CN107610779B - 疾病评价及患病风险评估方法及装置 - Google Patents
疾病评价及患病风险评估方法及装置 Download PDFInfo
- Publication number
- CN107610779B CN107610779B CN201711006713.9A CN201711006713A CN107610779B CN 107610779 B CN107610779 B CN 107610779B CN 201711006713 A CN201711006713 A CN 201711006713A CN 107610779 B CN107610779 B CN 107610779B
- Authority
- CN
- China
- Prior art keywords
- disease
- data
- evaluated
- time window
- preset
- 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
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开涉及数据处理技术领域,具体涉及一种疾病评价及患病风险评估方法、一种疾病评价及患病风险评估装置、一种存储介质以及一种电子终端。所述方法包括:对医疗数据进行聚类以便于获取各患者的疾病诊断及治疗数据信息;对所述疾病诊断及治疗数据信息进行清洗处理以获取各项疾病在各时间窗内的特征数据;以待评估对象在当前时间窗内的疾病诊断数据与所述各项疾病在各时间窗内的特征数据进行相似度对比处理,以获取所述待评估对象在当前时间窗内对应疾病的评估结果及患病风险的概率估算。本公开能够从而实现对待评估对象在某一时间段内已患疾病的情况进行评价,以及对可能患有疾病的患病风险的进行预估。
Description
技术领域
本公开涉及数据处理技术领域,具体涉及一种疾病评价及患病风险评估方法、一种疾病评价及患病风险评估装置、一种存储介质以及一种电子终端。
背景技术
随着人们对个人身体健康重视程度的提高,以及医疗信息化进程的推进和深入,使得对于个人的疾病预防及风险评估变得越来越重要。对于疾病评估及预防,传统医学研究以随机对照试验为标准,存在诸如研究对象缺乏代表性、研究终点无法代表真实临床解决等问题。而现有的疾病预防基本还是集中在以医生的主观经验为基础进行判断,缺乏强有力的数据支撑及定量分析。
虽然现有的医疗数据,诸如患者诊断、住院、手术等医疗数据能够快速从线下切换至线上,但仍然无法为疾病的评估和预防提供有效的数据支持。究其原因,主要总结如下:1)准入壁垒高;目前的医疗大数据有相当一部分的数据来源于可穿戴设备的生理数据采集,而缺乏各权威医疗机构内部各种检验、检查及医患互动等优质数据;2)清洗难度大;由于医疗数据博杂,存在大量文本、图像等非结构化数据;行业标准不统一,难以复用、沉淀;专业性强,细分领域多;3)分析应用难;应用场景多样(管理、科研、诊疗、教学等);用户需求个性化、专业化等。
虽然现有技术方案中可以利用可穿戴设备采集用户各项生理指标数据,并对数据趋势进行分析,以此确定用户可能患有的疾病,并发出对应疾病报警。但这一解决方法仍然存在诸多弊端,例如:(1)人群分布不均匀;可穿戴设备主要集中在20~39岁年龄段用户(数据来源:《2015上半年中国智能穿戴行业数据分析报告》),用户分布偏健康人群,不具广泛代表性;(2)缺乏权威数据;可穿戴设备主要收集用户日常生理指标,但是缺乏具体、关键指标的检验、检查数据,以此构建的模型不具备有效说服力;(3)缺乏专业判断:可穿戴设备仅为收集一段时间内生理指标后作出的判断,缺乏医生的专业判断及指标解读。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种疾病评价及患病风险评估方法、一种疾病评价及患病风险评估装置、一种存储介质以及一种电子终端,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供一种一种疾病评价及患病风险评估方法,包括:
对医疗数据进行聚类以便于获取各患者的疾病诊断及治疗数据信息;
对所述疾病诊断及治疗数据信息进行清洗处理以获取各项疾病在各时间窗内的特征数据;
以待评估对象在当前时间窗内的疾病诊断数据与所述各项疾病在各时间窗内的特征数据进行相似度对比处理,以获取所述待评估对象在当前时间窗内对应疾病的评估结果及患病风险的概率估算。
在本公开的一种示例性实施例中,所述对医疗数据进行聚类包括:
获取包含患者医疗数据的各项医疗数据表格;
根据一预设标识对所述医疗数据表格以患者维度进行聚类处理。
在本公开的一种示例性实施例中,所述医疗数据表格包括:
患者基础信息表、住院病案首页表、出院记录表、门诊诊断表、手术记录表、药品类医嘱表、检验记录表及检查记录表中的任意一项或多项。
在本公开的一种示例性实施例中,所述对所述疾病诊断及治疗数据信息进行清洗处理以获取各项疾病在各时间窗内的特征数据包括:
根据对应设置的预设字段分别提取患者在各所述医疗数据表格中的主诊断信息及对应的治疗结果信息作为样本数据;
按预设字段对所述样本数据进行分类并生成训练集;
根据TF-IDF算法对所述训练集进行清理以获取各项疾病的特征数据;
根据预设时间特征对所述特征数据窗划分时间窗。
在本公开的一种示例性实施例中,所述方法还包括:对划分时间窗后的特征数据进行归一化处理。
在本公开的一种示例性实施例中,所述方法还包括:按预设顺序对提取所述医疗数据表格中的主诊断信息及对应的治疗结果信息。
在本公开的一种示例性实施例中,所述方法还包括:依据ICD-10确定所述主诊断信息的精确疾病名称。
根据本公开的第二方面,提供一种疾病评价及患病风险评估装置,包括:
数据聚类模块,用于对医疗数据进行聚类以便于获取各患者的疾病诊断及治疗数据信息;
特征数据获取模块,用于对所述疾病诊断及治疗数据信息进行清洗处理以获取各项疾病在各时间窗内的特征数据;
评价模块,用于以待评估对象在当前时间窗内的疾病诊断数据与所述各项疾病在各时间窗内的特征数据进行相似度对比处理,以获取所述待评估对象在当前时间窗内对应疾病的评估结果及患病风险的概率估算。
根据本公开的第三方面,提供一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的疾病评价及患病风险评估方法。
根据本公开的第四方面,提供一种电子终端,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行以下操作:
对医疗数据进行聚类以便于获取各患者的疾病诊断及治疗数据信息;
对所述疾病诊断及治疗数据信息进行清洗处理以获取各项疾病在各时间窗内的特征数据;
以待评估对象在当前时间窗内的疾病诊断数据与所述各项疾病在各时间窗内的特征数据进行相似度对比处理,以获取所述待评估对象在当前时间窗内对应疾病的评估结果及患病风险的概率估算。
本公开的一种实施例所提供的疾病评价及患病风险评估方法中,首先通过聚类处理获取各患者对各项疾病的诊断数据及治疗数据,并根据疾病的诊断数据及治疗数据获取该疾病在某一时间窗内该疾病的特征数据。此时可以将待评估患者的疾病诊断数据与所述疾病的特征数据进行相似度对比,从而实现对待评估对象在某一时间段内已患疾病的情况进行评价,以及对可能患有疾病的患病风险的进行预估。通过医疗数据进行聚类并分析获取疾病的特征数据,有效的保证了特征数据的有效性,进而大幅度的提升对待评估对象的主要疾病评估结果及患病风险评估结果的准确性。同时,通过对医疗数据进行聚类处理,也方便对相似患者进行快速的检索和查询,进而有效提高工作效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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的附图。
图1示意性示出本公开示例性实施例中一种疾病评价及患病风险评估方法示意图;
图2示意性示出本公开示例性实施例中一种患者基础信息表示意图;
图3示意性示出本公开示例性实施例中一种住院病案首页表示意图;
图4示意性示出本公开示例性实施例中一种出院/门诊记录表示意图;
图5示意性示出本公开示例性实施例中一种手术记录表示意图;
图6示意性示出本公开示例性实施例中一种药品类医嘱表示意图;
图7示意性示出本公开示例性实施例中一种检验记录表示意图;
图8示意性示出本公开示例性实施例中一种检查记录表示意图;
图9示意性示出本公开示例性实施例中为患者e871按时间窗划分的特征数据表;
图10示意性示出本公开示例性实施例中为患者e9a5按时间窗划分的特征数据表;
图11示意性示出本公开示例性实施例中一种归一化处理后的特征数据表;
图12示意性示出本公开示例性实施例中一待评估对象的数据及顺向时间窗分割示例表示意图;
图13示意性示出本公开示例性实施例中一待评估对象的余弦相似度示例示意图;
图14示意性示出本公开示例性实施例中一种疾病评价及患病风险评估装置组成示意图;
图15示意性示出本公开示例性实施例中另一种疾病评价及患病风险评估装置的另一种示意图;
图16示意性示出本公开示例性实施例中再一种疾病评价及患病风险评估的再一种示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
本示例实施方式中首先提供了一种疾病评价及患病风险评估方法,可以应用于对待评估对象在某一段时间内的主要疾病的情况进行评价,以及对待评估对象可能罹患疾病的患病风险进行有效评估。参考图1中所示,上述的疾病评价及患病风险评估方法可以包括以下步骤:
步骤S1,对医疗数据进行聚类以便于获取各患者的疾病诊断及治疗数据信息;
步骤S2,对所述疾病诊断及治疗数据信息进行清洗处理以获取各项疾病在各时间窗内的特征数据;
步骤S3,以待评估对象在当前时间窗内的疾病诊断数据与所述各项疾病在各时间窗内的特征数据进行相似度对比处理,以获取所述待评估对象在当前时间窗内对应疾病的评估结果及患病风险的概率估算。
本示例实施方式所提供的疾病评价及患病风险评估方法中,可以实现对待评估对象在某一时间段内已患疾病的情况进行评价,以及对可能患有疾病的患病风险的进行预估。通过医疗数据进行聚类并分析获取疾病的特征数据,有效的保证了特征数据的有效性,进而大幅度的提升对待评估对象的主要疾病评估结果及患病风险评估结果的准确性。同时,通过对医疗数据进行聚类处理,也方便对相似患者进行快速的检索和查询,进而有效提高工作效率。
下面,将结合附图及实施例对本示例实施方式中的疾病评价及患病风险评估方法中各个步骤进行更详细的说明。
步骤S1,对医疗数据进行聚类以便于获取各患者的疾病诊断及治疗数据信息。
本示例实施方式中,上述步骤S1具体可以包括:
步骤S11,获取包含患者医疗数据的各项医疗数据表格;
步骤S12,根据一预设标识对所述医疗数据表格以患者维度进行聚类处理。
对于获取的包含医疗数据的医疗数据表格,可以按预设标识对医疗数据以患者维度进行聚类处理,例如,以患者唯一标识(patient_sn)或就诊标识(visit_sn)作为预设标识。
举例来说,参考图2-图8所示,上述的医疗数据表格可以包括:患者基础信息表、住院病案首页表、出院记录表、门诊诊断表、手术记录表、药品类医嘱表、检验记录表及检查记录表中的任意一项或多项。
步骤S2,对所述疾病诊断及治疗数据信息进行清洗处理以获取各项疾病在各时间窗内的特征数据。
本示例实施方式中,上述步骤S2具体可以包括:
步骤S21,根据对应设置的预设字段分别提取患者在各所述医疗数据表格中的主诊断信息及对应的治疗结果信息作为样本数据;
步骤S22,按预设字段对所述样本数据进行分类并生成训练集;
步骤S23,根据TF-IDF算法对所述训练集进行清理以获取各项疾病的特征数据;
步骤S24,根据预设时间特征对所述特征数据窗划分时间窗。
具体来说,步骤S21中,在对各数据表进行数据提取时,可以按预设的优先级顺序对各数据表进行数据提取。例如,在获取主诊断信息时,可以设置优先级顺序为:
1)提取“病案首页表”中的出院诊断,条件:“诊断状态”字段为“主要诊断”;
2)提取“出院记录表”中的出院诊断,条件:“诊断顺位”字段为1;
3)提取“病案首页表”中的出院诊断,条件:“诊断顺位”字段为1;
4)提取“门诊诊断表”中的门诊诊断,条件:“诊断顺位”字段为1;
5)提取“门诊诊断表”中的门诊诊断。
通过设置优先级策略提取多项医疗数据表中数据,可以快速、准确的获取患者的主诊断信息。
在从数据表中获取主诊断信息时,可以利用ICD-10国际疾病分类确定所述主诊断信息的精确疾病名称。通过构建ICD树,以上位节点(即ICD-10code最短)作为模糊疾病名称,以下位节点(即ICD-10code最长)作为精确疾病名称。同时,可以将诊断中出现模糊疾病名称作为首次诊断,以诊断中出现的精确疾病名称为首次确诊及主诊断。
在本公开的其他示例性实施方式中,举例来说,对于具体的提取字段,例如:对所述住院病案首页表进行提取时,可以主要提取疾病、入院、手术、出院等相关信息。在提取手术相关数据时,可以主要提取“手术名称”、“手术结束时间”;并且可以设置提取优先级为:1)病案首页表;2)手术记录表,按此优先级顺序提取手术相关数据。
在提取用药相关数据时,可以将“用药名称”、“用药次数”、“用药剂量”等作为关键字段并对相关数据进行提取。
在提取检验项相关数据时,可以将“检验子项目名称”、“检验时间”、“定性结果”等作为关键字段并提取相关数据,并且可以以此判定、提取阳性事件。
在提取检查项相关数据时,可以主要以“检查指标名称”、“检查结论”作为提取字段。
在提取治疗效果相关数据时,则可以主要提取“转归”字段,状态字段可以包括:“治愈”、“好转”、“稳定”、“恶化”或“死亡”等。同时可以设置优先级策略为:1)病案首页表;2)出院记录表。
在步骤S22中,可以将“主诊断名称”及“转归”状态作为预设字段对样本数据进行分类,生成训练集。然后,可以利用TF-IDF算法对所述训练集进行清理,以获取检验记录表、检查记录表以及手术记录表等医疗数据表中的高频数据及有效数据,并将其作为某疾病的特征数据,实现对检验、检测及用药数据的脏数据清洗。具体可以通过以下公式进行计算:
通过对上述各项医疗数据表中进行数据提取,可以获取某项疾病的准确名称、诊断及检测过程、治疗过程及对应的治疗结果等全部的有效数据,从而为后期的疾病评价及患病风险评估提供有力的数据支撑。
此外,本示例实施方式中,在获取特征数据后,可以对其进行时间窗划分。参考图9、图10所示,分别为患者e871、患者e9a5的按时间窗划分的特征数据。举例来说,可以将“转归”状态时间做为起点,逆向季度为时间长度进行时间窗切割。待评估对象的时间窗则可以将“首次诊断”做为起点,顺向季度为时间长度进行时间窗切割。从而能够获取某一疾病在一段时间内的特征数据,以及待评估对象在某一时间段内的诊断数据。
进一步的,本示例实施方式中,上述的方法还可以包括:对划分时间窗后的特征数据进行归一化处理。
举例来说,参考图11所示,可以将阳性(异常)事件定义为1,阴性(正常)事件定义为0;并在时间窗内进行字段累加及归一化统计,例如:逆向时间窗中如果“转归”状态前一次为阳性事件,那么此时间窗归一值为1,即“转归”前最后一次阳性事件决定整个时间窗归一值。
步骤S3,以待评估对象在当前时间窗内的疾病诊断数据与所述各项疾病在各时间窗内的特征数据进行相似度对比处理,以获取所述待评估对象在当前时间窗内对应疾病的评估结果及患病风险的概率估算。
在本示例实施方式中,在获取各项疾病的在各时间段内的特征数据后,即可以将待评估对象在的诊断或检测数据与特征数据进行对比,从而得知待评估对象已患疾病的所在阶段,便于医生对待评估对象的已患疾病的病情进行评价,有利于医生对待评估对象病情的准确判断。同时,根据将待评估对象的诊断数据与各类别疾病的不同时间窗口的特征数据进行余弦相似度判断,获取待评估对象数据与特征数据最相近的时间窗口,从而实现对待评估对象潜在疾病的患病风险进行有效评估。
其中,所述待评估对象的诊断数据也可以通过上述的各项医疗数据表中获取,例如检测数据表、检验数据表或门诊诊断表等。
举例来说,参考图12、图13所示,测试集中8ea0患者当前状态(时间窗7)与训练集时间窗1的状态最相似。实际状况为,测试集类别为:主诊断为胃癌,转归状态为死亡;训练集患者时间窗7为胃癌晚期复查,并于2013年3月23日死亡。
基于以上内容,本公开所提供的疾病评价及患病风险评估方法,能够获取各类疾病在不同时间窗的特征数据,并通过将待评估对象当前时间窗内数据与特征数据进行对比,能够准确的判断待评估对象在当前时间窗内已患疾病所在阶段及状态,方便医生对疾病的发展趋势实现准去分析,进而能够对疾病进行准确的治疗。并且,也能够对待评估对象的潜在疾病进行准确评价并发出对应的疾病预警。同时,根据获取的各类疾病的特征数据,也能够方便医生对相似患者进行快速的检索。
需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
进一步的,参考图14所示,本示例的实施方式中还提供了一种疾病评价及患病风险评估装置14,包括:数据聚类模块141、特征数据获取模块142以及评价模块143。其中:
所述数据聚类模块141可以用于对医疗数据进行聚类以便于获取各患者的疾病诊断及治疗数据信息;
所述特征数据获取模块142可以用于对所述疾病诊断及治疗数据信息进行清洗处理以获取各项疾病在各时间窗内的特征数据;
所述评价模块143可以用于以待评估对象在当前时间窗内的疾病诊断数据与所述各项疾病在各时间窗内的特征数据进行相似度对比处理,以获取所述待评估对象在当前时间窗内对应疾病的评估结果及患病风险的概率估算。
上述的疾病评价及患病风险评估装置中各模块的具体细节已经在对应的疾病评价及患病风险评估方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图15来描述根据本发明的这种实施方式的电子设备600。图15显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图15所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示的S1:对医疗数据进行聚类以便于获取各患者的疾病诊断及治疗数据信息;S2:对所述疾病诊断及治疗数据信息进行清洗处理以获取各项疾病在各时间窗内的特征数据;S3:以待评估对象在当前时间窗内的疾病诊断数据与所述各项疾病在各时间窗内的特征数据进行相似度对比处理,以获取所述待评估对象在当前时间窗内对应疾病的评估结果及患病风险的概率估算。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图15所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (8)
1.一种疾病评价及患病风险评估方法,其特征在于,包括:
获取包含患者医疗数据的各项预设类别的医疗数据表格,根据一预设标识对所述医疗数据表格以患者维度进行聚类处理,以便于获取各患者的疾病诊断及治疗数据信息;
对所述疾病诊断及治疗数据信息进行清洗处理,根据预设字段获取时间起点,并以逆向顺序对预设时间长度进行时间窗切割,以获取各项疾病在各时间窗内的特征数据,包括:根据对应设置的预设字段分别提取患者在各所述医疗数据表格中的主诊断信息及对应的治疗结果信息作为样本数据;按预设字段对所述样本数据进行分类并生成训练集;根据TF-IDF算法对所述训练集进行清理以获取各项疾病的特征数据;根据预设时间特征对所述特征数据划分时间窗;其中,所述预设时间特征包括:根据所述预设字段确定的时间起点和以逆向顺序确定的时间长度;
以待评估对象在当前时间窗内的疾病诊断数据与所述各项疾病在各时间窗内的特征数据进行相似度对比处理,以获取所述待评估对象在当前时间窗内对应疾病的评估结果及患病风险的概率估算,包括:基于待评估对象的诊断数据与特征数据的对比结果而得之的所述待评估对象已患疾病的所在阶段;以及,基于待评估对象的诊断数据与各类别疾病的不同时间窗口的特征数据进行余弦相似度判断,获取待评估对象数据与特征数据最相近的时间窗口,以得到所述待评估对象的潜在疾病患病风险的评估结果。
2.根据权利要求1所述的疾病评价及患病风险评估方法,其特征在于,所述预设类别的医疗数据表格包括:
患者基础信息表、住院病案首页表、出院记录表、门诊诊断表、手术记录表、药品类医嘱表、检验记录表及检查记录表中的任意一项或多项。
3.根据权利要求1所述的疾病评价及患病风险评估方法,其特征在于,所述方法还包括:
对划分时间窗后的特征数据进行归一化处理。
4.根据权利要求1所述的疾病评价及患病风险评估方法,其特征在于,所述方法还包括:
按预设顺序提取所述医疗数据表格中的主诊断信息及对应的治疗结果信息。
5.根据权利要求4所述的疾病评价及患病风险评估方法,其特征在于,所述方法还包括:
依据ICD-10确定所述主诊断信息的精确疾病名称。
6.一种疾病评价及患病风险评估装置,其特征在于,包括:
数据聚类模块,用于获取包含患者医疗数据的各项预设类别的医疗数据表格,根据一预设标识对所述医疗数据表格以患者维度进行聚类处理,以便于获取各患者的疾病诊断及治疗数据信息;
特征数据获取模块,用于对所述疾病诊断及治疗数据信息进行清洗处理,根据预设字段获取时间起点,并以逆向顺序对预设时间长度进行时间窗切割,以获取各项疾病在各时间窗内的特征数据,包括:根据对应设置的预设字段分别提取患者在各所述医疗数据表格中的主诊断信息及对应的治疗结果信息作为样本数据;按预设字段对所述样本数据进行分类并生成训练集;根据TF-IDF算法对所述训练集进行清理以获取各项疾病的特征数据;根据预设时间特征对所述特征数据划分时间窗;其中,所述预设时间特征包括:根据所述预设字段确定的时间起点和以逆向顺序确定的时间长度;
评价模块,用于以待评估对象在当前时间窗内的疾病诊断数据与所述各项疾病在各时间窗内的特征数据进行相似度对比处理,以获取所述待评估对象在当前时间窗内对应疾病的评估结果及患病风险的概率估算,包括:基于待评估对象的诊断数据与特征数据的对比结果而得之的所述待评估对象已患疾病的所在阶段;以及,基于待评估对象的诊断数据与各类别疾病的不同时间窗口的特征数据进行余弦相似度判断,获取待评估对象数据与特征数据最相近的时间窗口,以得到所述待评估对象的潜在疾病患病风险的评估结果。
7.一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现根据权利要求1至5中任一项所述的疾病评价及患病风险评估方法。
8.一种电子终端,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行以下操作:
获取包含患者医疗数据的各项预设类别的医疗数据表格,根据一预设标识对所述医疗数据表格以患者维度进行聚类处理,以便于获取各患者的疾病诊断及治疗数据信息;
对所述疾病诊断及治疗数据信息进行清洗处理,根据预设字段获取时间起点,并以逆向顺序对预设时间长度进行时间窗切割,以获取各项疾病在各时间窗内的特征数据,包括:根据对应设置的预设字段分别提取患者在各所述医疗数据表格中的主诊断信息及对应的治疗结果信息作为样本数据;按预设字段对所述样本数据进行分类并生成训练集;根据TF-IDF算法对所述训练集进行清理以获取各项疾病的特征数据;根据预设时间特征对所述特征数据划分时间窗;其中,所述预设时间特征包括:根据所述预设字段确定的时间起点和以逆向顺序确定的时间长度;
以待评估对象在当前时间窗内的疾病诊断数据与所述各项疾病在各时间窗内的特征数据进行相似度对比处理,以获取所述待评估对象在当前时间窗内对应疾病的评估结果及患病风险的概率估算,包括:基于待评估对象的诊断数据与特征数据的对比结果而得之的所述待评估对象已患疾病的所在阶段;以及,基于待评估对象的诊断数据与各类别疾病的不同时间窗口的特征数据进行余弦相似度判断,获取待评估对象数据与特征数据最相近的时间窗口,以得到所述待评估对象的潜在疾病患病风险的评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711006713.9A CN107610779B (zh) | 2017-10-25 | 2017-10-25 | 疾病评价及患病风险评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711006713.9A CN107610779B (zh) | 2017-10-25 | 2017-10-25 | 疾病评价及患病风险评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107610779A CN107610779A (zh) | 2018-01-19 |
CN107610779B true CN107610779B (zh) | 2021-10-22 |
Family
ID=61080688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711006713.9A Active CN107610779B (zh) | 2017-10-25 | 2017-10-25 | 疾病评价及患病风险评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107610779B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320810A (zh) * | 2018-04-11 | 2018-07-24 | 平安科技(深圳)有限公司 | 疾病异常数据检测方法及装置、计算机装置及存储介质 |
CN108806799B (zh) * | 2018-06-12 | 2020-10-27 | 天津开心生活科技有限公司 | 治疗模式分类模型的建立方法、装置、介质及电子设备 |
CN109102845B (zh) * | 2018-08-14 | 2023-07-04 | 深圳平安医疗健康科技服务有限公司 | 医疗单据审核方法、装置、计算机设备和存储介质 |
CN109524069B (zh) * | 2018-11-09 | 2021-09-10 | 南京医渡云医学技术有限公司 | 医疗数据处理方法、装置、电子设备和存储介质 |
CN111179096A (zh) * | 2018-11-09 | 2020-05-19 | 天津幸福生命科技有限公司 | 医疗数据审核方法、装置、电子设备及计算机可读介质 |
CN111180065A (zh) * | 2018-11-09 | 2020-05-19 | 天津幸福生命科技有限公司 | 保险用户评估方法、装置、电子设备及计算机可读介质 |
CN110335681A (zh) * | 2019-05-09 | 2019-10-15 | 哈尔滨医科大学 | 一种用于老年痴呆预警系统及预警方法 |
CN110364259B (zh) * | 2019-05-30 | 2022-05-31 | 中国人民解放军总医院 | 一种高原疾病预测方法、系统、介质及电子设备 |
CN110223779A (zh) * | 2019-06-12 | 2019-09-10 | 吉林大学第一医院 | 一种肺癌患者的吸烟与患病关联性研究方法 |
CN110459276B (zh) * | 2019-08-15 | 2022-05-24 | 北京嘉和海森健康科技有限公司 | 一种数据处理方法及相关设备 |
CN111028942B (zh) * | 2019-12-10 | 2023-11-03 | 医渡云(北京)技术有限公司 | 数据处理方法及装置、存储介质及电子终端 |
CN111275558B (zh) * | 2020-01-13 | 2024-02-27 | 上海维跃信息科技有限公司 | 用于确定保险数据的方法和装置 |
CN111653359B (zh) * | 2020-05-30 | 2023-09-08 | 吾征智能技术(北京)有限公司 | 一种出血性疾病的智能预测模型构建方法和预测系统 |
CN113450913A (zh) * | 2020-08-06 | 2021-09-28 | 心医国际数字医疗系统(大连)有限公司 | 一种数据处理装置、方法及电子设备 |
CN112992350A (zh) * | 2021-02-23 | 2021-06-18 | 联仁健康医疗大数据科技股份有限公司 | 一种体征数据的监测方法、装置、电子终端及存储介质 |
CN113436725B (zh) * | 2021-06-24 | 2023-06-23 | 深圳平安智慧医健科技有限公司 | 数据处理方法、系统、计算机设备及计算机可读存储介质 |
CN113990506B (zh) * | 2021-10-29 | 2023-03-10 | 医渡云(北京)技术有限公司 | 一种健康状态评估方法、装置、存储介质及计算机系统 |
CN115346660B (zh) * | 2022-08-17 | 2023-09-19 | 广东工业大学 | 基于马尔可夫毯模型的脊柱疾病辅助诊断方法和装置 |
CN116386801B (zh) * | 2023-06-06 | 2023-08-11 | 四川互慧软件有限公司 | 基于聚类算法构建患者身份标识的方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202936A (zh) * | 2016-07-13 | 2016-12-07 | 为朔医学数据科技(北京)有限公司 | 一种疾病风险预测方法及系统 |
CN106529177A (zh) * | 2016-11-12 | 2017-03-22 | 杭州电子科技大学 | 一种基于医疗大数据的患者画像方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7542544B2 (en) * | 2004-01-06 | 2009-06-02 | The Regents Of The University Of Michigan | Ultrasound gating of cardiac CT scans |
US10799186B2 (en) * | 2016-02-12 | 2020-10-13 | Newton Howard | Detection of disease conditions and comorbidities |
CN107066791A (zh) * | 2016-12-19 | 2017-08-18 | 银江股份有限公司 | 一种基于病人检验结果的辅助疾病诊断方法 |
CN106874643B (zh) * | 2016-12-27 | 2020-02-28 | 中国科学院自动化研究所 | 基于词向量自动构建知识库实现辅助诊疗的方法和系统 |
CN106934235B (zh) * | 2017-03-09 | 2019-06-11 | 中国科学院软件研究所 | 一种基于迁移学习的疾病领域间病人相似性度量迁移系统 |
CN107145704B (zh) * | 2017-03-27 | 2020-11-13 | 西安电子科技大学 | 一种面向社区的健康医疗监护、评测系统及其方法 |
-
2017
- 2017-10-25 CN CN201711006713.9A patent/CN107610779B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202936A (zh) * | 2016-07-13 | 2016-12-07 | 为朔医学数据科技(北京)有限公司 | 一种疾病风险预测方法及系统 |
CN106529177A (zh) * | 2016-11-12 | 2017-03-22 | 杭州电子科技大学 | 一种基于医疗大数据的患者画像方法及装置 |
Non-Patent Citations (2)
Title |
---|
"Techniques for analysis of disease clustering in space and in time in veterinary in space and in time in veterinary";Michael P Ward等;《Preventive Veterinary Medicine》;20000612;第45卷(第3-4期);第257-284页 * |
"贝叶斯网络-案例推理混合建模与应用";范霄;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20140615(第6期);正文第4.2-4.4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN107610779A (zh) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610779B (zh) | 疾病评价及患病风险评估方法及装置 | |
CN107799160B (zh) | 用药辅助决策方法及装置、存储介质、电子设备 | |
US9165116B2 (en) | Patient data mining | |
JP6907831B2 (ja) | コンテキストベースの患者類似性の方法及び装置 | |
Raj et al. | A personalized arrhythmia monitoring platform | |
CN104115144A (zh) | 用于多维时域和相关数据挖掘框架、分析和子分组的系统、方法和计算机程序 | |
Lonsdale et al. | Machine learning and artificial intelligence in pediatric research: current state, future prospects, and examples in perioperative and critical care | |
van Walraven et al. | Comparing methods to calculate hospital-specific rates of early death or urgent readmission | |
Dziadkowiec et al. | Improving the quality and design of retrospective clinical outcome studies that utilize electronic health records | |
CN115346634A (zh) | 一种体检报告解读预测方法、系统、电子设备和存储介质 | |
Chang et al. | Morbidity trajectories as predictors of utilization: multi-year disease patterns in Taiwan's national health insurance program | |
CN110471941B (zh) | 自动定位判断依据的方法、装置及电子设备 | |
Chen et al. | Using data mining strategies in clinical decision making: a literature review | |
Bhattacharya et al. | Identifying patterns of associated-conditions through topic models of Electronic Medical Records | |
Alakrawi | Clinical terminology and clinical classification systems: a critique using AHIMA's data quality management model | |
Fouladvand et al. | A comparative effectiveness study on opioid use disorder prediction using artificial intelligence and existing risk models | |
US20160371457A1 (en) | System and Method for Data Analyzing of Health-Related Data | |
JP6968704B2 (ja) | 情報管理システム及び情報管理方法 | |
JP2016021190A (ja) | 情報表示装置及び方法、並びにコンピュータプログラム | |
US8756234B1 (en) | Information theory entropy reduction program | |
CN112652400A (zh) | 基于专病视图相似分析病情参考方法、系统、设备和介质 | |
Trivedi et al. | A practical guide to use of publicly available data sets for observational research in interventional radiology | |
Matis | Big Data and Chronic Pain: A New Era for Neuromodulation? | |
Hong et al. | Personalized prediction of diabetic foot ulcer recurrence in elderly individuals using machine learning paradigms | |
Keeble et al. | Reducing participation bias in case-control studies: Type 1 diabetes in children and stroke in adults |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |