CN109192312B - 一种心力衰竭患者不良事件智能管理系统及方法 - Google Patents
一种心力衰竭患者不良事件智能管理系统及方法 Download PDFInfo
- Publication number
- CN109192312B CN109192312B CN201810949480.4A CN201810949480A CN109192312B CN 109192312 B CN109192312 B CN 109192312B CN 201810949480 A CN201810949480 A CN 201810949480A CN 109192312 B CN109192312 B CN 109192312B
- Authority
- CN
- China
- Prior art keywords
- data
- module
- model
- adverse event
- analysis
- 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
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种心力衰竭患者不良事件智能管理系统及方法,属于医疗数据管理领域。系统包括通信服务器、计算云服务器及一个或多个与计算云服务器相连接的客户端;所述通信服务器包括用于采集心力衰竭患者数据的数据采集模块;所述计算云服务器包括利用DCC算法对患者数据进行建模的算法模块,经所述算法模块计算得到不良事件模型的分析结果;所述客户端的结果显示模块用于结果输出或数据输入,包括用于分析结果输出或评分输入的结果展示模块。有效避免了现有系统及方法无法解决心力衰竭患者不良事件智能管理的缺陷,有利于规范和提升心力衰竭患者智能管理的流程和水平。
Description
技术领域
本发明涉及医疗数据管理领域,尤其涉及一种心力衰竭患者不良事件智能管理系统及方法。
背景技术
心力衰竭(Heart Failure,HF)是各种心脏疾病终末期临床综合征。据文献报道,我国从2012年至2030年,心力衰竭的发病率将激增46%,心力衰竭患者5年的全因死亡率仍接近50%。全面、准确的风险测试评估和干预效果分析是心衰诊疗和管理的基础。其中,从大量的、不平衡的、高维的、冗余的HF患者特征数据中挖掘出诱发临床主要不良事件发生的潜在风险因素,发现临床主要不良事件的发生机理及耦合规律,进而建立HF患者不良事件智能管理系统;增强HF临床主要不良事件智能管理能够满足临床实际应用的要求,被普遍认为是进行HF诊疗和管理的核心环节。现有系统及方法无法解决心力衰竭患者不良事件智能管理的缺陷,不利于规范和提升心力衰竭患者智能管理流程和水平。
基于医学专家经验和医学知识,利用大数据技术构建心力衰竭患者不良事件智能管理系统及方法,对规范心力衰竭诊疗流程具有重要的临床指导意义。
发明内容
鉴于上述分析,本发明实施例旨在提供一种心力衰竭患者不良事件智能管理系统及方法,利用大数据技术构建心力衰竭患者不良事件智能管理系统及方法,有利于规范和提升心力衰竭诊疗管理流程和水平,避免了现有系统与方法无法解决心力衰竭患者不良事件智能管理的缺陷,具有重要的临床指导意义。
一方面,本发明实施例提供了一种心力衰竭患者不良事件智能管理系统,包括通信服务器、计算云服务器及一个或多个与计算云服务器相连接的客户端;所述通信服务器包括用于采集心力衰竭患者数据的数据采集模块;所述计算云服务器包括利用DCC算法对患者数据进行建模的算法模块,经所述算法模块计算得到不良事件模型的分析结果;所述客户端的结果显示模块,包括用于分析结果输出或评分输入的结果展示模块。
上述技术方案的有益效果如下:本发明公开了一种心力衰竭患者不良事件智能管理系统,该系统包括通信服务器、计算云服务器及一个或多个与计算云服务器相连接的客户端;所述通信服务器包括用于采集心力衰竭患者数据的数据采集模块;所述计算云服务器包括利用DCC算法对患者数据进行建模的算法模块,经所述算法模块计算得到不良事件模型的分析结果;所述客户端的结果显示模块,包括用于分析结果输出或评分输入的结果展示模块。本技术方案利用了大数据技术构建心力衰竭患者不良事件智能管理系统,即从大量的、不平衡的、高维的、冗余的心力衰竭患者特征数据中挖掘出诱发临床主要不良事件发生的潜在风险因素,发现临床主要不良事件的发生机理及耦合规律,进而建立心力衰竭患者不良事件智能管理系统,避免了现有系统无法解决心力衰竭患者不良事件智能管理的缺陷,利于规范和提升心力衰竭诊疗的智能管理流程和水平。
基于上述系统的另一个实施例中,数据采集模块包括医院信息采集模块和个体数据采集模块;所述医院信息采集模块用于接收从医院数据中心CDR中提取的患者数据;所述个体数据采集模块用于接收手动输入的患者检验检查数据及个人基本信息数据。
所述算法模块包括数据预处理模块、模型选择模块、数据建模模块、模型分析模块;其中,所述数据预处理模块用于对数据采集模块采集的患者数据进行数据预处理,得到样本集,包括测试样本;所述模型选择模块用于对不同不良事件模型的切换,具体用于所述样本集根据不同不良事件模型进行入组分类,每组分类样本包括正样本和负样本;所述数据建模模块对所述样本集根据预设原则或者设定阈值进行筛选,并根据所述DCC算法和所述样本集对选择的不良事件模型进行建模分析,得到不良事件分析模型保存在所述模型分析模块。所述DCC算法包括以下几个步骤:对筛选出的样本集根据以下权重函数计算特征权重,W=αw1+βw2+σw3,w1是使用机器学习算法计算出的第一权重;w2是依据特征完整性计算出的第二权重;w3是依据特征方差计算出的第三权重;α,β和σ为系数;选取特征权重高的M维特征,并利用选取出的M维特征对筛选出的样本集进行聚类,得到多个类簇,M为大于1的自然数;基于所述类簇分别训练分类器,得到各类簇对应的分类器。所述模型分析模块根据所述模型选择模块中选择的不良事件模型以及所述数据建模模块的训练,并对所述测试样本进行不良事件模型的分析,包括以下步骤:采用筛选的样本集计算特征权重并提取所用特征,并对该样本集进行聚类得到多个类簇;计算所述测试样本与每个所述类簇中心的距离;根据距离远近判断所述测试样本的类簇归属;选择所述类簇对应的分类器对所述测试样本进行分类得到分析结果。
所述系统还进一步包括模型修正模块,用于对所述分析结果的修正及对所述数据建模模块的优化,包括以下步骤:根据对分析结果的评分对所述测试样本进行加权后加入到样本集中;利用新的样本集对所述数据建模模型进行训练;更新所述模型分析模块中的所述不良事件分析模型,得到更准确的分析结果;其中,按照下列公式计算对所述测试样本加权所用的权重:ωi=α·exp(50-Si),其中α为>0的系数,Si是反馈的分值,即根据显示的分析结果和结果解读给出的评分;结果解读模块,用于展示与分析结果相应不良事件模型的术语解释和不良事件的诱发因素以及注意事项。
上述实施例的技术效果如下:数据采集模块保证了大数据技术构建心力衰竭不良事件智能管理系统的基础,算法模块对数据采集模块采集的数据进行数据预处理,并通过样本集对数据建模模块进行训练,还通过测试样本对数据建模模型优化和完善,模型修正模块根据客户端反馈的用户评分不断迭代优化数据建模模型,从而不断更新不良事件分析模型,得到更准确的分析结果。该具体的实施例能够帮助医生制定合理的诊疗措施,降低医疗风险,规范和提升心力衰竭诊疗的智能管理流程和水平
另一方面,本发明实施例提供了一种心力衰竭患者不良事件智能管理方法,包括:采集心力衰竭患者的数据;利用DCC算法对所述患者数据进行数据建模计算得到不良事件模型的分析结果;客户端输出并显示对不良事件模型的分析结果及结果解读,同时用于输入对结果的评分。
基于上述方法的另一个实施例中,采集心力衰竭患者的数据包括:从医院数据中心CDR中提取患者数据或手动输入患者的检验检查数据及个人基本信息数据。
利用DCC算法对所述患者数据进行数据建模包括:对所述患者数据进行数据预处理得到样本集,包括测试样本;通过对不同不良事件模型的切换,将所述样本集根据不同不良事件的模型进行入组分类,每组分类样本包括正样本和负样本;对所述样本集根据预设原则或者设定阈值进行筛选,并根据所述DCC算法和所述样本集对选择的不良事件模型进行建模分析,得到不良事件分析模型;对所述测试样本进行不良事件模型的分析得到分析结果。
对所述分析结果的修正及对所述数据建模的优化,包括以下步骤:根据分析结果的评分对所述测试样本进行加权后加入到所述样本集中;利用新的样本集对所述数据建模模型进行训练;更新所述不良事件分析模型,得到更准确的分析结果。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明一个实施例提供的心力衰竭患者不良事件智能管理系统结构框图;
图2为本发明一个实施例提供的心力衰竭患者不良事件智能管理系统结构示意图;
图3为本发明一个实施例提供的心力衰竭患者不良事件智能管理系统软件架构图;
图4为本发明一个实施例提供的从医院数据中心获取数据的流程图;
图5为本发明一个实施例提供的手动输入的数据项的示意图;
图6为本发明一个实施例提供的算法模块的结构框图;
图7为本发明一个实施例提供的数据建模模块的数据建模流程图;
图8为本发明一个实施例提供的模型分析模块的模型分析流程图;
图9为本发明一个实施例提供的结果展示界面示意图;
图10为本发明一个实施例提供的结果解读界面示意图;
图11为本发明一个实施例提供的心力衰竭患者不良事件管理方法流程图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明实施例的技术构思是:针对现有系统无法满足心力衰竭患者诊疗流程的规范管理及优化提升的要求,本发明实施例从大量的、不平衡的、高维的、冗余的心力衰竭患者特征数据中挖掘出诱发临床主要不良事件发生的潜在风险因素,发现临床主要不良事件的发生机理及耦合规律,进而建立针对心力衰竭患者不良事件智能管理系统及方法,提升和规范了心力衰竭诊疗的智能管理流程和水平。
进一步的,本实施例的心力衰竭患者不良事件智能管理系统还具有自学习功能,即,能够根据医生用户反馈的评分进行重新训练和学习,保证了不良事件模型分析结果的准确度。
本发明的一个具体实施例,公开了一种心力衰竭患者不良事件智能管理系统,参见图1,心力衰竭患者不良事件智能管理系统100包括通信服务器101、计算云服务器102及一个或多个与计算云服务器102相连接的客户端103;所述通信服务器101包括用于采集心力衰竭患者数据的数据采集模块1010;所述计算云服务器102包括利用DCC算法对患者数据进行建模的算法模块1020,经所述算法模块1021计算得到不良事件模型的分析结果;所述客户端103的结果显示模块1030,包括用于分析结果输出或评分输入的结果展示模块1031。
由图1所示可知,本实施例中通信服务器101中的数据采集模块1010采集心力衰竭患者数据,计算云服务器102中的算法模块1020利用DCC算法对所述患者数据进行建模分析,经所述算法模块1020计算得到不良事件模型的分析结果,客户端103的结果显示模块1030中的结果展示模块1031用于输出并显示分析结果或用于输入对结果的评分。该系统利用不良事件分析该模型可以对多种不良事件进行分析,帮助医生制定合理的诊疗措施,降低医疗风险。
本实施例的不良事件主要是指死亡、插管、利尿剂抵抗、肾脏替代事件。
在本发明的一个实施例中,图2为心力衰竭患者不良事件智能管理系统结构示意图,主要包括通信服务器101,计算云服务器102及客户端103,其中,通信服务器101包括数据采集模块1010,计算云服务器102包括算法模块1020,和模型修正模块1021,客户端103可以运行在移动设备或PC机上。
需要说明的是,算法模块1020主要由高性能计算云服务器、数据存储器构成,基于DCC算法通过高性能计算云服务器构建模型,结合专家决策系统对模型进行自学习,即通过模型修正模块1021不断迭代优化数据建模模型,对数据及模型分析结果及结果修正进行数据存储;基于客户端PC或者移动设备如手机、平板等对结果进行生动呈现。
结合图3,图3为本发明一个实施例提供的心力衰竭患者不良事件智能管理系统软件架构图;在图3中,物理环境层提供该系统各模块运行所需的物理环境,包括通信服务器、计算云服务器等;基础架构层提供该系统各模块运行的基础框架及平台,包括.NET、SQLServer以及MVC三部分;服务层为上层提供数据处理的相关接口,包括数据采集、数据预处理、数据建模及结果修正;展现层对数据进行展示,包括客户端的输出或输入界面。基于本发明的一个实施例,如图2所示,通信服务器101中的数据采集模块1010包括医院信息采集模块1011和个体数据采集模块1012;所述医院信息采集模块1011用于接收从医院数据中心CDR中提取的患者数据;所述个体数据采集模块1012用于接收手动输入的患者检验检查数据及个人基本信息数据。
数据采集模块1010,从数据源(医院的CDR系统或个人数据)中获取数据。与两种数据源相对应的,参见图2,本实施例的数据采集模块1010细分为:医院信息采集模块1011和个人数据采集模块1012。
也就是说,本实施例提供了两种采集数据方式,一种是自动采集,另一种是手动采集。自动采集适用于从CDR系统中采集住院期间的检验、检查、护理数据、基本信息、用药等临床信息;手动输入主要适用于没有CDR的小型医院或小型机构或者个体心衰疑似患者,这种情况下,通过交互式页面输入个人基本信息、主诉信息等数据。
需要说明的是,数据采集模块1010主要由数据总线、交换机、云服务器、数据安全防火墙构成。基于专用数据通信接口,通过数据总线从医院数据中心CDR获取数据,并通过加密数据通道上传专用云端服务器,参见图4。
图4为本发明一个实施例提供的从医院数据中心获取数据的流程图,如图4所示,数据采集模块通过数据总线(ESB)从医院数据中心(CDR)获取数据,将采集到的数据通过专用数据总线上传到云端服务器进行建模和运算,在获取到计算结果后将结果信息上传到PC和移动端进行展示。该获取数据的流程图同样适用于手动输入获取的数据。
图5为本发明一个实施例提供的手动输入的数据项的示意图,如图5所示,个人基本信息数据包括:1:性别(男或女),2:民族;3:婚姻状况;4:就诊日期;主诉信息包括5:主要症状,病状出现时间以及病状发作状态(持续或阵发),这里的主要症状例如胸闷、喘憋、气短、咳嗽、也将不能平卧、双下肢水肿、胸闷、乏力、腹胀、食欲差、心悸等。
实际应用中,可以根据情况选择不同的采集方式,本实施例对此不做限制。
基于本发明的一个实施例,图6为本发明实施例中算法模块的结构示意图,如图6所示,算法模块1020主要包括数据预处理模块601、模型选择模块602、数据建模模块603、模型分析模块604;以下进行具体说明。
在本发明的一个实施例中,图6中的数据预处理模块601主要包括缺失值处理、文本结构化、OCR识别三个子模块。缺失值处理模块对采集的原始数据中的缺失值进行填充处理,填充策略包括但不限于零值填充、均值填充、众数填充等。文本结构化模块对采集的原始数据中的文本数据进行结构化,将其转换成数值型数据。OCR识别模块对采集的原始数据中的图片数据进行OCR识别,并将其转换为数值型数据。由于从数据源(例如医院数据中心)获取的原始数据一般都是杂乱的、不满足格式的,即,大量的、不平衡的、高维的、冗余的数据,所以需要对数据进行预处理,本实施例提供三个主要子模块的处理,具体是缺失值处理,即对原始数据中的缺失值进行填充处理,填充规则包括但不限于零值填充、均值填充、众数填充;文本结构化处理,即对原始数据中的文本数据进行结构化,将其转换成数值型数据;OCR识别处理,即对原始数据中的图片数据进行OCR识别,并将其转换为数值型数据。
患者数据经过数据预处理模块601后,得到预处理后的样本集,包括测试样本。
可以理解,本实施例的数据预处理模块,对患者数据进行预处理后得到样本集,其中包括输入模型分析模块604的测试样本。参见图6,经过数据预处理模块601处理的样本集将被输入到数据建模模块603进行建模,而对于经过数据预处理模块601处理的测试样本将被输入到模型分析模块604,等待输出分析结果。
在本发明的一个实施例中,图6中的模型选择模块602用于对不同不良事件模型的切换,具体用于所述样本集根据不同不良事件模型进行入组分类,每组分类样本包括正样本和负样本。这里需要说明的是,不同不良事件模型包括但不限于与死亡、插管、利尿剂抵抗、肾脏替代相对应的数据模型。
具体实施例中不良事件发生时间段为病人住院期间。在建模阶段,需要对病人进行分类,对应不同的不良事件,有不同的入组标准,但首先都需要通过“住院诊断”对心衰患者进行分类筛选,其次再根据相应不良事件设定不同的入组标准。入组标准定义分别如下:
死亡:在住院期间发生死亡事件的心衰患者为正样本;住院期间未发生死亡事件的心衰患者为负样本。
插管:在住院期间发生插管的心衰患者为正样本,插管包括但不限于发生“气管插管术”、“气管插管后处理”,“拔出气管插管”等,具体名称根据不同医院的定义而定;住院期间未发生上述操作的心衰患者为负样本。
利尿剂抵抗:在住院期间发生利尿剂抵抗的心衰患者为正样本;未发生利尿剂抵抗的心衰患者为负样本。利尿剂抵抗的定义如下:当日使用利尿剂>=2个单位,但当日尿量出量与前一天相比增加小于阈值th。
肾脏替代:在住院期间发生肾脏替代的心衰患者为正样本;未发生肾脏替代的心衰患者为负样本。肾脏替代指的是在入院时主要病状非肾脏问题,且在住院期间发生“血液滤过”、“血液透析术”、“肾透析”、“单纯超滤”等代表肾脏替代的事件。
在本发明的一个实施例中,图6中的数据建模模块603对所述样本集根据预设原则或者设定阈值进行筛选,并根据所述DCC算法和所述样本集对选择的不良事件模型进行建模分析,得到不良事件分析模型保存在所述模型分析模块604。
本实施例中,对数据进行预处理之后,利用机器学习对所述样本集进行数据建模处理,得到用于分析多种不良事件的不良事件分析模型。
如图7所示数据建模模块的数据建模流程图,具体步骤说明如下:
步骤S701,样本筛选
对所述样本集进行筛选,以剔除噪声样本以及缺失比例达到预设比例阈值的样本,即对接收到的样本集进行筛选,去除噪声和不合理的样本,以降低对分析结果的不利影响。
步骤S702,计算特征权重
对筛选后的样本集按照下列权重函数计算特征权重,权重函数定义如下:
W=αw1+βw2+σw3,
其中:w1是使用机器学习算法(如随机森林算法)计算出的第一权重;w2是依据特征完整性计算出的第二权重,特征缺失越多,权重越小;w3是依据特征方差计算出的第三权重,特征方差(区分度)越小,权重越小;α,β和σ为系数;各特征的特征权重是第一、第二和第三权重之和。
步骤S703,特征选择
按照特征权重从高到低的顺序,选取特征权重高的M维特征,M为大于1的自然数。
步骤S704,聚类
利用选取出的M维特征对筛选出的样本集进行聚类,得到多个类簇。
步骤S705,训练分类器
在每个类簇中分别训练分类器,分类器可采用GBDT算法等(每个类可以理解为对病人做粗粒度的病人画像)。
至此,可以得到各类簇对应的分类器,本实施例后续的不良事件分析模型是根据这里得到的多个分类器来实现的,所以分类器即为不良事件分析模型。
需要说明的是,在建模训练过程中,利用选取出的M维特征对筛选出的样本集进行聚类,得到多个类簇包括:利用预设数据分裂准则,采取层级聚类并控制聚类的迭代次数,以使得每个类簇中包括正样本和负样本。
在本发明的一个实施例子中,图6中的模型分析模块604根据所述模型选择模块602中选择的不良事件模型以及所述数据建模模块603的训练,并对所述测试样本进行不良事件模型的分析,即,根据数据建模模块构建的不良事件分析模块,数据预处理模块输出的测试样本,以及模型选择模块选择的不良事件模型来进行分析。
需要说明的是,由于本实施例中提供了对多种不良事件进行分析的不良事件分析模块,所以在应用中,用户可以在模型选择模块中选择想要分析的具体不良事件种类,举例而言,本实施例可分析的不良事件种类包括死亡、插管、利尿剂抵抗、肾脏替代四种不良事件,用户比如医生当前关心的是出现死亡这种不良事件的情况,此时,医生用户可以在模型选择模块中选中“死亡”这种不良事件,模型选择模块将用户选中的“死亡”事件的信息输入到模型分析模块中,后续,模型分析模块将对死亡事件进行分析。
在一个实施例中,结合图8所示模型分析模块的模型分析流程图,具体说明如下:
步骤S801,特征提取并聚类得到多个类簇
步骤S802,计算测试样本与每个类簇中心的距离
步骤S803,根据距离判断测试样本的类簇归属
对于一个测试样本,首先判断该测试样本与前述数据建模模块中得到的各个类簇进行比较,以判断和确定出当前测试样本所属的类簇。
步骤S804,选择分类器;
在得到测试样本所属的类簇之后,根据该类簇选择对应的分类器。
步骤S805,不良事件分析。
利用步骤S804中的选择的分类器对测试样本进行不良事件分析,得到分析结果。
在得到分析结果之后,本实施例的计算云服务器将分析结果发送给客户端,客户端运行在移动设备(比如Ipad、智能手机)或者PC机上。
参见图2,运行在移动设备或PC上的客户端包括结果显示模块1030,该结果显示模块包括两部分,即不良事件发生的结果展示模块1031和依据特征信息的结果解读模块1032。结果展示模块1031根据模型分析模块的分析结果,显示患者发生心衰不良事件的风险等级,并给出分析所使用的特征名称及其数值;同时结果展示模块1031还用于医生输入对显示结果的评分。
图9为本发明一个实施例提供的结果展示界面示意图,参见图9,本实施例中模型分析模块对测试样本进行分析后的得到分析结果,该分析结果由客户端显示。
医生通过图9所示的结果展示界面可以看到本次不良事件的风险等级:插管风险:高,以及所依据的特征信息(特征名称和数值),具体是,脑利钠肽前体:1803,年龄:58,BMI:22;心房颤动:1,白细胞计数:17.6;肌酐:58;血小板计数:275,淋巴细胞:0.068;肌钙蛋白T:0.607。
同时,参见图9,本实施例的结果展示界面还显示有医生打分输入框,可以接收医生输入的分值,比如图9中输入的分值80,并显示了“提交”控件,供医生用户提交自己对分析结果的打分。
图10为本发明一个实施例提供的结果解读界面示意图,参见图10,结果解读模块模块用于展示与分析结果相应不良事件模型的术语解释和不良事件的诱发因素以及注意事项。
实际应用中,根据数据存储器中的心衰患者诊断指南,结合相关资料,建立知识库,在得到患者不良事件发生概率之后,对所用特征、患者身体状况及不良事件发生概率进行解读。具体方法是根据不良事件分析模型所用特征,检索知识库,给出专业术语的解释;根据患者身体各项指标的测量值与正常值之间的差值,检索知识库,给出患者发生不良事件的主要诱因及之后的注意事项。具体的如图10所示,术语解释脑利钠肽前体;诱因(1)白细胞异常高,说明有感染,如呼吸道感染,风湿活动等(2)严重心律失常,特别是快速性心律失常如心房颤动,阵发性心动过快等(3)药物作用如洋地黄中毒或不恰当地停用洋地黄;建议:(1)服用消炎药,消除感染(2)避免过量运动。
本发明的一个实施例,参见图2,还进一步包括模型修正模块1021,用于对所述分析结果的修正及对所述数据建模模块的优化。
在本实施例中,模型修正模块1021主要是结合不良事件分析模型给出的模型分析结果以及医生的判断,对系统中数据建模模块构建的模型进行完善和优化,使本系统具有自学习功能。
具体的,在查看了图9所示患者发生心衰不良事件进行风险评估后,医生会对模型输出的结果进行评价及打分,例如,0-25分代表分析结果极其不准确,25-50分代表分析结果不准确,50-75分代表分析结果基本准确,75-100分代表分析结果相当准确。根据医生的评价及打分对测试样本进行加权后加入到样本集中,利用新的样本集对数据建模模型进行训练,更新模型分析模块中不良事件分析模型,以得到更准确的分析结果,权重计算公式如下所示:
ωi=α·exp(50-Si),
其中α为>0的系数,Si是医生根据上述规则给的评分。
由此可知,本实施例中通过接收医生对分析结果的打分并根据该分值对数据建模模型进行优化,使得本系统具有自学习功能,与单独依靠患者数据的样本集来训练数据建模模型得出的分析结果相比,提高了分析结果的准确度。
与上述心力衰竭患者不良事件智能管理系统属于同一个技术构思,本发明实施例还提供了一种心力衰竭患者不良事件智能管理方法。
图11为心力衰竭患者不良事件智能管理方法,参见图11包括以下步骤:
步骤S1101,采集心力衰竭患者的数据;
步骤S1102,利用DCC算法对所述患者数据进行数据建模计算得到不良事件模型的分析结果;
步骤S1103,客户端输出并显示对不良事件模型的分析结果及结果解读,同时用于输入对结果的评分。
由图1所示可知,本实施例中根据心力衰竭患者的数据,利用算法模块中的DCC算法对所述患者数据进行数据建模以及选择的不良事件模型,得到不良事件分析模型,利用该模型可以对多种不良事件的模型进行分析,通过客户端输出并显示分析结果及结果解读,帮助医生制定合理的诊疗措施,降低医疗风险。
结合图2,基于本发明的一个实施例,图11所示步骤S1101中采集心力衰竭患者的数据包括:自动接收从医院数据中心CDR中提取心力衰竭患者的检验检查数据以及个人基本信息数据;或者,接收手动输入的心力衰竭患者的检验检查数据以及个人基本信息数据。
在本发明的一个实施例中,参见图2对采集的患者数据进行数据预处理包括:缺失值填充处理,具体是对原始数据中的缺失值进行零值填充或者均值填充或者众数填充;文本结构化处理,具体是对原始数据中的文本数据进行结构化将文本数据转换为数值型数据;OCR识别处理,具体是对原始数据中的图片数据进行OCR识别,将图片数据转换为数值型数据。
对所述患者数据进行数据预处理得到样本集,包括测试样本,需要说明的是对样本集和测试样本执行相同的预处理操作过程。结合图6所示,经过数据预处理后的样本集被用于数据建模,而经过数据预处理后的测试样本被用于不良事件模型分析。
在一个实施例中,通过对不同不良事件模型的切换,将所述样本集根据不同不良事件的模型进行入组分类,每组分类样本包括正样本和负样本。实际应用中,具体的入组分类按照不良事件的入组标准定义执行,在此不做赘述。
在一个实施例中,对所述样本集根据预设原则或者设定阈值进行筛选,并根据所述DCC算法和所述样本集对选择的不良事件模型进行建模分析,得到不良事件分析模型。
也就是说,在对数据进行预处理之后,利用机器学习对所述样本集进行数据建模处理,得到用于分析多种不良事件的不良事件分析模型。具体的,对所述样本集进行筛选,以剔除噪声样本以或者缺失比例达到预设比例(例如70%)阈值的样本;对筛选后的样本集按照下列权重函数计算特征权重:
W=αw1+βw2+σw3,
其中,w1是使用机器学习算法计算出的第一权重;w2是依据特征完整性计算出的第二权重;w3是依据特征方差计算出的第三权重;α,β和σ为系数;按照特征权重从高到低的顺序,选取特征权重高的M维特征,并利用选取出的M维特征对筛选出的样本集进行聚类,得到多个类簇,M为大于1的自然数;基于各类簇分别训练分类器,得到各类簇对应的分类器。
至此,得到了各类簇对应的分类器,本实施例后续的不良事件分析是根据这里得到的多个分类器来实现的,所以分类器即为不良事件分析模型。
在一个实施例中,对所述测试样本进行不良事件模型的分析得到分析结果,即在得到各类簇以及类簇对应的分类器之后,对测试样本进行分析。实际应用中,将所述测试样本和选择的不良事件种类输入所述不良事件分析模型得到分析结果,包括:判断该待测样本的归属的类簇;利用归属的类簇对应的分类器对测试样本进行分类,得到分析结果。
至此,得到了测试样本对应的分析结果。参见图9,本发明实施例中还将得到的分析结果输出显示以供用户查看,这里的显示所述分析结果包括:指示测试样本发生该种不良事件的风险等级信息,以及所依据的特征信息。也就是说,本实施例中显示的分析结果中不仅仅包括风险等级信息,还包括了得出该风险等级所依据的特征信息,这里的特征信息包括特征名称以及特征数值,具体是,脑利钠肽前体:1803,年龄:58,BMI:22;心房颤动:1,白细胞计数:17.6;肌酐:58;血小板计数:275,淋巴细胞:0.068;肌钙蛋白T:0.607;同时,参见图9,本实施例的分析结果展示界面还显示有医生打分输入框,可以接收医生输入的分值,比如图9中输入的分值80,并显示了“提交”控件,供医生用户提交自己对分析结果的打分。
也就是说,通过输出显示测试样本出现不良事件的风险等级以及所依据的特征信息,能够方便医生用户对分析结果进行评估打分,并根据医生的打分进行反馈来优化不良事件分析模型,提高分析结果的准确度。具体的,在查看了图9所示患者发生心衰不良事件的分析结果及图10所示的结果解读后进行风险评估,医生会对模型输出的结果进行评价及打分,例如,0-25分代表分析结果极其不准确,25-50分代表分析结果不准确,50-75分代表分析结果基本准确,75-100分代表分析结果相当准确。
在一个实施例中,参见图2,该方法进一步包括对分析结果的修正及对数据建模的优化,具体的,根据医生的评价及打分对测试样本进行加权后加入到训练集中,重新对数据建模模型进行训练,更新分析模型,以得到更准确的分析结果,权重计算公式如下:
ωi=α·exp(50-Si)其中α为>0的系数,Si是医生根据上述规则给的评分。
由此可知,本实施例中通过接收医生对分析结果的打分并根据该分值对不良事件分析模型进行优化,使得该具有自学习功能,与单独依靠患者数据的样本集训练建模模型得出的分析结果相比,提高了分析结果的准确度。
综上所述,本发明实施例的心力衰竭患者不良事件智能管理系统及方法,该系统包括通信服务器、计算云服务器及一个或多个与计算云服务器相连接的客户端;所述通信服务器包括用于采集心力衰竭患者数据的数据采集模块;所述计算云服务器包括利用DCC算法对患者数据进行建模的算法模块,经所述算法模块计算得到不良事件模型的分析结果;所述客户端的结果显示模块,包括用于分析结果输出或评分输入的结果展示模块。本技术方案利用了大数据技术构建心力衰竭不良事件智能管理系统,即从大量的、不平衡的、高维的、冗余的心力衰竭患者特征数据中挖掘出诱发临床主要不良事件发生的潜在风险因素,发现临床主要不良事件的发生机理及耦合规律,进而建立心力衰竭患者不良事件智能管理系统及方法,避免了现有系统与方法无法解决心力衰竭患者不良事件智能管理的缺陷,利于提升和规范心力衰竭诊疗的智能管理流程和水平,满足临床实际应用的要求。该系统可以在ipad和手机等移动设备中使用,服务于个人用户;也可以嵌入到医院的HIS系统中,服务于大型医院用户,方便大规模推广应用。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种心力衰竭患者不良事件智能管理系统,其特征在于,所述系统包括通信服务器、计算云服务器及一个或多个与计算云服务器相连接的客户端;
所述通信服务器包括用于采集心力衰竭患者数据的数据采集模块;所述数据采集模块包括医院信息采集模块和个体数据采集模块;所述医院信息采集模块用于接收从医院数据中心CDR中提取的患者数据;所述个体数据采集模块用于接收手动输入的患者检验检查数据及个人基本信息数据;
所述计算云服务器包括利用DCC算法对患者数据进行建模的算法模块,经所述算法模块计算得到不良事件模型的分析结果;
所述客户端的结果显示模块,包括用于分析结果输出或评分输入的结果展示模块;
所述算法模块包括数据预处理模块、模型选择模块、数据建模模块、模型分析模块;
其中,所述数据预处理模块用于对数据采集模块采集的患者数据进行数据预处理,得到样本集,包括测试样本;
所述模型选择模块用于对不同不良事件模型的切换,具体用于所述样本集根据不同不良事件模型进行入组分类,每组分类样本包括正样本和负样本;
所述数据建模模块对所述样本集根据预设原则或者设定阈值进行筛选,并根据所述DCC算法和所述样本集对选择的不良事件模型进行建模分析,得到不良事件分析模型保存在所述模型分析模块;
所述DCC算法包括以下几个步骤:
对筛选出的样本集根据以下权重函数计算特征权重,
W=αw1+βw2+σw3,
w1是使用机器学习算法计算出的第一权重;w2是依据特征完整性计算出的第二权重;w3是依据特征方差计算出的第三权重;α,β和σ为系数;
选取特征权重高的M维特征,并利用选取出的M维特征对筛选出的样本集进行聚类,得到多个类簇,M为大于1的自然数;
基于所述类簇分别训练分类器,得到各类簇对应的分类器;
所述模型分析模块根据所述模型选择模块中选择的不良事件模型以及所述数据建模模块的训练,并对所述测试样本进行不良事件模型的分析。
2.根据权利要求1所述系统,其特征在于,所述模型分析模块根据所述模型选择模块中选择的不良事件模型以及所述数据建模模块的训练,并对所述测试样本进行不良事件模型的分析,包括以下步骤:
采用筛选的样本集计算特征权重并提取所用特征,并对该样本集进行聚类得到多个类簇;
计算用于所述测试样本与每个所述类簇中心的距离;
根据距离远近判断所述测试样本的类簇归属;
选择所述类簇对应的分类器对所述测试样本进行分类得到分析结果。
3.根据权利要求1或2所述系统,其特征在于,还进一步包括模型修正模块,用于对所述分析结果的修正及对所述数据建模模块的优化,包括以下步骤:
根据对分析结果的评分对所述测试样本进行加权后加入到样本集中;
利用新的样本集对所述数据建模模块进行训练;
更新所述模型分析模块中的所述不良事件模型,得到更准确的分析结果;
其中,按照下列公式计算对所述测试样本加权所用的权重:
ωi=α·exp(50-Si),
其中α为>0的系数,Si是反馈的分值,即根据显示的分析结果和结果解读给出的评分;
结果解读模块,用于展示与分析结果相应不良事件模型的术语解释和不良事件的诱发因素以及注意事项。
4.一种心力衰竭患者不良事件智能管理方法,其特征在于,所述方法包括:
采集心力衰竭患者的数据,包括:从医院数据中心CDR中提取患者数据或手动输入患者的检验检查数据及个人基本信息数据;
利用DCC算法对所述患者数据进行数据建模计算得到不良事件模型的分析结果,包括:对所述患者数据进行数据预处理得到样本集,包括测试样本;通过对不同不良事件模型的切换,将所述样本集根据不同不良事件的模型进行入组分类,每组分类样本包括正样本和负样本;对所述样本集根据预设原则或者设定阈值进行筛选,并根据所述DCC算法和所述样本集对选择的不良事件模型进行建模分析,得到不良事件分析模型;对所述测试样本进行不良事件模型的分析得到分析结果;
所述DCC算法包括以下几个步骤:
对筛选出的样本集根据以下权重函数计算特征权重,
W=αw1+βw2+σw3,
w1是使用机器学习算法计算出的第一权重;w2是依据特征完整性计算出的第二权重;w3是依据特征方差计算出的第三权重;α,β和σ为系数;
选取特征权重高的M维特征,并利用选取出的M维特征对筛选出的样本集进行聚类,得到多个类簇,M为大于1的自然数;
基于所述类簇分别训练分类器,得到各类簇对应的分类器;
客户端输出并显示对不良事件模型的分析结果及结果解读,同时用于输入对结果的评分。
5.根据权利要求4所述方法,其特征在于,还包括对所述分析结果的修正及对所述数据建模的优化,进一步包括以下步骤:
根据分析结果的评分对所述测试样本进行加权后加入到所述样本集中;
利用新的样本集对所述数据建模的数据建模模块进行训练;
更新所述不良事件模型,得到更准确的分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810949480.4A CN109192312B (zh) | 2018-08-20 | 2018-08-20 | 一种心力衰竭患者不良事件智能管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810949480.4A CN109192312B (zh) | 2018-08-20 | 2018-08-20 | 一种心力衰竭患者不良事件智能管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109192312A CN109192312A (zh) | 2019-01-11 |
CN109192312B true CN109192312B (zh) | 2021-03-09 |
Family
ID=64918520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810949480.4A Active CN109192312B (zh) | 2018-08-20 | 2018-08-20 | 一种心力衰竭患者不良事件智能管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109192312B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502521B (zh) * | 2019-08-28 | 2023-05-09 | 上海寰创通信科技股份有限公司 | 一种档案库的建立方法 |
CN112037922A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技(深圳)有限公司 | 病理数据的分析方法、装置、计算机设备和存储介质 |
CN112509688A (zh) * | 2020-09-25 | 2021-03-16 | 卫宁健康科技集团股份有限公司 | 压疮图片自动分析系统、方法、设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951894A (zh) * | 2015-06-25 | 2015-09-30 | 成都厚立信息技术有限公司 | 医院疾病管理智能分析和评估系统 |
CN105930674A (zh) * | 2016-03-04 | 2016-09-07 | 江苏鹿得医疗电子股份有限公司 | 一种基于医疗健康数据采集的智慧健康预测与决策系统 |
CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
CN108021819A (zh) * | 2016-11-04 | 2018-05-11 | 西门子保健有限责任公司 | 使用深度学习网络的匿名和安全分类 |
CN108091397A (zh) * | 2018-01-24 | 2018-05-29 | 浙江大学 | 一种基于提升-重采样和特征关联分析的缺血性心脏病患者的出血事件预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015084563A1 (en) * | 2013-12-06 | 2015-06-11 | Cardiac Pacemakers, Inc. | Heart failure event prediction using classifier fusion |
-
2018
- 2018-08-20 CN CN201810949480.4A patent/CN109192312B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951894A (zh) * | 2015-06-25 | 2015-09-30 | 成都厚立信息技术有限公司 | 医院疾病管理智能分析和评估系统 |
CN105930674A (zh) * | 2016-03-04 | 2016-09-07 | 江苏鹿得医疗电子股份有限公司 | 一种基于医疗健康数据采集的智慧健康预测与决策系统 |
CN108021819A (zh) * | 2016-11-04 | 2018-05-11 | 西门子保健有限责任公司 | 使用深度学习网络的匿名和安全分类 |
CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
CN108091397A (zh) * | 2018-01-24 | 2018-05-29 | 浙江大学 | 一种基于提升-重采样和特征关联分析的缺血性心脏病患者的出血事件预测方法 |
Non-Patent Citations (3)
Title |
---|
基于机器学习分类判断算法构建心力衰竭疾病分期模型;苏枫等;《中国组织工程研究》;20141130;第18卷(第49期);全文 * |
基于电子病历的临床医疗大数据挖掘流程与方法;阮彤等;《大数据》;20170920;全文 * |
应用机器学习算法构建心梗患者风险预测模型;宗慧等;《中国数字医学》;20160430;第11卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109192312A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Souri et al. | A new machine learning-based healthcare monitoring model for student’s condition diagnosis in Internet of Things environment | |
CN108520778A (zh) | 一种基于大数据的肺癌筛查系统及方法 | |
CN111564223B (zh) | 传染病生存概率的预测方法、预测模型的训练方法及装置 | |
CN109192312B (zh) | 一种心力衰竭患者不良事件智能管理系统及方法 | |
Pathan et al. | Identifying stroke indicators using rough sets | |
CN109378066A (zh) | 一种基于特征向量实现疾病预测的控制方法及控制装置 | |
CN111382275A (zh) | 医疗知识图谱的构建方法、装置、介质及电子设备 | |
WO2023109199A1 (zh) | 一种个体慢病演进风险可视化评估方法及系统 | |
Xiang et al. | Integrated Architectures for Predicting Hospital Readmissions Using Machine Learning | |
CN112541066A (zh) | 基于文本结构化的医技报告检测方法及相关设备 | |
CN114639479A (zh) | 一种基于医疗知识图谱的智能诊断辅助系统 | |
CN111063448A (zh) | 输血不良反应数据库建立方法、存储系统以及主动预警系统 | |
Lu et al. | A survey of group decision making methods in Healthcare Industry 4.0: bibliometrics, applications, and directions | |
CN111524570B (zh) | 一种基于机器学习的超声随访患者筛选方法 | |
CN115858886A (zh) | 数据处理方法、装置、设备及可读存储介质 | |
WO2022141925A1 (zh) | 一种智能医学服务系统、方法及存储介质 | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
CN113342973A (zh) | 一种基于疾病二分类器的辅助诊断模型的诊断方法 | |
CN113223734A (zh) | 基于算法、医学影像和大数据的疾病诊断和大健康管理平台 | |
Oliveira et al. | Prediction of covid-19 diagnosis based on openehr artefacts | |
CN116884612A (zh) | 疾病风险等级的智能分析方法、装置、设备及存储介质 | |
CN116598012A (zh) | 一种基于联邦学习价值评估的慢性病医疗保健方法和系统 | |
CN110610766A (zh) | 基于症状特征权重推导疾病概率的装置和存储介质 | |
CN112435764A (zh) | 一种基于大数据技术的医疗健康信息的监测与分析系统 | |
AU2021102832A4 (en) | System & method for automatic health prediction using fuzzy based machine learning |
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 |