CN109308525A - 基于马尔科夫逻辑网的院内感染定植排查智能推理方法 - Google Patents
基于马尔科夫逻辑网的院内感染定植排查智能推理方法 Download PDFInfo
- Publication number
- CN109308525A CN109308525A CN201810832415.3A CN201810832415A CN109308525A CN 109308525 A CN109308525 A CN 109308525A CN 201810832415 A CN201810832415 A CN 201810832415A CN 109308525 A CN109308525 A CN 109308525A
- Authority
- CN
- China
- Prior art keywords
- rule
- nosocomial infection
- diagnosis
- collection
- investigation
- 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
- 206010011409 Cross infection Diseases 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 40
- 206010029803 Nosocomial infection Diseases 0.000 title claims abstract description 39
- 238000011835 investigation Methods 0.000 title claims abstract description 23
- 238000003745 diagnosis Methods 0.000 claims abstract description 26
- 244000052769 pathogen Species 0.000 claims abstract description 21
- 230000001717 pathogenic effect Effects 0.000 claims abstract description 21
- 201000010099 disease Diseases 0.000 claims abstract description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000001939 inductive effect Effects 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 241000894006 Bacteria Species 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 206010035664 Pneumonia Diseases 0.000 claims description 4
- 241000589291 Acinetobacter Species 0.000 claims description 3
- 241000222122 Candida albicans Species 0.000 claims description 3
- 241000222178 Candida tropicalis Species 0.000 claims description 3
- 241000588697 Enterobacter cloacae Species 0.000 claims description 3
- 241000588724 Escherichia coli Species 0.000 claims description 3
- 241000588770 Proteus mirabilis Species 0.000 claims description 3
- 241000588777 Providencia rettgeri Species 0.000 claims description 3
- 241000607720 Serratia Species 0.000 claims description 3
- 241000191940 Staphylococcus Species 0.000 claims description 3
- 241000191967 Staphylococcus aureus Species 0.000 claims description 3
- 241000122973 Stenotrophomonas maltophilia Species 0.000 claims description 3
- 201000005010 Streptococcus pneumonia Diseases 0.000 claims description 3
- 241000193998 Streptococcus pneumoniae Species 0.000 claims description 3
- 229940095731 candida albicans Drugs 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 210000003555 cloaca Anatomy 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 241000222173 Candida parapsilosis Species 0.000 claims description 2
- 241000194031 Enterococcus faecium Species 0.000 claims description 2
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 2
- 229940055022 candida parapsilosis Drugs 0.000 claims description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims 1
- 229910052802 copper Inorganic materials 0.000 claims 1
- 239000010949 copper Substances 0.000 claims 1
- 210000004072 lung Anatomy 0.000 description 10
- 206010036790 Productive cough Diseases 0.000 description 7
- 208000024794 sputum Diseases 0.000 description 7
- 210000003802 sputum Anatomy 0.000 description 7
- 206010011224 Cough Diseases 0.000 description 6
- 206010037660 Pyrexia Diseases 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 208000015181 infectious disease Diseases 0.000 description 4
- 230000008595 infiltration Effects 0.000 description 4
- 238000001764 infiltration Methods 0.000 description 4
- 230000002757 inflammatory effect Effects 0.000 description 4
- 210000000265 leukocyte Anatomy 0.000 description 4
- 210000004493 neutrocyte Anatomy 0.000 description 4
- 206010024971 Lower respiratory tract infections Diseases 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 3
- 210000003169 central nervous system Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 3
- 210000002249 digestive system Anatomy 0.000 description 3
- 210000005096 hematological system Anatomy 0.000 description 3
- 210000000214 mouth Anatomy 0.000 description 3
- 210000000440 neutrophil Anatomy 0.000 description 3
- 210000005000 reproductive tract Anatomy 0.000 description 3
- 210000002345 respiratory system Anatomy 0.000 description 3
- 210000004872 soft tissue Anatomy 0.000 description 3
- 230000002485 urinary effect Effects 0.000 description 3
- 241000588624 Acinetobacter calcoaceticus Species 0.000 description 2
- 206010062717 Increased upper airway secretion Diseases 0.000 description 2
- 230000002924 anti-infective effect Effects 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 238000004820 blood count Methods 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 210000000748 cardiovascular system Anatomy 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 208000026435 phlegm Diseases 0.000 description 2
- 210000003491 skin Anatomy 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 206010006458 Bronchitis chronic Diseases 0.000 description 1
- 206010014561 Emphysema Diseases 0.000 description 1
- 241000194033 Enterococcus Species 0.000 description 1
- 230000005526 G1 to G0 transition Effects 0.000 description 1
- 241000588747 Klebsiella pneumoniae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241000589517 Pseudomonas aeruginosa Species 0.000 description 1
- 241000235342 Saccharomycetes Species 0.000 description 1
- 206010047924 Wheezing Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 206010006451 bronchitis Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 201000001173 choledochal cyst Diseases 0.000 description 1
- 208000007451 chronic bronchitis Diseases 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- NWFNSTOSIVLCJA-UHFFFAOYSA-L copper;diacetate;hydrate Chemical compound O.[Cu+2].CC([O-])=O.CC([O-])=O NWFNSTOSIVLCJA-UHFFFAOYSA-L 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000013160 medical therapy Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000000414 obstructive effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 206010037833 rales Diseases 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000009666 routine test Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
-
- 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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于马尔科夫逻辑网的院内感染定植排查智能推理方法,该方法包括:利用SQL server在LIS数据库中完成病人病原菌数据的收集,确定需定植排查的病人;将案例库中的疾病作为先验知识和《医院感染诊断标准》一起加入到背景知识中;釆用归纳逻辑程序(ILP)技术智能学习诊断规则,其中通过启发函数找到最优特征从而形成诊断规则集;采用信息抽取技术和SQL语句归纳整理院内感染诊断的一阶规则和规则数量;在HIS数据库中使用SQL语句计算每一规则的权重;利用马尔科夫逻辑网推理技术,完成院内感染的推理诊断。本发明基于马尔科夫逻辑网的院内感染定植排查智能推理方法,具有较高的诊断判断准确率。
Description
技术领域
本发明涉及一种基于马尔科夫逻辑网的院内感染定植排查智能推理方法,具体涉及一种基于医院信息系统的、使用马尔科夫逻辑网进行院内感染定植排查智能推理的人工智能处理方法,属于医学知识推理技术领域。
背景技术
院内感染的判定有其特定的复杂性和不确定性,其中定植的排查尤为突出。大多数定植菌对人体并无害处,且可与人体和谐共生,但当人体抵抗力下降时,一些定植菌可大量繁殖并导致感染。而目前,院内感染使用的软件以关系/逻辑表示的一阶谓词逻辑为主,用以紧凑表达领域知识和有效处理逻辑问题。一阶逻辑知识库是在一系列可能的世界上加上了一套硬约束:哪怕只与一条规则冲突也不行。但现实医学诊断中由于病人的病情千差万别,诊断存在大量的不确定性。使用马尔科夫逻辑网能健全地处理不确定性、容许有瑕疵甚至矛盾的知识库,降低脆弱性。它是每个规则或语句都有权重的一阶逻辑知识库,其中常数代表库中对象。每个规则都和一个反映其约束强度的权重关联;在其它情况一样的前提下,权重越高的,满足和不满足此规则的事件的对数概率差就越大。通过这种方法可以很大程度提高院内感染诊断的准确率,协助医生临床的诊疗。
发明内容
本发明所要解决的技术问题是提供一种基于马尔科夫逻辑网的院内感染定植排查智能推理方法。
本发明为解决上述技术问题采用以下技术方案:
本发明提供一种基于马尔科夫逻辑网的院内感染定植排查智能推理方法,包括以下具体步骤:
步骤1,完成病人病原菌数据的收集,确定需定植排查的病人;
步骤2,将案例库中的疾病作为先验知识和《医院感染诊断标准》作为背景知识;
步骤3,基于步骤2中的先验知识和背景知识,釆用归纳逻辑程序ILP技术智能学习诊断规则,其中通过启发函数找到最优特征,从而形成诊断规则集;
步骤4,采用信息抽取技术和SQL语句归纳整理院内感染诊断的一阶规则和规则数量;
步骤5,在HIS数据库中使用SQL语句计算每一规则的权重;
步骤6,利用马尔科夫逻辑网推理技术,完成院内感染的推理诊断。
作为本发明的进一步技术方案,利用SQL server在LIS数据库中完成病人病原菌数据的收集。
作为本发明的进一步技术方案,步骤1中收集到的病原菌包括:白色假丝酵母、鲍曼不动杆菌、大肠埃希菌、肺炎克雷伯菌肺炎亚种、肺炎链球菌、金黄色葡萄球菌、近平滑假丝酵母菌、雷氏普罗威登斯菌、鲁氏不动杆菌、葡萄球菌、奇异变形菌、热带假丝酵母菌、屎肠球菌、嗜麦芽窄食单胞菌、铜绿假单胞菌、阴沟肠杆菌阴沟亚种和粘质沙雷菌。
作为本发明的进一步技术方案,步骤3具体为:
将有诊断院感的案例集作为正例集E+,不具有诊断院感的案例集作为反例集E-,正例集E+和反例集E-构成训练例集合E;当正例集E+不为空时,初始化一个前件为空的规则ri,调用LearnClauseBody学习规则ri,在完成学习后将ri加入到诊断规则集r中并去除满足ri的正例,继续学习下一条规则直到所有正例被学习完成的规则覆盖;其中,在LearnClauseBody循环语句中,当满足ri的反例不为空时,通过启发函数找到包含院感特征的最优文字L,然后将L加入到前件,并去除满足ri的反例,生成规则ri。
作为本发明的进一步技术方案,最优文字L的选择基于信息论的增益。
作为本发明的进一步技术方案,步骤4具体为:
采用信息抽取技术,从非结构化诊断规则集中抽取结构化院感相关信息;抽取信息xml格式转化为exl格式,导入sql数据库中;使用SQL语句把有数据内容的update为1,空的数据update为0;再使用group by语句获得院感规则的数量。
作为本发明的进一步技术方案,步骤6中采用近似推理方法马尔可夫链蒙特卡罗法MCMC中的吉布斯采样法计算病人检验查出的病原菌在它的马尔科夫毛毯状态为院感时的概率,完成院内感染的推理诊断。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:本发明基于马尔科夫逻辑网的院内感染定植排查智能推理方法,能健全地处理院内感染定植的不确定性、容许有瑕疵甚至矛盾的数据库,降低脆弱性。通过启发函数智能学习诊断准则,计算每个准则的权重,吉布斯采样法来自动推理院感的成立与否。马尔科夫逻辑网的院内感染定植排查智能推理方法软化了现有的一阶逻辑知识库的约束,大大提高了诊断的准确率。可以让院感科工作人员及时查看疑似病历并在系统中确认或排除,对于确认的疑似病例第一时间反馈到临床科室,防止院内感染的爆发。
附图说明
图1是本发明的方法流程图。
图2是归纳逻辑程序用于院内感染诊断规则学习的算法图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
下面结合附图对本发明的技术方案做进一步的详细说明:
本发明提供一种基于马尔科夫逻辑网的院内感染定植排查智能推理方法,如图1所示,包括以下具体步骤:
1、使用SQL server在LIS数据库中完成病人病原菌数据的收集,确定需定植排查的病人。其中,收集到的病原菌包括:白色假丝酵母、鲍曼不动杆菌、大肠埃希菌、肺炎克雷伯菌肺炎亚种、肺炎链球菌、金黄色葡萄球菌、近平滑假丝酵母菌、雷氏普罗威登斯菌、鲁氏不动杆菌、葡萄球菌、奇异变形菌、热带假丝酵母菌、屎肠球菌、嗜麦芽窄食单胞菌、铜绿假单胞菌、阴沟肠杆菌阴沟亚种和粘质沙雷菌等。
2、将案例库中的疾病作为先验知识和卫生部颁发《医院感染诊断标准》作为背景知识。以下呼吸道感染为例,临床诊断符合下述两条之一即可诊断。
1)患者出现咳嗽、痰粘稠,肺部出现湿罗音,并有下列情况之一:⑴发热。⑵白细胞总数和(或)嗜中性粒细胞比例增高。⑶X线显示肺部有炎性浸润性病变。
2)慢性气道疾病患者稳定期(慢性支气管炎伴或不伴阻塞性肺气肿、哮喘、支气管扩张症)继发急性感染,并有病原学改变或X线胸片显示与入院时比较有明显改变或新病变。
3、使用归纳逻辑程序设计(Inductive Logic Programming,ILP)技术智能学习诊断规则,学习器从背景知识、正反例中学习规则。实际临床中感染诊断会表现出不同的症状。院内感染的判定有其特定的复杂性和不确定性,其中定植的排查尤为突出。细菌从环境中侵入人体,如不引起机体发生病理改变也没有出现相应临床表现,则称为“细菌定植”,不需要抗感染治疗。反之,如细菌侵入人体并引起一系列病理变化,出现相应临床表现时则称为“细菌感染”,这就需要抗感染治疗。大多数定植菌对人体并无害处,且可与人体和谐共生,但当人体抵抗力下降时,一些定植菌可大量繁殖并导致感染。因此对于病人查出的病原菌需排查确定,并采取相应的医疗治疗措施。
考虑到一个诊断可能有多个不同组合的症状推出,即对应多条规则,本发明将案例库中的疾病作为先验知识和症状一起加入到背景知识中,使用归纳逻辑程序设计学习诊断规则,具体算法如图2所示:
将有诊断院感的案例集作为正例集E+,不具有诊断院感的案例集作为反例集E-,正例集E+和反例集E-构成训练例集合E;当正例集E+不为空时,初始化一个前件为空的规则ri,调用LearnClauseBody学习规则ri,在完成学习后将ri加入到诊断规则集r中并去除满足ri的正例,继续学习下一条规则直到所有正例被学习完成的规则覆盖。在LearnClauseBody循环语句中,当满足ri的反例不为空时,通过启发函数找到包含院感特征的最优文字L。这里的最优文字L的选择基于信息论的增益;当规则加入文字L后所覆盖的正例数越多反例数越少,文字L的信息增益越大,就越容易被挑选出来加入到规则ri的前件中。然后将L加入到前件,并去除满足ri的反例,生成规则ri。
启发函数的作用是指导搜索方向和判断何时终止搜索。文字L的选择基于信息论的增益:
其中,P为规则ri在未加入文字L之前覆盖的正例数;T为规则ri在未加入文字L之前覆盖的反例数;p为规则ri的前件加入文字L后,新规则覆盖的正例数;t为新规则覆盖的反例数。当规则ri加入文字L后所覆盖的正例数越多反例数越少,文字L的信息增益越大,就越容易被挑选出来加入到规则ri的前件中。
呼吸系统、心血管系统、血液系统、腹部和消化系统、中枢神经系统、泌尿系统、手术部位、皮肤和软组织、骨、关节、生殖道、口腔等院内感染诊断规则通过上述算法获得,从而形成院内感染诊断规则集。
4、归纳整理出院内感染诊断的一阶规则和规则数量。对于生成的呼吸系统、心血管系统、血液系统、腹部和消化系统、中枢神经系统、泌尿系统、手术部位、皮肤和软组织、骨、关节、生殖道、口腔等非结构化院内感染诊断规则集,本发明采用信息抽取技术从中抽取结构化院感相关信息。然后把抽取信息xml格式转化为exl格式,导入sql数据库中。为清晰表示一阶规则,使用SQL语句把有数据内容的update为1,空的数据update为0,格式如表1。再使用group by语句获得院感规则数量。
以下呼吸道感染判断为例,院内感染诊断规则集信息如:患者夜间出现发热,高达39.0℃,气道内粘痰较多。行胸部CT检查示:双肺炎症,较前进展。查血常规:白细胞计数15.00*10^9/L↑、中性粒细胞计数13.33*10^9/L↑、中性粒细胞百分比88.9%↑。两肺呼吸音粗,可闻及明显干湿性啰音。近日反复出现发热、黄痰、喘息,血象明显升高,痰培养提示为鲍曼不动杆菌。通过信息抽取获得各种系统感染的字段内容,如病原菌、体温、白细胞计数、中性粒细胞百分比、咳嗽痰粘稠、肺部出现湿罗音等并转化为结构化信息。
整理出的规则如下:(有病原菌和或病原菌数超正常值)∩(发热和或(白细胞总和或嗜中性粒细胞比例增高)和或X线显示肺部有炎性浸润性病变)∩(咳嗽痰粘稠和或肺部出现湿罗音),统计出共有45种规则可视为感染,如表1所示。
表1下呼吸道感染判断的规则
5、在HIS数据库使用SQL语句计算每一规则的权重。每条规则的权重计算就是满足这个规则实例数和不满足这个规则实例数的对数取值差异。这可通过SQL语句统计:满足某一规则的实例通过select语句把符合条件的筛选出来,实例数量用count语句获得;不满足某一规则的实例则从总数中减去前面满足规则的实例获得,其中总数指的是只需包含这些字段而不需考虑任何条件的实例。计算呼吸系统、心血管系统、血液系统、腹部和消化系统、中枢神经系统、泌尿系统、手术部位、皮肤和软组织、骨、关节、生殖道、口腔等院内感染规则的权重SQL语句保存在存储过程中供程序调用。
以规则21为例:从SQL数据库中把满足这个规则的数据筛选出来,条件是体温>37.5℃、加上病原菌、白细胞总和增高、中性粒细胞比例增高、咳嗽痰粘稠、肺部出现湿罗音的内容不为空,实例数量A用count语句来统计。不满足这个规则的实例则从总数中减去上面满足规则的实例获得。具体方法从SQL数据库中把病原菌、发热、白细胞总和增高、中性粒细胞比例增高、肺部有炎性浸润性病变、咳嗽痰粘稠、肺部出现湿罗音数据全部筛选出来,其中不加条件过滤获得的总数,减去满足规则的实例得到不满足这个规则的实例数B。规则21的权重=lgA-lgB。
6、马尔科夫逻辑网推理
马尔科夫网是随机变量集x=x1,x2,…,xn的联合分布模型,它由一个无向图G和一个势函数Фk集合组成,每个随机变量是图上的节点,图的每个团在模型中都有一个势函数,势函数是一个非负实函数,它代表了相应的团的状态。马尔科夫网的联合分布如
其中x{k}是团中随机变量的状态;Z也叫配分函数(态和),定义为将马尔科夫网络中每个团的势用状态的所有特征值加权后求和再取幂,就可方便地表示成对数线性模式:
特征函数可以是表示状态的任何实函数,本发明将只讨论二元特征值。公式(2)是势最直接的表示,其中每个团每个可能的状态都有一个对应的特征值fj(x),它的权重是wj,这种表示方法与团数量的幂相关。
在整理完一阶规则和计算出每一规则的权重后,就可使用近似推理方法马尔可夫链蒙特卡罗法(MCMC)中的吉布斯采样法进行院内感染的推理诊断。基本吉布斯方法是在一个基本原子的马尔科夫毛毯范围内对它进行取样;而一个基本原子的马尔科夫毛毯,是指和它一起出现在基本规则中的基本原子集合。在本发明中,这里的基本原子指的是病人检验查出的病原菌,病原菌的马尔科夫毛毯指的是发热、白细胞总和增高、中性粒细胞比例增高、肺部有炎性浸润性病变、咳嗽痰粘稠、肺部出现湿罗音等病人院感体征的集合。那么一个病原菌基本原子Xl在它的马尔科夫毛毯Bl状态为bl院感时的概率为:
其中Fl是Xl出现的基本规则集合,fi(Xl=xl,Bl=bl)是当Xl=xl,Bl=bl时第i个基本规则的特征值(0或者1)。这里当Xl=1,Bl=院感时,fi的特征值为1;而当Xl=0,Bl=院感时,fi的特征值为0。
当病人检出有病原菌时,医生会对病人重复做临床体征、血、尿、便等常规化验、微生物学细菌培养等,也就是在病原菌的马尔科夫毛毯范围内进行取样。这样会形成某个病人院感基本规则集,采用吉布斯采样法,利用公式(4)计算病原菌在它的马尔科夫毛毯状态为院感时的概率,就可智能完成对病人的推理诊断。
基于马尔科夫逻辑网的院内感染定植排查智能推理方法能协助医生临床诊断,对于确认的疑似病例第一时间反馈到临床科室,防止院内感染的爆发。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (7)
1.基于马尔科夫逻辑网的院内感染定植排查智能推理方法,其特征在于,包括以下具体步骤:
步骤1,完成病人病原菌数据的收集,确定需定植排查的病人;
步骤2,将案例库中的疾病作为先验知识和《医院感染诊断标准》作为背景知识;
步骤3,基于步骤2中的先验知识和背景知识,釆用归纳逻辑程序ILP技术智能学习诊断规则,其中通过启发函数找到最优特征,从而形成诊断规则集;
步骤4,采用信息抽取技术和SQL语句归纳整理院内感染诊断的一阶规则和规则数量;
步骤5,在HIS数据库中使用SQL语句计算每一规则的权重;
步骤6,利用马尔科夫逻辑网推理技术,完成院内感染的推理诊断。
2.根据权利要求1所述的基于马尔科夫逻辑网的院内感染定植排查智能推理方法,其特征在于,利用SQL server在LIS数据库中完成病人病原菌数据的收集。
3.根据权利要求1所述的基于马尔科夫逻辑网的院内感染定植排查智能推理方法,其特征在于,步骤1中收集到的病原菌包括:白色假丝酵母、鲍曼不动杆菌、大肠埃希菌、肺炎克雷伯菌肺炎亚种、肺炎链球菌、金黄色葡萄球菌、近平滑假丝酵母菌、雷氏普罗威登斯菌、鲁氏不动杆菌、葡萄球菌、奇异变形菌、热带假丝酵母菌、屎肠球菌、嗜麦芽窄食单胞菌、铜绿假单胞菌、阴沟肠杆菌阴沟亚种和粘质沙雷菌。
4.根据权利要求1所述的基于马尔科夫逻辑网的院内感染定植排查智能推理方法,其特征在于,步骤3具体为:
将有诊断院感的案例集作为正例集E+,不具有诊断院感的案例集作为反例集E-,正例集E+和反例集E-构成训练例集合E;当正例集E+不为空时,初始化一个前件为空的规则ri,调用LearnClauseBody学习规则ri,在完成学习后将ri加入到诊断规则集r中并去除满足ri的正例,继续学习下一条规则直到所有正例被学习完成的规则覆盖。LearnClauseBody内循环语句用来实现学习新的规则:当满足ri的反例不为空时,通过启发函数找到包含院感特征的最优文字L,然后将L加入到前件并去除满足ri的反例,生成规则ri。结果覆盖的反例越来越少,当规则拒绝所有反例时内层循环停止,一条新规则学习完成。
5.根据权利要求4所述的基于马尔科夫逻辑网的院内感染定植排查智能推理方法,其特征在于,最优文字L的选择基于信息论的增益。
6.根据权利要求1所述的基于马尔科夫逻辑网的院内感染定植排查智能推理方法,其特征在于,步骤4具体为:
采用信息抽取技术,从非结构化诊断规则集中抽取结构化院感相关信息;抽取信息xml格式转化为exl格式,导入sql数据库中;使用SQL语句把有数据内容的update为1,空的数据update为0;再使用group by语句获得院感规则的数量。
7.根据权利要求1所述的基于马尔科夫逻辑网的院内感染定植排查智能推理方法,其特征在于,步骤6中采用近似推理方法马尔可夫链蒙特卡罗法MCMC中的吉布斯采样法计算病人检验查出的病原菌在它的马尔科夫毛毯状态为院感时的概率,从而完成院内感染的推理诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810832415.3A CN109308525B (zh) | 2018-07-26 | 2018-07-26 | 基于马尔科夫逻辑网的院内感染定植排查智能推理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810832415.3A CN109308525B (zh) | 2018-07-26 | 2018-07-26 | 基于马尔科夫逻辑网的院内感染定植排查智能推理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109308525A true CN109308525A (zh) | 2019-02-05 |
CN109308525B CN109308525B (zh) | 2024-04-19 |
Family
ID=65225962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810832415.3A Active CN109308525B (zh) | 2018-07-26 | 2018-07-26 | 基于马尔科夫逻辑网的院内感染定植排查智能推理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109308525B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886411A (zh) * | 2019-02-25 | 2019-06-14 | 浙江远图互联科技股份有限公司 | 一种压力性损伤临床决策系统的规则库表示及推理方法 |
CN111816245A (zh) * | 2020-07-20 | 2020-10-23 | 成都博欣医学检验实验室有限公司 | 结合mNGS和临床知识库的病原微生物检测方法及系统 |
CN111986803A (zh) * | 2020-08-27 | 2020-11-24 | 武汉东湖大数据交易中心股份有限公司 | 一种基于认知模型的呼吸系统疾病认知系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6025128A (en) * | 1994-09-29 | 2000-02-15 | The University Of Tulsa | Prediction of prostate cancer progression by analysis of selected predictive parameters |
US20120179491A1 (en) * | 2011-01-07 | 2012-07-12 | Taipei Medical University | High performance and integrated nosocomial infection surveillance and early detection system and method thereof |
CN103255216A (zh) * | 2013-04-24 | 2013-08-21 | 山东艾克韦生物技术有限公司 | 院内感染多病原体并行检测基因芯片及其制作方法和应用 |
CN106886572A (zh) * | 2017-01-18 | 2017-06-23 | 中国人民解放军信息工程大学 | 基于Markov逻辑网的知识图谱关系类型推测方法及其装置 |
US20170364831A1 (en) * | 2016-06-21 | 2017-12-21 | Sri International | Systems and methods for machine learning using a trusted model |
CN108268951A (zh) * | 2017-12-05 | 2018-07-10 | 盈盛资讯科技有限公司 | 基于海量数据的知识推理系统的构建方法、系统和装置 |
-
2018
- 2018-07-26 CN CN201810832415.3A patent/CN109308525B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6025128A (en) * | 1994-09-29 | 2000-02-15 | The University Of Tulsa | Prediction of prostate cancer progression by analysis of selected predictive parameters |
US20120179491A1 (en) * | 2011-01-07 | 2012-07-12 | Taipei Medical University | High performance and integrated nosocomial infection surveillance and early detection system and method thereof |
CN103255216A (zh) * | 2013-04-24 | 2013-08-21 | 山东艾克韦生物技术有限公司 | 院内感染多病原体并行检测基因芯片及其制作方法和应用 |
US20170364831A1 (en) * | 2016-06-21 | 2017-12-21 | Sri International | Systems and methods for machine learning using a trusted model |
CN106886572A (zh) * | 2017-01-18 | 2017-06-23 | 中国人民解放军信息工程大学 | 基于Markov逻辑网的知识图谱关系类型推测方法及其装置 |
CN108268951A (zh) * | 2017-12-05 | 2018-07-10 | 盈盛资讯科技有限公司 | 基于海量数据的知识推理系统的构建方法、系统和装置 |
Non-Patent Citations (10)
Title |
---|
委中原: "基于马尔可夫逻辑网的专家系统研究", 《重庆大学硕士学位论文》 * |
委中原: "基于马尔可夫逻辑网的专家系统研究", 《重庆大学硕士学位论文》, 31 October 2013 (2013-10-31), pages 24 - 32 * |
徐从富 等: "马尔科夫逻辑网络研究", 《软件学报》 * |
徐从富 等: "马尔科夫逻辑网络研究", 《软件学报》, vol. 22, no. 8, 31 August 2011 (2011-08-31), pages 1699 - 1713 * |
朱迎钢 等: "医院感染治疗中的一个难以决策的问题:定植还是感染?", 《中国呼吸与危重监护杂志》 * |
朱迎钢 等: "医院感染治疗中的一个难以决策的问题:定植还是感染?", 《中国呼吸与危重监护杂志》, vol. 10, no. 5, 30 September 2011 (2011-09-30), pages 421 - 423 * |
杨道文 等: "基于FOIL算法的约束归纳方法研究", 《苏州大学学报(工科版)》 * |
杨道文 等: "基于FOIL算法的约束归纳方法研究", 《苏州大学学报(工科版)》, vol. 29, no. 2, 30 April 2009 (2009-04-30), pages 1 - 5 * |
王理 等: "《消费品质量安全信息分析理论、方法与技术》", 30 April 2014, 北京:北京航空航天大学出版社, pages: 16 * |
胡洁 等: "《企业信息化与知识工程》", 31 October 2009, 上海:上海交通大学出版社, pages: 216 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886411A (zh) * | 2019-02-25 | 2019-06-14 | 浙江远图互联科技股份有限公司 | 一种压力性损伤临床决策系统的规则库表示及推理方法 |
CN109886411B (zh) * | 2019-02-25 | 2021-05-07 | 浙江远图互联科技股份有限公司 | 一种压力性损伤临床决策系统的规则库表示及推理方法 |
CN111816245A (zh) * | 2020-07-20 | 2020-10-23 | 成都博欣医学检验实验室有限公司 | 结合mNGS和临床知识库的病原微生物检测方法及系统 |
CN111816245B (zh) * | 2020-07-20 | 2022-09-09 | 成都博欣医学检验实验室有限公司 | 结合mNGS和临床知识库的病原微生物检测方法及系统 |
CN111986803A (zh) * | 2020-08-27 | 2020-11-24 | 武汉东湖大数据交易中心股份有限公司 | 一种基于认知模型的呼吸系统疾病认知系统 |
CN111986803B (zh) * | 2020-08-27 | 2024-05-24 | 武汉东湖大数据科技股份有限公司 | 一种基于认知模型的呼吸系统疾病认知系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109308525B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180158552A1 (en) | Interpretable deep learning framework for mining and predictive modeling of health care data | |
JP2023164839A (ja) | 呼吸器疾患を診断するために疾患シグネチャを使用して咳音を分析するための方法 | |
CN108461151A (zh) | 一种知识图谱的逻辑增强方法及装置 | |
CN108836285A (zh) | 人体疾病自主诊断模型和人工智能体检方法及系统和健康评估直观演示方法 | |
CN109308525A (zh) | 基于马尔科夫逻辑网的院内感染定植排查智能推理方法 | |
Osman et al. | SOM-LWL method for identification of COVID-19 on chest X-rays | |
Yan et al. | Selecting critical clinical features for heart diseases diagnosis with a real-coded genetic algorithm | |
CN113362954A (zh) | 一种老年患者术后感染并发症风险预警模型及其建立方法 | |
CN107145715B (zh) | 一种基于推举算法的临床医学智能判别装置 | |
Al-Kasasbeh et al. | Fuzzy prediction and early detection of stomach diseases by means of combined iteration fuzzy models | |
Abrishami et al. | Design of a fuzzy expert system and a multi-layer neural network system for diagnosis of hypertension | |
Mohammad et al. | Applications of contemporary artificial intelligence technology in forensic odontology as primary forensic identifier: A scoping review | |
CN115497616A (zh) | 一种感染性疾病辅助决策的方法、系统、设备及存储介质 | |
Abeyratne et al. | Cough Sound Analysis-A new tool for diagnosing Pneumonia | |
Saxena et al. | An artificial intelligence technique for COVID-19 detection with explainability using lungs X-Ray images | |
Krishnamoorthy et al. | Diagnosis of Pneumonia Using Deep Learning Techniques | |
CN111798324B (zh) | 一种基于动态就医行为对齐的医保欺诈发现方法 | |
Nirmaladevi et al. | [Retracted] Deep Convolutional Neural Network Mechanism Assessment of COVID‐19 Severity | |
Woo et al. | A community model of group therapy for the older patients with chronic obstructive pulmonary disease: a pilot study | |
Ogunyemi et al. | Combining geometric and probabilistic reasoning for computer-based penetrating-trauma assessment | |
Lezcano et al. | Data science techniques for COVID-19 in intensive care units | |
Shafi et al. | A hybrid of multiple linear regression clustering model with support vector machine for colorectal cancer tumor size prediction | |
Rosenthal et al. | Multinational prospective cohort study over 18 years of the risk factors for ventilator-associated pneumonia in 9 Asian countries: INICC findings | |
Li et al. | [Retracted] Application of the Artificial Neural Network in the Diagnosis of Infantile Bronchial Bridge with 64‐Slice Multislice Spiral CT | |
Drăgulescu et al. | Medical predictions system |
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 |