CN106096286A - 临床路径制定方法及装置 - Google Patents

Abstract

本发明公开了一种临床路径制定方法及装置，所述方法包括：对电子病历进行预处理操作，以获得临床路径数据；将所述临床路径数据作为输入样本和期望输出样本训练BP神经网络，以构建BP神经网络模型；根据所述BP神经网络模型中作为期望输出样本的临床路径数据，构建临床路径数据库；根据所述BP神经网络模型和所述临床路径数据库，分析预设疾病的临床路径。本发明的技术方案通过构建BP神经网络模型和临床路径数据库，最后根据所构建的BP神经网络模型和所述临床路径数据库，获得预设疾病的临床路径，使医护人员只要将某一疾病输入BP神经网络模型，即可获得相应的临床路径数据，从而降低了医护人员的工作量，提高了临床路径制定的工作效率。

Description

临床路径制定方法及装置

技术领域

本发明涉及数据挖掘技术领域，特别涉及一种临床路径制定方法及装置。

背景技术

临床路径是指针对某一疾病建立一套标准化治疗模式与治疗程序，是一个有关临床治疗的综合模式，以循证医学证据和指南为指导来促进治疗组织和疾病管理的方法，最终起到规范医疗行为，减少变异，降低成本，提高质量的作用。

临床路径的制定是一个非常复杂且充满争议的问题。传统的临床路径都是基于医疗设备检测、专家会诊、文献参考等方法进行制定，其弊端在于周期较长，所用到的医疗信息较少，难以发现在大量的医疗数据中所隐藏的规律。临床路径的制定在临床医学的角度来看，是一个非常复杂且充满争议的问题，因此结合数据挖掘的方式对临床路径进行分析，有利于病种质量、诊疗行为规范以及费用控制，可以制定出适合的临床路径。但是，目前数据挖掘技术在医疗临床上的应用还处于探索与起步阶段。

发明内容

有鉴于此，本发明的目的是提供一种基于BP神经网络和数据挖掘方法的临床路径制定方法及装置。

为了实现上述目的，本发明提供了一种临床路径制定方法，包括：

对电子病历进行预处理操作，以获得临床路径数据；

将所述临床路径数据作为输入样本和期望输出样本训练BP神经网络，以构建BP神经网络模型；

根据所述BP神经网络模型中作为期望输出样本的临床路径数据，构建临床路径数据库；

根据所述BP神经网络模型和所述临床路径数据库，分析预设疾病的临床路径。

作为优选，所述预处理操作包括抽取、转化和装载。

作为优选，对电子病历进行预处理操作，包括：

获取所述电子病历；

抽取所述电子病历中的患者基本信息、医嘱、诊疗信息、检验结果和影像结果数据。

作为优选，构建BP神经网络模型，包括：

获取所述临床路径数据，以作为所述BP神经网络模型的输入样本；其中每一所述输入样本具有多个输入节点，所述BP神经网络模型具有多层；

根据每一所述输入节点逐层计算所述BP神经网络模型的实际输出样本，计算所述实际输出样本的公式为：

$Y^{\′}\left(k\right)=f\{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{W}_i\left(k\right)X_i\left(k\right)+\mathrm{\θ}\left(k\right)\},$

其中，f为激活函数，i为上一层的输入节点个数，W_i(k)为加权因子，X_i(k)为输入样本表达式，θ(k)为阈值因子；

计算所述BP神经网络模型的期望输出样本与实际输出样本的误差，误差计算公式为：

e(k)＝Y(k)-Y′(k)，

其中，Y(k)为期望输出样本，Y′(k)为实际输出样本；

计算出所述实际输出与所述期望输出的误差，若所述误差大于预设阈值，则根据修正公式调整计算所述实际输出样本的公式的参数；所述修正公式为：

$\left\{\begin{array}{c}{W}_i(k+1)=\mathrm{\α}\×W_i\left(k\right)+\mathrm{\η}\×e_i\left(k\right)\×X_i\left(k\right)\\ \mathrm{\θ}(k+1)=\mathrm{\α}\×\mathrm{\θ}\left(k\right)+\mathrm{\η}\×e_i\left(k\right)\end{array}\right.$

其中α为冲量项，W_i(k)为加权因子，η为学习率，e_i(k)为误差，X_i(k)为输入样本表达式，θ(k)为阈值因子。

作为优选，所述α的取值为0.9。

作为优选，构建临床路径数据库，包括：

对所述临床路径数据所对应的诊疗手段进行编号；

根据所述临床路径数据和所述诊疗手段的编号，构建临床路径数据库；

作为优选，分析预设疾病的临床路径，包括：

获取所述预设疾病的参数，其中，所述参数的类型根据所述临床路径数据库的参数确定；

将所述预设疾病的参数输入所述BP神经网络模型，以获得输出结果；

将所述输出结果与所述临床路径数据库进行匹配，以获得与所述预设疾病对应的诊疗手段。

本发明还提供一种临床路径制定装置，包括：

预处理模块，用于对电子病历进行预处理操作，以获得临床路径数据；

第一构建模块，用于将所述临床路径数据作为输入样本和期望输出样本训练BP神经网络，以构建BP神经网络模型；

第二构建模块，用于根据所述BP神经网络模型中作为期望输出样本的临床路径数据，构建临床路径数据库；

分析模块，用于根据所述BP神经网络模型和所述临床路径数据库，分析预设疾病的临床路径。

作为优选，所述预处理操作包括抽取、转化和装载。

作为优选，所述预处理模块，包括：

获取模块，用于获取所述电子病历；

抽取模块，用于抽取所述电子病历中的患者基本信息、医嘱、诊疗信息、检验结果和影像结果数据。

与现有技术相比，本发明具有以下有益效果：本发明的技术方案通过对大量的电子病历进行预处理操作，以获得临床路径数据，再根据临床路径数据构建BP神经网络模型和临床路径数据库，最后根据所构建的BP神经网络模型和所述临床路径数据库，获得预设疾病的临床路径，使医护人员只要将某一疾病输入BP神经网络模型，即可获得相应的临床路径数据，从而降低了医护人员的工作量，提高了临床路径制定的工作效率。

附图说明

图1为本发明的反向传输神经网络示意图图；

图2为本发明的临床路径制定方法的实施例一的流程图；

图3为本发明的临床路径制定方法的实施例二的流程图；

图4为本发明的临床路径制定装置的实施例一的示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

反向传输(Back Propagation，BP)神经网络是指基于误差反向传播算法的多层前向神经网络，它包括信息的正向传播和误差的反向传播两个过程。BP神经网络具有以下特点，能够以任意精度逼近任何非线性映射，实现对复杂系统建模；可以学习和自适应未知信息，如果系统发生了变化可以通过修改网络的连接值而改变预测结果；BP神经网络具有分布式信息存储和处理结构，因此具有一定的容错性，其构造出来的系统具有较好的鲁棒性。

如图1所示，为BP神经网络结构图。BP神经网络通常由输入层、隐含层和输出层组成，层与层之间全相连，但每层的节点之间互不相连。其中，BP神经网络的输入层的节点个数通常取决于输入样本的维数，输出层的节点个数通常取决于输出样本的维数。

结继结合图1，假设BP神经网络的输入样本的矢量为x∈Rⁿ，其中x＝(x₀,x₁,…,x_n-1)^T；隐含层有n₁个神经元，它们的输出为x′＝(x₀′,x₁′，…，x′_n-1)^T；输出层有m个神经元，输出y∈Rⁿ，y＝(y₀，y₁,…,y_m-1)^T；输入层到隐含层的权值为w_ij，阈值为θ_j；隐含层到输出层的权值为w_jk，阈值为θ_k，于是隐含层的各神经元输出为：

$\left\{\begin{array}{cc}{x}_j^{\′}=f(\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{w}_{ij}{x}_i-{\mathrm{\θ}}_j),& j=0,1,...,n_1-1\\ y_k=f(\underset{j=0}{\overset{n_1-1}{\mathrm{\Σ}}}{w}_{jk}{x}_j-{\mathrm{\θ}}_k),& k=0,1,...,m-1\end{array}\right.---\left(1\right),$

其中f为激活函数,w_ij为隐含层的权值因子，x为输入样本表达式，θ_j为阈值因子，x′为隐含层输出表达式，y为输出层表达式；

显然，它将完成n维空间矢量到m维的映射，其中激活函数f(x)为单极性Sigmoid函数：

$f\left(x\right)=\frac{1}{1+e^{-x}}---\left(2\right),$

f(x)为具有连续可导的特点，且有f′(x)＝f(x)(1-f(x))，根据应用需要，也可以采用双极性Sigmoid函数

$f\left(x\right)=\frac{1-e^{-x}}{1+e^{-x}}---\left(3\right),$

BP神经网络的学习也称为训练，只得是通过神经网络所在环境的刺激作用调整神经网络的自由参数，使神经网络以一种新的方式对外部环境做出反应的一个过程，本发明所用的学习方式为基于最小均方误差准则的方式。

图2为本发明的临床路径制定方法的实施例一的流程图，如图1所示，本实施例的临床路径制定方法，具体可以包括如下步骤：

S201，对电子病历进行预处理操作，以获得临床路径数据。

具体地，本实施例可以利用存储在各大医院信息管理系统中的临床数据，即电子病历进行预处理操作。预处理操作包括抽取、转化和装载。

S202，将临床路径数据作为输入样本和期望输出样本训练BP神经网络，以构建BP神经网络模型。

具体地，由于BP神经网络具有一些优点，例如能够以任意精度逼近任何非线性映射，实现对复杂系统建模；可以学习和自适应未知信息，如果系统发生了变化可以通过修改网络的连接值而改变预测结果；BP神经网络具有分布式信息存储和处理结构，同时具有一定的容错性，其构造出来的系统具有较好的鲁棒性，因此，本实施例采用构建BP神经网络模型的方式。

S203，根据BP神经网络模型中作为期望输出样本的临床路径数据，构建临床路径数据库。

具体地，根据输出样本的临床路径数据来构建临床路径数据库，以为患者提供一个较佳的临床路径。

S204，根据BP神经网络模型和临床路径数据库，分析预设疾病的临床路径。

具体地，在具体实施时，预设疾病为典型病症，因为对于某些特殊的疾病，所采用的诊疗方式也比较特殊，所获取的数据量也不是足够多，因此在分析特殊疾病时，可以采取其他的方法，而在分析一些典型病症时，本实施例的准确性较高。本实施例的技术方案通过对大量的电子病历进行预处理操作，以获得临床路径数据，再根据临床路径数据构建BP神经网络模型和临床路径数据库，最后根据所构建的BP神经网络模型和临床路径数据库，获得预设疾病的临床路径，使医护人员只要将某一疾病输入BP神经网络模型，即可获得相应的临床路径数据，从而降低了医护人员的工作量，提高了临床路径制定的工作效率。

图3为本发明的临床路径制定方法的实施例二的流程图，本实施例的临床路径制定方法在如图2所示的实施例的基础上，进一步更加详细地介绍本发明的技术方案。如图3所示，本实施例的临床路径制定方法，具体可以包括如下步骤：

S301，获取电子病历。

具体地，获取电子病历的方法可以从各医院的所存储的海量电子病历数据库中获取。

S302，抽取电子病历中的患者基本信息、医嘱、诊疗信息、检验结果和影像结果数据。

具体地，在电子病历中所抽取的数据可以包括患者基本信息、医嘱、诊疗信息、检验结果和影像结果等数据，之所以选择这些数据，是因为这些数据可以作为临床路径上的一个节点，便于构建临床路径数据库。

S303，获取临床路径数据，以作为BP神经网络模型的输入样本；其中每一输入样本具有多个输入节点，BP神经网络模型具有多层。具体地，BP神经网络通常由输入层、隐含层和输出层组成，层与层之间全相连，但每层的节点之间互不相连。也就是说，对于输入层来说，输入层具有多个输入节点，但各输入节点之间互不相连，可参见图1。而且，BP神经网络的输入层的节点个数通常取决于输入样本的维数，输出层的节点个数通常取决于输出样本的维数。

S304，根据每一输入节点逐层计算BP神经网络模型的实际输出样本，计算实际输出样本的公式为：

$Y^{\′}\left(k\right)=f\{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{W}_i\left(k\right)X_i\left(k\right)+\mathrm{\θ}\left(k\right)\}---\left(4\right),$

其中，X_i(k)为输入样本表达式，f为激活函数，i为上一层的输入节点个数，W_i(k)为加权因子，θ(k)为阈值因子。

S305，计算BP神经网络模型的期望输出样本与实际输出样本的误差，误差计算公式为：

e(k)＝Y(k)-Y′(k) (5)，

其中，Y(k)为期望输出样本，Y′(k)为实际输出样本。

S306，计算出实际输出与期望输出的误差，若误差大于预设阈值，则根据修正公式调整计算实际输出样本的公式的参数；修正公式为：

$\left\{\begin{array}{c}{W}_i(k+1)=\mathrm{\α}\×W_i\left(k\right)+\mathrm{\η}\×e_i\left(k\right)\×X_i\left(k\right)\\ \mathrm{\θ}(k+1)=\mathrm{\α}\×\mathrm{\θ}\left(k\right)+\mathrm{\η}\×e_i\left(k\right)\end{array}\right.---\left(6\right),$

其中α为冲量项，W_i(k)为加权因子，η为学习率，e_i(k)为误差，X_i(k)为输入样本表达式，θ(k)为阈值因子。

优选地，α的取值为0.9。

S307，对临床路径数据所对应的诊疗手段进行编号。

具体地，一种典型病症可能存在不同的诊疗手段，在数据量非常大的情况下，为临床路径所对应的诊疗手段进行编号，便于医护人员进行操作的时候进行选择，以提高医护人员的工作效率。

S308，根据临床路径数据和诊疗手段的编号，构建临床路径数据库。

具体地，根据输出样本的临床路径数据来构建临床路径数据库，以为患者提供一个较佳的临床路径。S309，获取预设疾病的参数，其中，参数的类型根据临床路径数据库的参数确定。

S310，将预设疾病的参数输入BP神经网络模型，以获得输出结果。

S311，将输出结果与临床路径数据库进行匹配，以获得与预设疾病对应的诊疗手段。

具体地，在具体实施时，预设疾病为典型病症，因为对于某些特殊的疾病，所采用的诊疗方式也比较特殊，所获取的数据量也不是足够多，因此在分析特殊疾病时，可以采取其他的方法，而在分析一些典型病症时，本实施例的准确性较高。

本实施例的技术方案通过对大量的电子病历进行预处理操作，把一些结构化和非结构化的电子数据抽取出来，转化构建完善的包含临床信息的数据库，根据该数据库，训练出适用于预测典型病症临床治疗手段的BP神经网络模型，降低医护人员的工作量，为临床路径制定提供了技术途径。

图4为本发明的临床路径制定装置的实施例一的示意图，如图4所示，本实施例的临床路径制定装置，具体可以包括预处理模块41、第一构建模块42、第二构建模块43和分析模块44。

预处理模块41，用于对电子病历进行预处理操作，以获得临床路径数据；

第一构建模块42，用于将临床路径数据作为输入样本和期望输出样本训练BP神经网络，以构建BP神经网络模型；

第二构建模块43，用于根据BP神经网络模型中作为期望输出样本的临床路径数据，构建临床路径数据库；

分析模块44，用于根据BP神经网络模型和临床路径数据库，分析预设疾病的临床路径。

预处理操作包括抽取、转化和装载。

预处理模块41，包括：

获取模块(图中未示出)，用于获取电子病历；

抽取模块(图中未示出)，用于抽取电子病历中的患者基本信息、医嘱、诊疗信息、检验结果和影像结果数据。

本实施例的临床路径制定装置，通过采用上述模块对某一预设疾病进行临床路径制定的实现机制与上述图1所示实施例的临床路径制定方法的实现机制相同，详细可以参考上述图1所示实施例的记载，在此不再赘述。

以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (10)

1.一种临床路径制定方法，其特征在于，包括：

对电子病历进行预处理操作，以获得临床路径数据；

将所述临床路径数据作为输入样本和期望输出样本训练BP神经网络，以构建BP神经网络模型；

根据所述BP神经网络模型中作为期望输出样本的临床路径数据，构建临床路径数据库；

根据所述BP神经网络模型和所述临床路径数据库，分析预设疾病的临床路径。

2.根据权利要求1所述的临床路径制定方法，其特征在于，

所述预处理操作包括抽取、转化和装载。

3.根据权利要求2所述的临床路径制定方法，其特征在于，对电子病历进行预处理操作，包括：

获取所述电子病历；

抽取所述电子病历中的患者基本信息、医嘱、诊疗信息、检验结果和影像结果数据。

4.根据权利要求1所述的临床路径制定方法，其特征在于，构建BP神经网络模型，包括：

获取所述临床路径数据，以作为所述BP神经网络模型的输入样本；其中每一所述输入样本具有多个输入节点，所述BP神经网络模型具有多层；

根据每一所述输入节点逐层计算所述BP神经网络模型的实际输出样本，计算所述实际输出样本的公式为：

$Y^{\′}\left(k\right)=f\{\underset{i=1}{\overset{n}{\Σ}}{W}_i\left(k\right)X_i\left(k\right)+\mathrm{\θ}\left(k\right)\},$

其中，X_i(k)为输入样本表达式，f为激活函数，i为上一层的输入节点个数，W_i(k)为加权因子，θ(k)为阈值因子；

计算所述BP神经网络模型的期望输出样本与实际输出样本的误差，误差计算公式为：

e(k)＝Y(k)-Y′(k)，

其中，Y(k)为期望输出样本，Y′(k)为实际输出样本；

计算出所述实际输出与所述期望输出的误差，若所述误差大于预设阈值，则根据修正公式调整计算所述实际输出样本的公式的参数；所述修正公式为：

$\left\{\begin{array}{c}{W}_i(k+1)=\mathrm{\α}\×W_i\left(k\right)+\mathrm{\η}\×e_i\left(k\right)\×X_i\left(k\right)\\ \mathrm{\θ}(k+1)=\mathrm{\α}\×\mathrm{\θ}\left(k\right)+\mathrm{\η}\×e_i\left(k\right)\end{array}\right.$

其中α为冲量项，W_i(k)为加权因子，η为学习率，e_i(k)为误差，X_i(k)为输入样本表达式，θ(k)为阈值因子。

5.根据权利要求4所述的临床路径制定方法，其特征在于，所述α的取值为0.9。

6.根据权利要求1所述的临床路径制定方法，其特征在于，构建临床路径数据库，包括：

对所述临床路径数据所对应的诊疗手段进行编号；

根据所述临床路径数据和所述诊疗手段的编号，构建临床路径数据库。

7.根据权利要求1所述的临床路径制定方法，其特征在于，分析预设疾病的临床路径，包括：

获取所述预设疾病的参数，其中，所述参数的类型根据所述临床路径数据库的参数确定；

将所述预设疾病的参数输入所述BP神经网络模型，以获得输出结果；

将所述输出结果与所述临床路径数据库进行匹配，以获得与所述预设疾病对应的诊疗手段。

8.一种临床路径制定装置，其特征在于，包括：

预处理模块，用于对电子病历进行预处理操作，以获得临床路径数据；

第一构建模块，用于将所述临床路径数据作为输入样本和期望输出样本训练BP神经网络，以构建BP神经网络模型；

第二构建模块，用于根据所述BP神经网络模型中作为期望输出样本的临床路径数据，构建临床路径数据库；

分析模块，用于根据所述BP神经网络模型和所述临床路径数据库，分析预设疾病的临床路径。

9.根据权利要求1所述的临床路径制定装置，其特征在于，

所述预处理操作包括抽取、转化和装载。

10.根据权利要求9所述的临床路径制定装置，其特征在于，所述预处理模块，包括：

获取模块，用于获取所述电子病历；

抽取模块，用于抽取所述电子病历中的患者基本信息、医嘱、诊疗信息、检验结果和影像结果数据。