CN105389465A - 病历数据处理方法、装置以及系统 - Google Patents
病历数据处理方法、装置以及系统 Download PDFInfo
- Publication number
- CN105389465A CN105389465A CN201510724624.2A CN201510724624A CN105389465A CN 105389465 A CN105389465 A CN 105389465A CN 201510724624 A CN201510724624 A CN 201510724624A CN 105389465 A CN105389465 A CN 105389465A
- Authority
- CN
- China
- Prior art keywords
- medical record
- record data
- statistics
- disease
- combination
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及临床医学技术领域,具体而言,涉及一种病历数据处理方法、装置以及系统。该方法包括:获取当前患者的病历数据;运用预先建立的病症程度模型对所述病历数据进行运算,其中,所述病症程度模型是预先根据已经确定了疾病程度的多个患者的病历数据建立的;根据所述运算的结果确定所述当前患者的疾病程度;显示与所述当前患者的所述疾病程度。该方法通过病症程度模型,对当前患者的病历数据进行运算,确定患者的疾病程度,医生只需要在临床医疗中,直接获取患者的病历数据,并在看到所显示的当前患者的疾病程度之后,再结合实际的情况判断患者的疾病程度,即判断手足口病的发展阶段,减少临床中对手足口病病情的延误。
Description
技术领域
本发明涉及临床医学技术领域,具体而言,涉及一种病历数据处理方法、装置以及系统。
背景技术
目前,在手足口病的临床诊断过程中,一般是医生根据标准的卫生部诊断指南,对于疾病属于轻症还是重症作出判断。卫生部诊断指南为手足口病的诊断提供了参照病历,一般地包括:1、普通病历(即轻症病历):发热伴手、足、口、臀部铺皮疹,部分病历可无发热;2、重症病历:在轻症的基础上,出现神经系统受累、呼吸及循环系统功能障碍表现,实验室检查有外周白细胞增高、脑脊液异常、血糖增高、脑电图、脑脊髓磁共振、超声心动图、胸部X线等检查可有异常。极少数重症病历皮疹不典型,临床诊断困难,需结合病原学或血清学检查做出诊断。
这种判断方法,一般是需要重症的临床症状表现出来之后,才能够诊断为重症,并进行相应的治疗。同时为了更好进行治疗,将病程也分程了不同时期:第1期(手足口出疹期):此期病历属于手足口病普通病历,绝大多数病历在此期痊愈;第2期(神经系统受累期):此期病历属于手足口病重症病历重型,大多数病历可痊愈;第3期(心肺功能衰竭前期):此期病历属于手足口病重症病历危重型。及时发现上述表现并正确治疗,是降低病死率的关键;第4期(心肺功能衰竭期):此期病历属于手足口病重症病历危重型,病死率较高;第5期(恢复期):体温逐渐恢复正常,对血管活性药物的依赖逐渐减少,神经系统受累症状和心肺功能逐渐恢复,少数可遗留神经系统后遗症状。但是并不是所有病历都按照1-5期顺序发展,不同期的发展时间也不定,缺少预警的指标,往往是病症发展到哪个阶段,出现了相应的临床表现,医生才能够根据具体的临床表现进行相应的治疗,一旦中间治疗有所延误,则很可能造成更加严重的结果。
因此,一种能够预知手足口病发展阶段的临床预警方法成为目前亟需解决的问题。
发明内容
有鉴于此,本发明实施例的目的在于提供一种病历数据处理方法、装置以及系统,能够使得医生通过处理后的病历数据,判断手足口病的发展阶段,减少临床中对于手足口病病情的延误。
第一方面,本发明实施例提供了一种病历数据处理方法,包括:
获取当前患者的病历数据;
运用预先建立的病症程度模型对所述病历数据进行运算,其中,所述病症程度模型是预先根据已经确定了疾病程度的多个患者的病历数据建立的;
根据所述运算的结果确定所述当前患者的疾病程度;
显示与所述当前患者的所述疾病程度。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,所述病症程度模型采用以下方式建立:
对已经确定了疾病程度的多个患者的病历数据以及疾病程度做最大相关和最小冗余的统计计算,获得与所述多个患者的病历数据分别对应的统计结果;
以已经确定了疾病程度的多个患者的病历数据为模型,从所有统计结果中选取多个所述统计结果的组合,评估在每个组合中每个所述病历数据中各个指标在不同的疾病程度中的权重;其中,每个所述统计结果的组合中至少包括两个统计结果;
将选取出来的错误率最低的所述统计结果的组合所对应的病历数据的指标的权重进行线性拟合,获取线性拟合公式,将所述线性拟合公式作为所述病症程度模型。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,从所有统计结果中选取多个所述统计结果的组合包括:
将统计结果从大到小排序;
根据排序后的统计结果选取多个所述统计结果的组合,其中,每个所述统计结果的组合中最小的统计结果,均大于或等于未被选取组合的统计结果中最大的统计结果。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,所述评估在每个组合中每个所述病历数据中各个指标在不同的疾病程度中的权重之后,还包括:
根据已经确定了疾病程度的多个患者的病历数据,验证每个所述统计结果的组合的错误率。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,在建立所述病症程度模型后,还包括:
根据除所述多个患者之外的其它患者的临床数据,检测所述病症程度模型;
根据检测结果优化所述病症程度模型。
第二方面,本发明实施例还提供一种病历数据处理装置,包括:
病历数据获取模块,用于获取当前患者的病历数据;
病历数据分析模块,运用预先建立的病症程度模型对所述病历数据进行运算,其中,所述病症程度模型是预先根据已经确定了疾病程度的多个患者的病历数据建立的;
病症程度确定模块,根据所述运算的结果确定所述当前患者的疾病程度;
显示模块,用于显示与所述当前患者的所述疾病程度。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,还包括:病症程度模型建立模块;
所述病症程度模型建立模块具体包括:
统计单元,对已经确定了疾病程度的多个患者的病历数据以及疾病程度做最大相关和最小冗余的统计计算,获得与所述多个患者的病历数据分别对应的统计结果;
权重评估单元,以已经确定了疾病程度的多个患者的病历数据为模型,从所有统计结果中选取多个所述统计结果的组合,评估在每个组合中每个所述病历数据中各个指标在不同的疾病程度中的权重;其中,每个所述统计结果的组合中至少包括两个统计结果;
病症程度模型建立单元将选取出来的错误率最低的所述统计结果的组合所对应的病历数据的指标的权重进行线性拟合,获取线性拟合公式,将所述线性拟合公式作为所述病症程度模型。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,所述权重评估单元还包括:
排序子单元,用于将统计结果从大到小排序;
统计结果选取子单元,用于根据排序后的统计结果选取多个所述统计结果的组合,其中,每个所述统计结果的组合中最小的统计结果,均大于或等于未被选取组合的统计结果中最大的统计结果。
结合第二方面,本发明实施例提供了第二方面的第三种可能的实施方式,所述病症程度模型建立模块,还包括:错误率验证单元,用于根据已经确定了疾病程度的多个患者的病历数据,验证每个所述统计结果的组合的错误率。
和/或,
还包括:病症程度模型优化模块,用于根据除所述多个患者之外的其它患者的临床数据,检测所述病症程度模型;根据检测结果优化所述病症程度模型。
第三方面,本发明实施例还提供一种病历数据处理系统,其特征在于,包括如上述第二方面所述的病历数据处理系统,还包括:病历数据输入装置;
所述病历数据输入装置与所述病历数据处理系统连接。
本发明实施例所提供的病历数据处理方法、装置以及系统,通过已经确定了的疾病程度的多个患者的病历数据建立病症程度模型,并在获取了当前患者的病历数据之后,运用该病症程度模型对病历数据进行运算,并获取相应的运算结果,确定当前患者的疾病程度,并将当前患者的疾病程度显示出来,在这个过程中,医生只需要在临床医疗中,直接获取患者的病历数据,并在看到所显示的当前患者的疾病程度之后,再结合实际的情况判断患者的疾病程度,即判断手足口病的发展阶段,减少临床中对手足口病病情的延误。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的一种病历数据处理方法的流程图;
图2示出了本发明实施例所提供的病历数据处理方法中,建立病症程度模型的具体方法的流程图;
图3示出了本发明实施例所提供的病历数据处理装置的结构示意图;
图4示出了本发明实施例所提供的病历数据处理装置中,病症程度模型建立模块的具体结构示意图;
图5示出了本发明实施例所提供的病例数据处理装置中,权重评估单元的具体结构示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,由于手足口病的发展情况并不是按照其通常发展的五个阶段发展,并且不同时期的发展时间也不确定,缺少预警的指标,往往是疾病发展到哪个阶段,出现了相应的临床表现,医生才能够根据具体的临床表现确定疾病的发展阶段,从而进行相应的治疗,一旦中间有所延误,则很可能造成比较严重的后果,基于此,本申请提供的一种病历数据处理方法、装置以及系统,能够使得医生通过处理后的病历数据,判断手足口病的发展阶段,减少临床中对于手足口病病情的延误。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种病历数据处理方法进行详细介绍,参见图1所示,本发明实施例所提供的病历数据的处理方法包括:
S101:获取当前患者的病历数据;
在具体实现的时候,病历数据是指在患者进行检查或者治疗的过程中,需要观测的身体情况的各种指标或者各种身体状态参数。患者的病历数据有很多种。病历数据有多种获取的方式,其主要使用的方式一般有以下几种:1、由临床医生直接观察并记录病人的各项病历数据,例如患者的肢体抖动情况,患者的呕吐情况等。2、通过各种传感器实时获取病人的病历数据,例如病人呼吸节律的改变、收缩压的改变、发热持续时间等;3、通过各项检查仪器获取患者的病历数据,例如患者中性粒细胞百分比、血清EV71-lgM等。而更多的,则是上述几种获取方式相结合的方法来分别获取不同的病历数据。
需要注意的是,由于本申请所提供的病历数据处理方法是一种自动处理方法,因此在获取病历数据的时候,需要将病历数据数字化。即对于每一种病历数据,不同的情况均赋予不同的数字。例如,患者的肌力情况一般可以分为六级,分别为:0级,患者完全瘫痪,测不到肌肉收缩;1级,仅测到肌肉收缩,但不能产生动作;2级,肢体能在床上平行移动,但不能抵抗自身重力,即不能抬离床面;3级,肢体可以克服地心吸引力,能抬离床面,但不能抵抗阻力;4级,肢体能做对抗外界阻力的运动,但不完全;5级,肌力正常。那么,就相应的将0、1、2、3、4、5六个数字作为数字化后所对应的六种不同肌力情况。在获取患者的病历数据时,直接获取与不同的肌力情况所对应的数字。又例如,肢体抖动情况,一般包括无、有、频繁三种,其中一般认为无(未出现抖动);有(拿东西或站立时出现抖动);频繁(平静时出现抖动),分别对“无”、“有”和“频繁”赋予数字0、1、2,那么医生在临床过程中检查到患者的肢体抖动情况时,获取的病历数据为与“无”、“有”和“频繁”所对应的数字0、1、2。
S102:运用预先建立的病症程度模型对所述病历数据进行运算,其中,所述病症程度模型是预先根据已经确定了疾病程度的多个患者的病历数据建立的;
在具体实现的时候,需要根据多个已经确定了疾病程度的患者的病历数据建立病症程度模型。其中,需要注意的是,如果将建立病症程度的病历数据看做病历数据,而将所获取的当前患者的病历数据作为病历数据,那么第一观测指标的集合一定属于病历数据的集合。病历数据为病历数据中的一部分。
参见图2所示,本发明实施例还提供一种建立病症程度模型的方法,具体包括:
S201:对已经确定了疾病程度的多个患者的病历数据以及疾病程度做最大相关和最小冗余的统计计算,获得与所述多个患者的病历数据分别对应的统计结果;
在具体实现的时候,需要预先获取多个已经确定了疾病程度的患者的病历,而病历的数量越多,则最终所建立的病症程度模型的精确度也就越高。针对每一种病历数据,均做最大相关和最小冗余的统计计算,获得与病历数据的数量一致的统计结果,即在建立病症程度模型的时候,是针对多个病历数据进行统计,获得与多个患者的病历数据分别对应的统计结果。
一般地,在手足口病的病症程度模型中,病历数据一般包括:患者年龄、肌力信息、肢体抖动情况、肺部湿罗音情况、惊跳情况、呕吐情况、巴氏征、EV71、血清信息、颈项强直、皮疹个数、呼吸节律、收缩压、中性粒细胞、呼吸频率、抽搐信息、发热储蓄时间、皮肤花纹、巨噬细胞、体重变化情况、血常规、尿常规以及在疾病检查过程当中的其他检测或者观测数据。这些病历数据均会在进行统计计算之前被数字化,被数字化的过程与在当前患者的病历数据的数字化过程是类似的,因此在此不再赘述。
S202:以已经确定了疾病程度的多个患者的病历数据为模型,从所有统计结果中选取多个所述统计结果的组合,评估在每个组合中每个所述病历数据中各个指标在不同的疾病程度中的权重;其中,每个所述统计结果的组合中至少包括两个统计结果;
在具体实现的时候,已经确定了疾病程度的患者的病历与S201中在统计过程当中用到的患者的病历。此时,在获取了每一个病历数据的统计结果之后,会从所有的统计结果中选取多个统计结果的组合,在统计结果的组合的选取过程当中,为了能够获取更加精确的病症程度模型,因此一般是采取将所有的统计结果组合均组合一次的方式,而每一个组合中至少要包括两个统计结果。例如,病历数据有4个,那么应当获取4个统计结果,分别为A、B、C、D,那么几种统计结果的组合就应当分别为:AB、AC、AD、BC、BD、CD、ABC、ABD、BCD、ABCD几种。
进一步地,由于病历数据有很多个,有些病历数据实则是与手足口病的病症程度无关的,或者是相关性很小,或者具有偶然性,因此将所有的统计结果均组合一次的方式显然是会浪费大量的时间以及资源,其在S201中进行统计的时候,获得的值可能非常小,对手足口病的疾病程度的判断所产生的影响也微乎其微,优选地,在S201获得统计结果之后,还要将统计结果进行从大到小的排序。而在选取统计结果的组合时,可以从统计结果的排序中,从前到后进行选择(从前到后,即为从大到小),使得多个所述统计结果的组合中,每个所述统计结果的组合中最小的统计结果,均大于或者等于未被选取组合的统计结果中最大的统计结果。例如,有20个病历数据,在将进行统计之后所获得的与每一个病历数据分别对应的统计结果进行从大到小的排序之后,分别为:A、B、C、D、E、F、G、H、I、J、K、L、M、N、O、P、Q、R、S、T,其中,A为最大的统计结果,而T为最小的统计结果,那么统计结果的组合就应当是:AB、ABC、ABCD、ABCDE、ABCDEF、ABCDEFG……ABCDEFGHIJKLMNOPQRST。这样,病历数据对手足口病的疾病程度影响越大,那么与该病历数据所对应的统计结果就越排在前边,从而在选取统计结果的组合的时候,就应当有更大的几率选择该统计结果。
在获取了所有的统计结果的组合之后,在每一个统计结果的组合中,都会以已经确定了疾病程度的患者的病历数据为模型,利用机器学习的方法,评估确定与统计结果对应的病历数据在不同的疾病程度中的权重,以评判该病历数据在不同的疾病程度中的重要程度。
另外,在评估在每个组合中每个所述病历数据中各个指标在不同的疾病程度中的权重之后还包括:
S203:根据已经确定了疾病程度的多个患者的病历数据,验证每个所述统计结果的组合的错误率。
在具体实现的时候,由于已经通过数学方法计算出每一种病历数据在手足口病的疾病程度中所占据的权重,而针对同一种病历数据,不同的统计结果的组合中,所获得的权重是不一样的,那么就要根据已经确定了疾病程度的患者的病历,验证每个统计结果的组合的错误率。
S204:将选取出来的错误率最低的所述统计结果的组合所对应的病历数据的指标的权重进行线性拟合,获取线性拟合公式,将所述线性拟合公式作为所述病症程度模型。
在具体实现的时候,错误率最低的所述统计结果的组合所对应的病历数据,就是在S102中的病历数据。
一般地,手足口病的病历数据以及其数字化后的设定可参见表1所示:
表1
另外,需要注意的是,临床检查表型即为病历数据,序号、代码以及数字化设定均是可以变化的,可以根据实际的需要进行选定或者改变。
最终在将每种病历数据的权重进行线性拟合后,获得的线性拟合公式为:
轻重症判断(计算值小于0.5为轻症,大于0.5为重症,等于0.5无法判断):
公式1:f(x)=-4.70969599873585+(-42.3016261448142)*W
+29.8595037978835*T+(-29.3821993718959)*AE
+25.7671026987548*S+(-15.7456144722375)*U
+4.99515714331316*Y+18.9844149547875*BB
+33.3040156114147*BE+30.7040870684178*X
+(-12.5089439239347)*R+60.8808102695175*AB
+1.84694171501417*I+(-15.9365128224799)*BC
+0.214247980433522*AJ+(-0.189611733472581)*K
+(-20.1111018492271)*V;
危重症判断(计算值小于0.5为危重症,大于0.5为重症,等于0.5无法判断):
公式2:f(x)=-3.94841989891677+19.1416909620216*V
+0.603009904448678*W+0.580823319669547*O
+19.4815682965367*AF。
由上述公式可以看出:以上病历数据的数字化中:手足口病的疾病程度,肌力越小越重,肢体抖动越大越重,肺部湿啰音无越重,惊跳越多越重,呕吐越少越重,有巴氏征越重,EV71病毒核酸阳性和IgM阳性越重,有颈项强直越重,皮疹数越少越重,有呼吸节律改变越重,收缩压越高越重,EV无越重,N%越高越重,呼吸频率越低越重,抽搐越少越重,发热持续时间越短越重,皮肤花纹越少越重。
S205:根据除所述多个患者之外的其它患者的临床数据,检测所述病症程度模型;
S206:根据检测结果优化所述病症程度模型。
在具体实现的时候,在获得了病症程度模型之后,检验病症程度模型,即需要验证病症程度模型的可靠性,一般情况下,是对病症程度模型做如下参数的评价:灵敏度(Sensitivity):正确预测为病毒序列的百分比;ii)特异性(Specificity):正确预测为宿主序列的数量占预测为宿主序列的总数的比例;iii)准确率(Accuracy)正确预测病毒和宿主序列的比例;iv)二值相关系数(MCC,Matthewscorrelationcoefficient)是评估预测质量的值(Matthews1975)。MCC系数越靠近1,预测结果越完美,越靠近0,预测结果越随机。
在进行验证的时候,针对所有的病历,包括了真阳性(TP)、真阴性(TN)、假阳性(FP)、假阴性(FN)四个指标,上述的四个评估参数可以通过如下公式算得:
例如,本发明提供一个具体的实施例,在检测病症程度模型的时候使用了98个病历,最终所获得的病症程度模型可以参见上述S204,验证的结果可以参见表2所示:
表2
在检测了病症程度模型之后,还需要根据检测结果对病症程度模型进行优化,优化的过程是根据已经确定的病症程度模型,对多个已经确定了病症程度的患者的病例数据进行检测,调整每种病历数据的权重。
S103:根据所述运算的结果确定所述当前患者的疾病程度;
在具体实现的时候,运算结果可以参照上述实施例中所提供的线性拟合公式获得,在运算的时候,将所获取的患者的病历中各项病历数据数字化后,代入上述线性拟合公式中进行计算,并根据计算的结果确定当前患者的病症程度。
S104:显示与所述当前患者的所述疾病程度。
在具体实现的时候,由于要告知临床医生其所负责的病人的手足口并到底发展到了哪一个阶段,因此需要将S103中已经确定了的疾病程度显示给医生。
另外,需要注意的是,还可以向医生发出语音提示或者警报信号。例如“该病人可能进入手足口病第三阶段”等。还可以是其他形式的提示。
本发明实施例所提供的病历数据处理方法,通过已经确定了的疾病程度的多个患者的病历数据建立病症程度模型,并在获取了当前患者的病历数据之后,运用该病症程度模型对病历数据进行运算,并获取相应的运算结果,确定当前患者的疾病程度,并将当前患者的疾病程度显示出来,在这个过程中,医生只需要在临床医疗中,直接获取患者的病历数据,并在看到所显示的当前患者的疾病程度之后,再结合实际的情况判断患者的疾病程度,即判断手足口病的发展阶段,减少临床中对手足口病病情的延误。
本发明又一实施例还提供一种病历数据处理装置,参见图3所示,本发明实施例所提供的病历数据处理装置包括:
病历数据获取模块10,用于获取当前患者的病历数据;
病历数据分析模块20,运用预先建立的病症程度模型对所述病历数据进行运算,其中,所述病症程度模型是预先根据已经确定了疾病程度的多个患者的病历数据建立的;
病症程度确定模块30,根据所述运算的结果确定所述当前患者的疾病程度;
显示模块40,用于显示与所述当前患者的所述疾病程度。
本实施例中,病历数据获取模块10、病历数据分析模块20、病症程度确定模块30和显示模块40的具体功能和交互方式,可参见图1对应的实施例的记载,在此不再赘述。
本发明实施例所提供的病历数据处理装置,通过多个已经确定了的疾病程度的患者的多个病历数据建立病症程度模型,通过病历数据获取模块10获取了当前患者的病历数据之后,使用病历数据分析模块运用该病症程度模型对病历数据进行运算,获取相应的运算结果,确定当前患者的疾病程度,并将当前患者的疾病程度显示出来,在这个过程中,医生只需要在临床医疗中,直接获取患者的病历数据,并在看到所显示的当前患者的疾病程度之后,再结合实际的情况判断患者的疾病程度,即判断手足口病的发展阶段,减少临床中对手足口病病情的延误。
参见图4所示,本发明实施例所提供的病历数据处理装置中,还包括:病症程度模型建立模块50;
所述病症程度模型建立模块50具体包括:
统计单元60,对已经确定了疾病程度的多个患者的病历数据以及疾病程度做最大相关和最小冗余的统计计算,获得与所述多个患者的病历数据分别对应的统计结果;
权重评估单元70,用于将选取出来的错误率最低的所述统计结果的组合所对应的病历数据的指标的权重进行线性拟合,获取线性拟合公式,将所述线性拟合公式作为所述病症程度模型。
病症程度模型建立单元80,用于将选取出来的错误率最低的所述统计结果的组合所对应的病历数据的指标的权重进行线性拟合,获取线性拟合公式,将所述线性拟合公式作为所述病症程度模型。
还包括:错误率验证单元90,用于根据已经确定了疾病程度的多个患者的病历数据,验证每个所述统计结果的组合的错误率。
和/或,
还包括:病症程度模型优化模块100,用于根据除所述多个患者之外的其它患者的临床数据,检测所述病症程度模型;根据检测结果优化所述病症程度模型。
本实施例中,病症程度模型建立模块50、统计单元60、权重评估单元70、病症程度模型建立单元80、错误率验证单元90和病症程度模型优化模块100的具体功能和交互方式,可参见图2对应的实施例的记载,在此不再赘述。
参见图5所示,本发明实施例所提供的病历数据处理装置中,
所述权重评估单元70具体包括:
排序子单元110,用于将统计结果从大到小排序;
统计结果选取子单元120,用于根据排序后的统计结果选取多个所述统计结果的组合,其中,每个所述统计结果的组合中最小的统计结果,均大于或等于未被选取组合的统计结果中最大的统计结果。
本实施例中,排序子单元110和统计结果选取子单元120的具体功能和交互方式,可参见图2中S202对应的实施例的记载,在此不再赘述。
本发明又一实施例还提供了一种病历数据处理系统,包括:上述图3和图4所对应的实施例中的病历数据处理系统,还包括:病历数据输入装置。所述病历数据输入装置与所述病历数据处理系统连接。
本发明实施例所提供的病历数据处理方法、装置以及系统的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种病历数据处理方法,其特征在于,包括:
获取当前患者的病历数据;
运用预先建立的病症程度模型对所述病历数据进行运算,其中,所述病症程度模型是预先根据已经确定了疾病程度的多个患者的病历数据建立的;
根据所述运算的结果确定所述当前患者的疾病程度;
显示与所述当前患者的所述疾病程度。
2.根据权利要求1所述的方法,其特征在于,所述病症程度模型采用以下方式建立:
对已经确定了疾病程度的多个患者的病历数据以及疾病程度做最大相关和最小冗余的统计计算,获得与所述多个患者的病历数据分别对应的统计结果;
以已经确定了疾病程度的多个患者的病历数据为模型,从所有统计结果中选取多个所述统计结果的组合,评估在每个组合中每个所述病历数据中各个指标在不同的疾病程度中的权重;其中,每个所述统计结果的组合中至少包括两个统计结果;
将选取出来的错误率最低的所述统计结果的组合所对应的病历数据的指标的权重进行线性拟合,获取线性拟合公式,将所述线性拟合公式作为所述病症程度模型。
3.根据权利要求2所述的方法,其特征在于,从所有统计结果中选取多个所述统计结果的组合包括:
将统计结果从大到小排序;
根据排序后的统计结果选取多个所述统计结果的组合,其中,每个所述统计结果的组合中最小的统计结果,均大于或等于未被选取组合的统计结果中最大的统计结果。
4.根据权利要求3所述的方法,其特征在于,所述评估在每个组合中每个所述病历数据中各个指标在不同的疾病程度中的权重之后,还包括:
根据已经确定了疾病程度的多个患者的病历数据,验证每个所述统计结果的组合的错误率。
5.根据权利要求4所述的方法,其特征在于,在建立所述病症程度模型后,还包括:
根据除所述多个患者之外的其它患者的临床数据,检测所述病症程度模型;
根据检测结果优化所述病症程度模型。
6.一种病历数据处理装置,其特征在于,包括:
病历数据获取模块,用于获取当前患者的病历数据;
病历数据分析模块,运用预先建立的病症程度模型对所述病历数据进行运算,其中,所述病症程度模型是预先根据已经确定了疾病程度的多个患者的病历数据建立的;
病症程度确定模块,根据所述运算的结果确定所述当前患者的疾病程度;
显示模块,用于显示与所述当前患者的所述疾病程度。
7.根据权利要求6所述的装置,其特征在于,还包括:病症程度模型建立模块;
所述病症程度模型建立模块具体包括:
统计单元,对已经确定了疾病程度的多个患者的病历数据以及疾病程度做最大相关和最小冗余的统计计算,获得与所述多个患者的病历数据分别对应的统计结果;
权重评估单元,以已经确定了疾病程度的多个患者的病历数据为模型,从所有统计结果中选取多个所述统计结果的组合,评估在每个组合中每个所述病历数据中各个指标在不同的疾病程度中的权重;其中,每个所述统计结果的组合中至少包括两个统计结果;
病症程度模型建立单元,用于将选取出来的错误率最低的所述统计结果的组合所对应的病历数据的指标的权重进行线性拟合,获取线性拟合公式,将所述线性拟合公式作为所述病症程度模型。
8.根据权利要求7所述的装置,其特征在于,所述权重评估单元还包括:
排序子单元,用于将统计结果从大到小排序;
统计结果选取子单元,用于根据排序后的统计结果选取多个所述统计结果的组合,其中,每个所述统计结果的组合中最小的统计结果,均大于或等于未被选取组合的统计结果中最大的统计结果。
9.根据权利要求8所述的装置,其特征在于,所述病症程度模型建立模块,还包括:错误率验证单元,用于根据已经确定了疾病程度的多个患者的病历数据,验证每个所述统计结果的组合的错误率;
和/或,
还包括:病症程度模型优化模块,用于根据除所述多个患者之外的其它患者的临床数据,检测所述病症程度模型;根据检测结果优化所述病症程度模型。
10.一种病历数据处理系统,其特征在于,包括如上述权利要求6-9任意一项所述的病历数据处理系统,还包括:病历数据输入装置;
所述病历数据输入装置与所述病历数据处理系统连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510724624.2A CN105389465B (zh) | 2015-10-29 | 2015-10-29 | 病历数据处理方法、装置以及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510724624.2A CN105389465B (zh) | 2015-10-29 | 2015-10-29 | 病历数据处理方法、装置以及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105389465A true CN105389465A (zh) | 2016-03-09 |
CN105389465B CN105389465B (zh) | 2018-09-28 |
Family
ID=55421746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510724624.2A Active CN105389465B (zh) | 2015-10-29 | 2015-10-29 | 病历数据处理方法、装置以及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105389465B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022635A (zh) * | 2017-11-01 | 2018-05-11 | 平安科技(深圳)有限公司 | 违规单据评分方法、违规单据评分装置及计算机可读存储介质 |
CN108122612A (zh) * | 2017-12-20 | 2018-06-05 | 姜涵予 | 数据库的建立、多维度健康风险等级确定方法及装置 |
CN108257670A (zh) * | 2018-01-22 | 2018-07-06 | 北京颐圣智能科技有限公司 | 医学解释模型的建立方法和装置 |
WO2018129913A1 (zh) * | 2017-01-13 | 2018-07-19 | 深圳市前海安测信息技术有限公司 | 医生诊疗辅助系统和方法 |
CN108461110A (zh) * | 2017-02-21 | 2018-08-28 | 阿里巴巴集团控股有限公司 | 医疗信息处理方法、装置及设备 |
CN108597579A (zh) * | 2018-05-11 | 2018-09-28 | 北京爱康宜诚医疗器材有限公司 | 手术时间的确定方法及装置、存储介质、电子装置 |
CN110033863A (zh) * | 2019-04-23 | 2019-07-19 | 科大讯飞股份有限公司 | 应用于临床决策支持系统的不合理疾病诊断检测方法、装置 |
CN110910976A (zh) * | 2019-10-12 | 2020-03-24 | 平安国际智慧城市科技股份有限公司 | 病历检测方法、装置、设备和存储介质 |
CN111430037A (zh) * | 2020-03-30 | 2020-07-17 | 安徽科大讯飞医疗信息技术有限公司 | 相似病历查找方法及系统 |
CN111785380A (zh) * | 2020-07-01 | 2020-10-16 | 医渡云(北京)技术有限公司 | 传染性疾病患病风险等级的预测方法及装置、介质、设备 |
CN112967810A (zh) * | 2021-05-07 | 2021-06-15 | 四川大学华西医院 | 一种新冠病毒肺炎重症化预测系统及方法 |
CN113052205A (zh) * | 2021-03-05 | 2021-06-29 | 广州默尼互联网信息有限公司 | 基于机器学习的产妇数据分类方法、装置、设备及介质 |
TWI800596B (zh) * | 2019-01-29 | 2023-05-01 | 宏碁股份有限公司 | 於不同分組集合下之評估統計效能的方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0646881A2 (en) * | 1993-09-30 | 1995-04-05 | Toa Medical Electronics Co., Ltd. | Apparatus and method for assisting a medical diagnosis by discriminating attribution degrees |
WO2001061616A2 (en) * | 2000-02-14 | 2001-08-23 | First Opinion Corporation | Automated diagnostic system and method |
CN1881227A (zh) * | 2006-05-16 | 2006-12-20 | 中国人民解放军第三军医大学 | 传染病疫情诊断及危害度分类智能分析模型技术 |
TW200707248A (en) * | 2005-08-11 | 2007-02-16 | Chao-Hsun Chuang | Veterinarian auscultation diaognosis software |
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 |
CN101911077A (zh) * | 2007-12-27 | 2010-12-08 | 皇家飞利浦电子股份有限公司 | 用于细化相似病例搜索的方法和装置 |
CN104517038A (zh) * | 2014-12-30 | 2015-04-15 | 杨关乐 | 一种疾病诊断系统服务器原理 |
CN104915561A (zh) * | 2015-06-11 | 2015-09-16 | 万达信息股份有限公司 | 疾病特征智能匹配方法 |
-
2015
- 2015-10-29 CN CN201510724624.2A patent/CN105389465B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0646881A2 (en) * | 1993-09-30 | 1995-04-05 | Toa Medical Electronics Co., Ltd. | Apparatus and method for assisting a medical diagnosis by discriminating attribution degrees |
WO2001061616A2 (en) * | 2000-02-14 | 2001-08-23 | First Opinion Corporation | Automated diagnostic system and method |
TW200707248A (en) * | 2005-08-11 | 2007-02-16 | Chao-Hsun Chuang | Veterinarian auscultation diaognosis software |
CN1881227A (zh) * | 2006-05-16 | 2006-12-20 | 中国人民解放军第三军医大学 | 传染病疫情诊断及危害度分类智能分析模型技术 |
CN101911077A (zh) * | 2007-12-27 | 2010-12-08 | 皇家飞利浦电子股份有限公司 | 用于细化相似病例搜索的方法和装置 |
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 |
CN104517038A (zh) * | 2014-12-30 | 2015-04-15 | 杨关乐 | 一种疾病诊断系统服务器原理 |
CN104915561A (zh) * | 2015-06-11 | 2015-09-16 | 万达信息股份有限公司 | 疾病特征智能匹配方法 |
Non-Patent Citations (7)
Title |
---|
ANDREW D BERSTEN,等;: "《欧氏重症监护手册 2014年10月第1版》", 31 October 2014 * |
冯慧芬,等;: "重症手足口病心肺衰竭危险因素筛选及其预测模型的建立", 《郑州大学学报(医学版)》 * |
景云革,: "《基于粗糙集属性约简算法的研究 2013年7月第1版》", 31 July 2013 * |
王庆华,等;: "小儿常见发热出疹性疾病智能诊断模型研究", 《第三军医大学学报》 * |
谢多双,等;: "医院感染人工神经网络预测模型的构建", 《湖北医药学院学报》 * |
边振,等;: "浅析中医脉诊客观化的新思路", 《辽宁中医杂志》 * |
陆治荣,编著;: "《探索性数据分析及其在流程业的应用 2013年5月第1版》", 31 May 2013 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018129913A1 (zh) * | 2017-01-13 | 2018-07-19 | 深圳市前海安测信息技术有限公司 | 医生诊疗辅助系统和方法 |
CN108461110B (zh) * | 2017-02-21 | 2021-07-23 | 阿里巴巴集团控股有限公司 | 医疗信息处理方法、装置及设备 |
CN108461110A (zh) * | 2017-02-21 | 2018-08-28 | 阿里巴巴集团控股有限公司 | 医疗信息处理方法、装置及设备 |
WO2019085464A1 (zh) * | 2017-11-01 | 2019-05-09 | 平安科技(深圳)有限公司 | 违规单据评分方法、违规单据评分装置及计算机可读存储介质 |
CN108022635A (zh) * | 2017-11-01 | 2018-05-11 | 平安科技(深圳)有限公司 | 违规单据评分方法、违规单据评分装置及计算机可读存储介质 |
CN108122612A (zh) * | 2017-12-20 | 2018-06-05 | 姜涵予 | 数据库的建立、多维度健康风险等级确定方法及装置 |
CN108257670B (zh) * | 2018-01-22 | 2021-06-22 | 北京颐圣智能科技有限公司 | 医学解释模型的建立方法和装置 |
CN108257670A (zh) * | 2018-01-22 | 2018-07-06 | 北京颐圣智能科技有限公司 | 医学解释模型的建立方法和装置 |
CN108597579A (zh) * | 2018-05-11 | 2018-09-28 | 北京爱康宜诚医疗器材有限公司 | 手术时间的确定方法及装置、存储介质、电子装置 |
TWI800596B (zh) * | 2019-01-29 | 2023-05-01 | 宏碁股份有限公司 | 於不同分組集合下之評估統計效能的方法 |
CN110033863A (zh) * | 2019-04-23 | 2019-07-19 | 科大讯飞股份有限公司 | 应用于临床决策支持系统的不合理疾病诊断检测方法、装置 |
CN110910976A (zh) * | 2019-10-12 | 2020-03-24 | 平安国际智慧城市科技股份有限公司 | 病历检测方法、装置、设备和存储介质 |
CN111430037A (zh) * | 2020-03-30 | 2020-07-17 | 安徽科大讯飞医疗信息技术有限公司 | 相似病历查找方法及系统 |
CN111430037B (zh) * | 2020-03-30 | 2024-04-09 | 讯飞医疗科技股份有限公司 | 相似病历查找方法及系统 |
CN111785380A (zh) * | 2020-07-01 | 2020-10-16 | 医渡云(北京)技术有限公司 | 传染性疾病患病风险等级的预测方法及装置、介质、设备 |
CN113052205A (zh) * | 2021-03-05 | 2021-06-29 | 广州默尼互联网信息有限公司 | 基于机器学习的产妇数据分类方法、装置、设备及介质 |
CN112967810A (zh) * | 2021-05-07 | 2021-06-15 | 四川大学华西医院 | 一种新冠病毒肺炎重症化预测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105389465B (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105389465A (zh) | 病历数据处理方法、装置以及系统 | |
Qin et al. | A machine learning methodology for diagnosing chronic kidney disease | |
Laupacis et al. | Clinical prediction rules: a review and suggested modifications of methodological standards | |
O'connell et al. | The sensitivity and specificity of the Morse Fall Scale in an acute care setting. | |
CN1471627A (zh) | 利用多模型状态估计器的容错液体测量系统 | |
Park et al. | Acute appendicitis diagnosis using artificial neural networks | |
EP3618080B1 (en) | Reinforcement learning for medical system | |
Kordzadeh et al. | The role of artificial intelligence in the prediction of functional maturation of arteriovenous fistula | |
CN109841278A (zh) | 一种以心血管标志及机械学习运算法进行冠心症筛检的方法 | |
CN107506606A (zh) | 常见疾病风险预测方法及系统 | |
CN105354414A (zh) | 一种基于层次分析的人体健康状况评估方法 | |
Heckerling et al. | Prediction of community-acquired pneumonia using artificial neural networks | |
CN101828188A (zh) | 诊断标志物的估计 | |
Kumar et al. | A Critical Analysis on Vertebra Identification and Cobb Angle Estimation Using Deep Learning for Scoliosis Detection | |
CN106361289A (zh) | 一种慢性肾衰竭预警系统 | |
CN113066580A (zh) | 一种医疗评分确定方法、装置、电子设备及存储介质 | |
Fraser | A counterblast to pessimists and naysayers–intelligent echocardiography remains the foundation stone of evidence-based clinical cardiology | |
Tapadar et al. | Painless prognosis of myasthenia gravis using machine learning | |
AU2021102430A4 (en) | Classification system and automatic scoring method of condition of adult emergency case | |
Kadam et al. | Pneumonia Detection Using Deep Learning and Transfer Learning | |
JP5484309B2 (ja) | Capを施行した潰瘍性大腸炎患者の予後予測方法 | |
CN113555118B (zh) | 一种病症程度的预测方法、装置、电子设备及存储介质 | |
US20230165514A1 (en) | Systems and methods for administering a motor assessment to screen for early mild cognitive impairment (mci) or other cognitive and/or neurological concerns | |
Gutowski | Deep learning for Parkinson's disease symptom detection and severity evaluation using accelerometer signal. | |
Riviwanto et al. | MR-COV 19: ANDROID-BASED COVID-19 RISK PREDICTION APPLICATION WITH SENSITIVITY AND SPECIFICITY TESTS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |