_{21}& x_{22}& \mathrm{...}& x_{2m}& y_{21}& y_{22}& \mathrm{...}& y_{2k}\\ .& .& & .& .& .& & .\\ .& .& x_{ij}& .& .& .& y_{it}& .\\ .& .& & .& .& .& & .\\ x_{n1}& x_{n2}& \mathrm{...}& x_{nm}& y_{n1}& y_{n2}& \mathrm{...}& y_{nk}\end{array}\right]$

式中，X为患者疾病体征指标矩阵，Y为患者检验检查指标矩阵，x_ij为第i个患者的第j项体征指标，y_it为第i个患者的第t项检验检查指标。

步骤2、将病例特征矩阵D中的数据进行标准化，以消除量纲和数量级的影响。采用相同的方法分别将患者疾病体征指标矩阵X和患者检验检查指标矩阵Y中的数据标准化，其中，将患者疾病体征指标矩阵X中的体征指标值x_ij标准化为的方法为：

${\tilde{x}}_{ij}=\frac{x_{ij}-{\mathrm{\μ}}_j}{{\mathrm{\σ}}_j^2}$

式中，μ_j为第j项体征指标的均值， 为第j项体征指标的方差， ${\mathrm{\σ}}_j^2=\frac{1}{n-1}\underset{j=1}{\overset{m}{\Σ}}{(x_{ij}-{\mathrm{\μ}}_j)}^2.$

步骤3、维数约简过程：因数据集成过程得到的病例特征矩阵D是非对称的稀疏矩阵，直接进行相似性度量将导致冗余的计算量，并且算法精度不高。因此，本发明采用主成分分析分别提取病例特征矩阵D中患者疾病体征指标矩阵X和患者检验检查指标矩阵Y的主成分，选取主成分时选择累积方差贡献度大于0.85的成分作为主成分，且主成分相应的特征值必须大于1，以保证所选主成分足以解释原变量，并按照主成分所在方向进行数据变换，将分别变换后获得的特征空间串型组合成病例特征矩阵D的特征空间F。

步骤4、将待匹配患者的疾病体征数据和检验检查数据投影到特征空间F中，并采用余弦相似性度量计算待匹配患者与病例特征矩阵D中每一位患者的特征向量的相似度，排序选择相似度最大的前N个患者的特征向量作为待匹配患者的最近邻特征集U；

步骤5、以以余弦相似度为权值，计算待匹配患者的各疾病体征指标和检验检查指标的得分，选取排序后得分贡献度在95％以上的疾病体征指标和检验检查指标作为判断病症的主要特征，用于辅助诊断，其中，第i个待匹配患者的第a个指标的得分为P_ia，则有：

式中，为第i个待匹配患者的指标的平均值，z_ja表示最近邻特征集U中第j个患者的第a个指标的得分，为最近邻特征集U中第j个患者的指标的平均值，sim_ij为第i个待匹配患者与最近邻特征集U中第j个患者的相似度，式中，f_i为第i个待匹配患者的特征向量，f_j为最近邻特征集U中第j个患者的特征向量。

步骤6、性能评估过程：这里的性能评估包含数据稀疏性评估和匹配模型评估，其中数据的稀疏性通过如下的稀疏度sparse来评价：

$sparse=\frac{N_{0\∈D}}{n(m+k)}$

式中，N_0∈D表示病例特征矩阵D中所有的零元的个数。sparse越接近于1表示数据的稀疏性越高。

匹配模型评估采取覆盖率COV来衡量疾病特征匹配的覆盖程度，其定义为给定匹配原则的前提下，匹配集中覆盖实际体征的个数占实际体征的比。同时采用累积概率分布来分析整个匹配系统的精度。

以下以具体实施来进一步说明本发明。

步骤1、依据电子病历库2中上海市2011年度各医院汇总的572975条高血压患者住院记录，选取出院小结表中患者的基本信息，以及相应的诊断体征数据3和住院期间的检验检查数据4。

步骤2、根据《中国高血压防治指南(2010年版)》构建高血压疾病体征词袋，将电子病历中的非结构化体征信息进行结构化处理5，得到高血压患者体征指标集，即乏力、腹痛腹胀、恶心呕吐、咳嗽、气促、心悸、干湿罗音、发烧、胸痛胸闷、头昏头痛、尿频尿急、盗汗、口干、视力模糊、大便秘结、腰酸腰痛、呼吸音低粗、四肢麻木、睡眠质量差、咳痰、颈部肿块、耳鸣、精神萎靡、意识模糊、口齿含糊、压痛、背部酸痛、舌淡、抽搐、吞咽困难共计30项。

依据高血压体征指标集重构高血压体征数据，即按照卡号和卡类型将诊断体征信息构造成一个0-1矩阵，称之为患者体征指标特征矩阵6，它是一个非对称的稀疏矩阵，其中0表示患者不存在相应的体征特征，1表示存在。

步骤3、结合《中国高血压防治指南(2010年版)》中的常规检验检查项目，将检验检查表按照卡号、卡类型整理成患者检验检查指标特征矩阵7，它也是一个非对称的稀疏矩阵，每行表示一位患者的检验检查指标向量，分量值为相应的检验检查结果。在实施中，选择的指标为谷草转氨酶(AST)、谷丙转氨酶(ALT)、尿素氮(BUN)、24小时尿钾、24小时尿钠、B型钠尿肽(BNP)、C反应蛋白(CRP)、口服葡萄糖胰岛素释放实验(空腹OGTT、1小时OGTT、2小时OGTT)、低密度蛋白胆固醇(LDL)、尿酸、尿蛋白肌酐、尿蛋白、尿PH值、尿红细胞。

步骤4、按照卡号、卡类型整合患者体征指标特征矩阵6和患者检验检查指标特征矩阵7，构成高血压病例特征矩阵8。并在此基础上建立疾病特征的智能匹配方案，用于辅助诊断。

步骤5、消除稀疏性造成的匹配率下降的问题。将高血压病例特征矩阵8按照特征进行标准化10，基于此，采用分块主成分分析11执行维数约简9，合并得到约简后的病例特征矩阵13。同时将待匹配患者的特征向量14投影至相同的空间，得到约简后的带匹配患者的特征向量。在本实施样例中，随机选取80％的病例特征数据用于训练规则，其余20％用于规则的性能评估。经稀疏度计算12，训练数据的稀疏度达到了82.94％，对其执行分块主成分分析11，合并构成表1的约简矩阵，其中，前30行为体征指标，后16项为检验检查指标。

表1病例特征矩阵的约简矩阵

步骤6、针对第5步获取的约简后的病例特征矩阵13，采用基于相似度的近邻规则，获取待匹配患者14的最近邻特征矩阵。采用余弦相似性16的前提下，提取患者的20项最近邻特征构成患者的近邻特征集17，并记录相应的相似度用于后续计算。为了详细阐明，这里选取其中五位患者作为样例说明。若选择的患者体征指标为：

patient1：(1，1，0，0，0，0，1，0，0，1，1，1，1，0，1，1，1，1，0，0，1，0，0，1，0，0，0，0，0，0)

patient2：(0，1，0，0，0，1，1，0，0，0，0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，1，0，0，0，0)

patient3：(0，1，0，0，0，1，1，0，0，0，0，0，0，0，0，0，1，1，0，0，1，1，0，0，0，1，0，0，0，0)

patient4：(0，1，0，0，0，0，1，0，0，0，1，0，0，0，0，0，1，1，0，0，0，0，0，0，0，1，0，0，0，0)

patient5：(0，1，0，1，0，0，1，0，0，0，0，0，0，0，1，0，1，0，0，1，0，1，0，0，0，1，0，0，0，0)

这里仅给出了体征指标，没有显式列出检验检查指标。表2给出了5位患者的近邻特征在匹配库中的位置和相应的相似度。可以看出，在选择20-近邻的前提下，近邻规则的质量很高，相似度都在99％以上。

表2与待匹配患者最近邻特征所在行数和相应的相似度

这里，灰色底纹所示数字为近邻特征在病例特征矩阵中的行数，下方对应的是相似度。

7、计算待匹配患者各项指标的得分19。表3给出了5位患者特征的得分(归一化后的得分)和相应的排名。

表3患者指标得分和排名结果表

根据表3可知，在匹配特征得分贡献度大于95％的原则下，提取5位患者按得分从大到小排序后的特征见表4。可以看出，特征匹配不仅涵盖了5位患者的绝大多数实际体征，而且给出了实际体征的排名。参考疾病特征匹配结果，医生可快速精准的诊断疾病。

表4 95％原则下匹配特征和相应的覆盖率

可以看出patient5的体征“咳痰”未被匹配到，为了分析整个系统的优劣，采用经验累积概率分布函数(CDF)21来衡量。由图2可知，覆盖率小于0.9的CDF仍然小于0.3，也就是说70％的覆盖率超过了0.9。在覆盖率小于0.7被认为匹配不合格的原则下，CDF大约在0.05，也就是说95％的匹配都是合格的。说明疾病特征智能匹配和预测模型具备优秀的匹配体征覆盖率，可以辅助医生诊断患者体征，防止漏诊。

Claims (8)

1.一种疾病特征智能匹配方法，其特征在于，包括以下步骤：

步骤1、对电子病例库中已有的患者数据按照事先建立的疾病体征集和检验检查指标集提取相应的值构成每位患者的特征向量，将所有患者的特征向量整合成病例特征矩阵D；

步骤2、采用主成分分析提取病例特征矩阵D的主成分，并按照主成分所在方向进行数据变换，变换后的空间称为病例特征矩阵D的特征空间F；

步骤3、将待匹配患者的疾病体征数据和检验检查数据投影到特征空间F中，并计算待匹配患者与病例特征矩阵D中每一位患者的特征向量的相似度，排序选择相似度最大的前N个患者的特征向量作为待匹配患者的最近邻特征集U：

步骤4、以相似度为权值，计算待匹配患者的各疾病体征指标和检验检查指标的得分，选取排序后得分贡献度在一定百分比以上的疾病体征指标和/或检验检查指标作为判断病症的主要特征，用于辅助诊断，其中，第i个待匹配患者的第a个指标的得分为P_ia，则有：

式中，为第i个待匹配患者的指标的平均值，sim_ij为第i个待匹配患者与最近邻特征集U中第j个患者的相似度，z_ja表示最近邻特征集U中第j个患者的第a个指标的得分，为最近邻特征集U中第j个患者的指标的平均值。

2.如权利要求1所述的一种疾病特征智能匹配方法，其特征在于，在所述步骤1中，所述疾病体征集和检验检查指标集通过以下方法得到：

以包含患者基本信息、体征信息、检验检查信息和诊断信息的电子病历为基础，结合疾病防治指南和国内外研究现状构建的疾病体征词袋，将电子病历中的非结构化体征信息进行结构化处理，得到疾病体征集和检验检查指标集。

3.如权利要求1所述的一种疾病特征智能匹配方法，其特征在于，在所述步骤3中，采用余弦相似性度量计算待匹配患者与病例特征矩阵D中每一位患者的特征向量的相似度，则在所述步骤4中，第i个待匹配患者与最近邻特征集U中第j个患者的相似度式中，f_i为第i个待匹配患者的特征向量，f_j为最近邻特征集U中第j个患者的特征向量。

4.如权利要求1所述的一种疾病特征智能匹配方法，其特征在于，在所述步骤4后还包括：

步骤5、采用数据稀疏性评估和匹配模型评估进行性能评估。

5.如权利要求1所述的一种疾病特征智能匹配方法，其特征在于，在所述步骤2之前并所述步骤1之后还包括：

步骤A、将所述病例特征矩阵D分块，即分为患者疾病体征指标矩阵X和患者检验检查指标矩阵Y，则所述步骤2为：

分别对患者疾病体征指标矩阵X和患者检验检查指标矩阵Y执行主成分分析，并按照主成分所在方向进行数据变换，将分别变换后获得的特征空间串型组合成病例特征矩阵D的特征空间F。

6.如权利要求5所述的一种疾病特征智能匹配方法，其特征在于，在所述步骤2之前并所述步骤A之后还包括：

步骤B、将所述病例特征矩阵D中的数据进行标准化，以消除量纲和数量级的影响。

7.如权利要求6所述的一种疾病特征智能匹配方法，其特征在于，采用相同的方法分别将所述患者疾病体征指标矩阵X和患者检验检查指标矩阵Y中的数据标准化，其中，设患者疾病体征指标矩阵X有n行m列，则将患者疾病体征指标矩阵X中的体征指标值x_ij标准化为的方法为：

${\tilde{x}}_{ij}=\frac{x_{ij}-{\mathrm{\μ}}_j}{{\mathrm{\σ}}_j^2}$

式中，μ_j为第j项体征指标的均值， 为第j项体征指标的方差， ${\mathrm{\σ}}_j^2=\frac{1}{n-1}\underset{j=1}{\overset{m}{\Σ}}{(x_{ij}-{\mathrm{\μ}}_j)}^2.$

8.如权利要求1所述的一种疾病特征智能匹配方法，其特征在于，在所述步骤2中，选取主成分时选择累积方差贡献度大于0.85的成分作为主成分，且主成分相应的特征值必须大于1，以保证所选主成分足以解释原变量。