CN110085314A - 医学检验数据的智能分析方法、系统以及设备 - Google Patents
医学检验数据的智能分析方法、系统以及设备 Download PDFInfo
- Publication number
- CN110085314A CN110085314A CN201910287933.6A CN201910287933A CN110085314A CN 110085314 A CN110085314 A CN 110085314A CN 201910287933 A CN201910287933 A CN 201910287933A CN 110085314 A CN110085314 A CN 110085314A
- Authority
- CN
- China
- Prior art keywords
- medical test
- data
- model
- analysis
- analysis model
- 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.)
- Pending
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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种医学检验数据的智能分析方法，包括以下步骤：医学检验分析模型构建，获取并存储医学检验原始数据和个人信息数据，通过对医学检验原始数据和个人信息数据标准化转换、数据观察以及特征筛选，构建医学检验分析模型；医学检验分析模型触发，获取医学检验数据，触发医学检验分析模型，输出医学检验分析模型的分析结果；以及医学检验分析模型反馈，反馈医学检验分析模型的分析结果和人工分析不一致的误分类样本数据，根据获取的校正后的数据对医学检验分析模型进行修正以及更新。
Description
技术领域
本发明涉及一种智能医学检验服务系统，尤其涉及一种医学检验数据的智能分析方法、系统以及设备。
背景技术
患者会因为各种不明原因的症状到医院门诊就医，而医学信息分析是医生对患者病情进行评估的常用工具，比如胰腺癌需要分析肿瘤标记物CA19-9和淀粉酶等，肝癌需要分析甲胎蛋白和乙肝抗体等。这些采用专家系统的形式，通过临床指南或者临床经验等来进行辅助分析，一般通过对多种临床数据，比如血压、呼吸、体温、心率、生化指标、检验指标等，进行汇总计算，获得分析分值，这种医学分析方式大多受人为主观因素影响，分析准确率较低，时间花费较大。当前的临床实践中，虽然有一些简单的分析软件帮助医护工作人员进行最后的分析，但分析过程所需的众多临床数据，还需要医护人员到各种信息系统进行查找和筛选，整个过程费时费力。
例如，胰腺导管腺癌(PDAC)和慢性胰腺炎(CP)的鉴别诊断一直是临床难点。一方面，FDA唯一批准的诊断标志物CA19-9在慢性胰腺炎中也经常升高，另一方面影像学对两者的鉴别诊断准确率很低，即使加上穿刺活检技术，准确性也只有54％。总的来说，目前的检测手段很难对两者进行准确判断。如果胰腺导管腺癌没有被及时诊断出来，或者胰腺导管腺癌被误诊为胰腺炎，会延误治疗从而严重影响预后(分析疾病的可能病程和结局)；而慢性胰腺炎患者一旦被误断为胰腺癌需要经受风险很大的胰腺手术，给患者和家属带来巨大的身心和经济负担。
目前，国内外刚开始在计算机辅助诊断方面投入人力物力，智能医学分析技术的发展还刚刚起步，已授权的用于辅助诊疗的方法寥寥无几，只有个别一些，如影像领域有发明专利《PET-CT动态医学影像智能定量分析系统和分析方法》，用来帮助医技人员以及临床医生更便捷有效地进行医学影像诊断；检验领域有发明专利《基于有监督等度规映射的智能医学诊断分类方法》，通过对高维有标签数据进行了特征提取，使用线性支持向量机算法构建分类决策面，采用先降维后分类的方法，辅助医学诊断。
但现有医学检验数据分析方法，尚未形成智能系统，针对性较弱，缺乏与不同医疗服务机构的信息系统进行连接，缺少与相似病人诊疗信息进行比较的功能，智能性较弱。同时，工作量较大，时间成本较高，并在方法的优化选择、结果评估分析以及历史信息管理等方面不能满足医技人员及临床医生的要求，且不宜推广。考虑到医学检验数据领域没有形成一套智能分析系统，如今迫切需要设计一种新的医学检验数据获取、智能分析、结果交互的方案，以便提高分析效率、准确率和普适性。
发明内容
本发明的目的在于提供一种医学检验数据的智能分析方法、系统以及设备，能够实现医学检验数据的获取、智能分析以及结果交互，以便提高对于医学检验数据的分析效率、准确率和普适性。
本发明的另一目的在于提供一种医学检验数据的智能分析方法、系统以及设备，能够将专家经验以及机器学习结果进行综合，提高计算机辅助分析系统的准确性。
本发明的另一目的在于提供一种医学检验数据的智能分析方法、系统以及设备，能够通过反馈对医学检验分析模型进行更新，提高对于医学检验分析模型的准确率。
为了实现上述至少一个目的，本发明提供了一种医学检验数据的智能分析方法，包括以下步骤：
医学检验分析模型构建，获取并存储医学检验原始数据和个人信息数据，通过对医学检验原始数据和个人信息数据标准化转换、数据观察以及特征筛选，构建医学检验分析模型；
医学检验分析模型触发，获取医学检验数据，触发医学检验分析模型，输出医学检验分析模型的分析结果；以及
医学检验分析模型反馈，反馈医学检验分析模型的分析结果和人工分析不一致的误分类样本数据，根据获取的校正后的数据对医学检验分析模型进行修正以及更新。
在一些实施例中，该医学检验分析模型构建步骤还包括以下步骤：
连接医疗服务机构信息系统，获取授权信息，以获取并存储医疗服务机构信息系统的医学检验原始数据和个人信息数据；
对医学检验原始数据和个人信息数据进行标准化转换，包括诊断名称标准化步骤、化验名称标准化步骤、定量标准化步骤以及定性标准化步骤；
观察个人信息数据中性别分布、年龄分布、地理分布、分组分布和医学检验数据化验指标的正态分布、二项分布、指数分布；
执行专家筛选特征步骤、缺失率筛选特征步骤以及算法筛选特征步骤；以及
执行人工智能、机器学习、深度学习算法，通过交叉验证、超参数调优和分布式框架，构建医学检验分析模型。
在一些实施例中，该医学检验分析模型触发步骤还包括以下步骤：
连接检验信息系统，实时或离线导入医学检验数据；
根据导入的医学检验数据，基于获取的模型名称，自动触发医学检验分析模型或者补全检验数据后触发医学检验分析模型；以及
将医学检验分析模型的分析结果通过报告形式输出或者传输至医疗服务机构信息系统或健康服务机构信息系统。
在一些实施例中，该自动触发医学检验分析模型步骤还包括以下步骤：
判断获取的医学检验数据中特征名称、缺失率是否满足自动触发条件；
当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，启动自动触发医学检验分析模型；以及
当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，则不满足自动触发医学检验分析模型的条件，启动人工触发模型，补全检验数据后，重复执行该判断步骤，直至启动自动触发医学检验分析模型。
在一些实施例中，该医学检验分析模型反馈步骤还包括以下步骤：
误判样本检测，检测到模型分析与临床判断不一致的样本，将样本数据发送给人工分析校正，或者自动获取临床判断结果并校正误判样本数据，形成新样本；
误分类样本管理，发送校正后的新样本数据，到该医学检验分析模型构建步骤，扩大训练样本池，使得训练样本更接近总体样本；
模型更新，基于获取的校正后的新样本数据，重复执行该医学检验分析模型构建步骤，以更新医学检验分析模型，不断提升模型的准确率；以及
重复执行所述医学检验分析模型触发步骤。
在一些实施例中，该医学检验分析模型触发步骤还包括以下步骤：处理医学检验分析模型的分析结果数据，根据数据分类筛选需求执行数据的统计分析，并可视化输出结果。
在一些实施例中，医学检验原始数据选自微生物学、免疫学、生物化学、遗传学、血液学、生物物理学、细胞学的检验数据的一种或几种，个人信息数据选自身高、体重、性别、年龄、住址籍贯、烟酒情况和遗传史的一种或几种。
医学检验分析模型根据本发明的另一方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时执行上述任一医学检验数据的智能分析方法的步骤。
根据本发明的另一方面，还提供了一种医学检验数据的智能分析系统，包括：
医学检验分析模型构建子系统，其被配置为获取并存储医学检验原始数据和个人信息数据，通过对医学检验原始数据和个人信息数据标准化转换、数据观察以及特征筛选，构建医学检验分析模型；
医学检验分析模型触发子系统，其被配置为获取医学检验数据，触发医学检验分析模型，输出医学检验分析模型的分析结果；以及
医学检验分析模型反馈子系统，其被配置为反馈医学检验分析模型的分析结果和人工分析不一致的误分类样本数据，根据获取的校正后的数据对医学检验分析模型进行修正以及更新。
在一些实施例中，该医学检验分析模型构建子系统还包括：
训练数据管理单元，其被配置为连接医疗服务机构信息系统，获取授权信息，以获取并存储医疗服务机构信息系统的医学检验原始数据和个人信息数据；
数据标准化单元，其被配置为对医学检验原始数据和个人信息数据进行标准化转换，包括诊断名称标准化、化验名称标准化、定量标准化以及定性标准化；
数据观察单元，其被配置为观察个人信息数据中性别分布、年龄分布、地理分布、分组分布和医学检验数据化验指标的正态分布、二项分布、指数分布；
特征筛选单元，其被配置为执行专家筛选特征、缺失率筛选特征以及算法筛选特征；以及
模型构建单元，其被配置为执行人工智能、机器学习、深度学习算法，通过交叉验证、超参数调优和分布式框架，构建医学检验分析模型。
在一些实施例中，该医学检验分析模型触发子系统还包括：
分析数据管理单元，其被配置为连接检验信息系统，实时或离线导入医学检验数据；
模型触发单元，其被配置为根据导入的医学检验数据，基于获取的模型名称，自动触发医学检验分析模型或者补全检验数据后触发医学检验分析模型；以及
结果交互单元，其被配置为将医学模型的分析结果通过报告形式输出或者传输至医疗服务机构信息系统或健康服务机构信息系统。
在一些实施例中，该模型触发单元还包括：
触发判断单元，其被配置为判断获取的医学检验数据中特征名称、缺失率是否满足自动触发条件；
自动触发单元，其被配置为当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，启动自动触发医学检验分析模型；以及
人工触发单元，其被配置为当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，则不满足自动触发医学检验分析模型的条件，启动人工触发模型，补全检验数据后的数据发送至该触发判断单元，直至启动自动触发医学检验分析模型。
在一些实施例中，该医学检验分析模型反馈子系统还包括：
误判样本检测单元，其被配置为检测到模型的分析与临床判断不一致的样本，将样本数据发送给人工分析校正，或者自动获取临床判断结果并校正误判样本数据，形成新样本；以及
误分类样本管理单元，其被配置为发送校正后的新样本数据，到该医学检验分析模型构建子系统，扩大训练样本池，使得训练样本更接近总体样本；以及
模型更新单元，其被配置为基于获取的校正后的新样本数据，重复执行医学检验分析模型构建，以更新医学检验分析模型，不断提升模型的准确率。
在一些实施例中，该医学检验分析模型触发子系统还包括：统计分析单元，其被配置为处理医学模型的分析结果数据，根据数据分类筛选需求执行数据的统计分析，并可视化输出结果。
在一些实施例中，医学检验原始数据选自微生物学、免疫学、生物化学、遗传学、血液学、生物物理学、细胞学的检验数据的一种或几种，个人信息数据包括身高、体重、性别、年龄、住址籍贯、烟酒情况和遗传史，医学检验分析模型的分析结果为胰腺癌和胰腺炎的计算机辅助鉴别检验结果。
根据本发明的另一方面，还提供了一种医学检验数据的智能分析设备，包括：
存储器，用于存储软件应用程序，
处理器，用于执行该软件应用程序，该软件应用程序进一步包括：
医学检验分析模型构建程序，其被配置为获取并存储医学检验原始数据和个人信息数据，通过对医学检验原始数据和个人信息数据标准化转换、数据观察以及特征筛选，构建医学检验分析模型；
医学检验分析模型触发程序，其被配置为获取医学检验数据，触发医学检验分析模型，输出医学检验分析模型的分析结果；以及
医学检验分析模型反馈程序，其被配置为反馈医学检验分析模型的分析结果和人工分析不一致的误分类样本数据，根据获取的校正后的数据对医学检验分析模型进行修正以及更新。
在一些实施例中，该医学检验分析模型构建程序还包括：
训练数据管理程序，其被配置为连接医疗服务机构信息系统，获取授权信息，以获取并存储医疗服务机构信息系统的医学检验原始数据和个人信息数据；
数据标准化程序，其被配置为对医学检验原始数据和个人信息数据进行标准化转换，包括诊断名称标准化、化验名称标准化、定量标准化以及定性标准化；
数据观察程序，其被配置为观察个人信息数据中性别分布、年龄分布、地理分布、分组分布和医学检验数据化验指标的正态分布、二项分布、指数分布；
特征筛选程序，其被配置为执行专家筛选特征、缺失率筛选特征以及算法筛选特征；以及
模型构建执行程序，其被配置为执行人工智能、机器学习、深度学习算法，通过交叉验证、超参数调优和分布式框架，执行医学检验分析模型的构建。
在一些实施例中，该医学检验分析模型触发程序还包括：
分析数据管理程序，其被配置为连接检验信息系统，实时或离线导入医学检验数据；
模型触发程序，其被配置为根据导入的医学检验数据，基于获取的模型名称，自动触发医学检验分析模型或者补全检验数据后触发医学检验分析模型；以及
结果交互程序，其被配置为将医学模型的分析结果通过报告形式输出或者传输至医疗服务机构信息系统或健康服务机构信息系统。
在一些实施例中，该模型触发程序还包括：
触发判断程序，其被配置为判断获取的医学检验数据中特征名称、缺失率是否满足自动触发条件；
自动触发程序，其被配置为当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，启动自动触发医学检验分析模型；以及
人工触发程序，其被配置为当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，则不满足自动触发医学检验分析模型的条件，启动人工触发模型，补全检验数据后的数据发送至该触发判断程序，直至启动自动触发医学检验分析模型。
在一些实施例中，该医学检验分析模型反馈程序还包括：
误判样本检测程序，其被配置为检测到模型的分析与临床判断不一致的样本，将样本数据发送给人工分析校正，或者自动获取临床判断结果并校正误判样本数据，形成新样本；以及
误分类样本管理程序，其被配置为发送校正后的新样本数据，到该医学检验分析模型构建程序，扩大训练样本池，使得训练样本更接近总体样本；以及
模型更新程序，其被配置为基于获取的校正后的新样本数据，重复执行医学检验分析模型构建，以更新医学检验分析模型，不断提升模型的准确率。
在一些实施例中，该医学检验分析模型触发程序还包括：
统计分析程序，其被配置为处理医学模型的分析结果数据，根据数据分类筛选需求执行数据的统计分析，并可视化输出结果。
在一些实施例中，医学检验原始数据选自微生物学、免疫学、生物化学、遗传学、血液学、生物物理学、细胞学的检验数据的一种或几种，个人信息数据选自身高、体重、性别、年龄、住址籍贯、烟酒情况和遗传史的一种或几种。
根据本发明的另一方面，还提供了一种医学检验数据的智能分析设备，包括医学检验分析模型训练装置、医学检验分析模型应用装置以及医学检验分析模型反馈装置，
其中，该医学检验分析模型训练装置用于获取并存储医学检验原始数据和个人信息数据，通过对医学检验原始数据和个人信息数据标准化转换、数据观察以及特征筛选，构建医学检验分析模型，
该医学检验分析模型应用装置用于获取实时的医学检验数据，触发医学检验分析模型，输出医学检验分析模型分析结果，
该医学检验分析模型反馈装置用于反馈医学检验分析模型分析结果和人工分析不一致的误分类样本数据，根据获取的校正后的数据对医学检验分析模型进行修正以及更新。
在一些实施例中，该医学检验分析模型训练装置还包括：
训练数据管理模块，用于连接医疗服务机构信息系统，获取授权信息，以获取并存储医疗服务机构信息系统的医学检验原始数据和个人信息数据；
数据标准化模块，用于对医学检验原始数据和个人信息数据进行标准化转换，包括诊断名称标准化、化验名称标准化、定量标准化以及定性标准化；
数据观察模块，用于观察个人信息数据中性别分布、年龄分布、地理分布、分组分布和医学检验数据化验指标的正态分布、二项分布、指数分布；
特征筛选模块，用于执行专家筛选特征、缺失率筛选特征以及算法筛选特征；以及
模型构建模块，用于执行人工智能、机器学习、深度学习算法，通过交叉验证、超参数调优和分布式框架，构建医学检验分析模型。
在一些实施例中，该医学检验分析模型应用装置还包括：
分析数据管理模块，用于连接检验信息系统，实时或离线导入医学检验数据；
模型触发模块，用于根据导入的医学检验数据，基于获取的模型名称，自动触发医学检验分析模型或者补全检验数据后触发医学检验分析模型；以及
结果交互模块，用于将医学模型分析结果通过报告形式输出或者传输至医疗服务机构信息系统或健康服务机构信息系统。
在一些实施例中，该模型触发模块还包括：
触发判断模块，用于判断获取的医学检验数据中特征名称、缺失率是否满足自动触发条件；
自动触发模块，当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，启动自动触发医学检验分析模型；以及
人工触发模块，当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，由于不满足自动触发医学检验分析模型的条件，启动人工触发模型，补全检验数据后的数据由该人工触发模块发送至该触发判断模块，直至启动自动触发医学检验分析模型。
在一些实施例中，该医学检验分析模型反馈装置还包括：
误判样本检测模块，用于当检测到模型分析与临床判断不一致的样本时，将样本数据发送给人工分析校正，或者自动获取临床判断结果并校正误判样本数据，形成新样本；以及
误分类样本管理模块，用于发送校正后的新样本数据，到该医学检验分析模型训练装置，扩大训练样本池，使得训练样本更接近总体样本；以及
模型更新模块，用于基于获取的校正后的新样本数据，重复执行医学检验分析模型构建，以更新医学检验分析模型，不断提升模型的准确率。
在一些实施例中，该医学检验分析模型触发装置还包括：统计分析模块，用于处理医学检验分析模型的分析结果数据，根据数据分类筛选需求执行数据的统计分析，并可视化输出结果。
在一些实施例中，医学检验原始数据选自微生物学、免疫学、生物化学、遗传学、血液学、生物物理学、细胞学的检验数据的一种或几种，个人信息数据选自身高、体重、性别、年龄、住址籍贯、烟酒情况和遗传史的一种或几种。
本发明具有以下技术效果：
1、本发明基于综合考虑专家经验和机器学习结果的分析，具有很高的准确性，相对于专家，误诊、漏诊率更低，并且可以通过误分类样本的人工反馈例如医生反馈，让系统不断学习真实世界的检验数据，不断优化模型，提高模型的准确率。
2、本发明的数据标准化是规范和高效的：通过获取积累的医学数据库，将医疗机构的检验数据自动标准化，节省大量时间。
3、本发明的分析数据输入和结果输出都可以连接医疗服务机构信息系统，实现该智能系统与医疗系统的无缝连接，统一了医疗数据管理。
4、本发明可对所有报告进行统计分析，比对提供历史分析结果，给出预警信息。
5、本发明能够克服人为主观因素、提高分析准确率、减少分析时间。对于病人而言，可以在疾病发生早期提前发现病情，帮助病人及早治疗，对于如恶性肿瘤和严重的心脑血管疾病的缓解有着重大的意义，从而减轻病人对家庭和社会的一系列负担。对于医疗机构而言，利用本发明的医学检验数据的智能分析方法、系统以及设备能够提高对于医学检验数据处理和分析的效率，也有助于提高医疗机构运作的效率。
附图说明
图1是根据本发明的一个实施例的一种医学检验数据的智能分析方法的步骤流程图。
图2是根据本发明的上述实施例的该医学检验数据的智能分析方法的步骤流程图。
图3是根据本发明的上述实施例的该医学检验数据的智能分析方法的步骤流程图。
图4是根据本发明的上述实施例的该医学检验数据的智能分析方法的步骤流程图。
图5是根据本发明的上述实施例的该医学检验数据的智能分析方法的步骤流程图。
图6是根据本发明的上述实施例的该医学检验数据的智能分析方法的步骤流程图。
图7是根据本发明的一实施例的一种医学检验数据的智能分析设备的框图结构图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。
本发明为涉及计算机程序的发明。如图1所示为基于本发明的一种医学检验数据的智能分析方法的流程图，阐述了为解决本发明提出的问题，以计算机程序处理流程为基础，通过计算机执行按上述流程编制的计算机程序，对计算机外部对象或者内部对象进行控制或处理的解决方案。通过本发明的医学检验数据的智能分析方法，能够利用计算机系统，综合人工经验和机器学习结果，提高分析效率、准确率以及普适性，可以理解的是，本发明所称“计算机”不仅仅指台式电脑、笔记本电脑、平板等设备，还包括其他能够按照程序运行，处理数据的智能电子设备。
如图1所示，该医学检验数据的智能分析方法包括以下步骤：
医学检验分析模型构建步骤100：获取并存储医学检验原始数据和个人信息数据，通过对医学检验原始数据和个人信息数据标准化转换、数据观察以及特征筛选，构建医学检验分析模型；
医学检验分析模型触发步骤200：获取医学检验数据，触发医学检验分析模型，输出模型分析结果；
医学检验分析模型反馈步骤300：反馈医学检验分析模型分析结果和人工分析不一致的误分类样本数据，根据获取的校正后的数据对医学检验分析模型进行修正以及更新。
通过该医学检验分析模型构建步骤100，能够综合考虑人工经验例如医生积累的专家实践经验和机器学习结果，最大化分析的准确率，将医疗信息系统的检验数据自动标准化，最大化节省数据处理时间。通过该医学检验分析模型触发步骤200，能够实时获取医学检验数据，触发医学检验分析模型，实现医学检验数据的智能分析以及结果交互，并能够对模型分析结果进行统计分析，比对提供历史分析结果，给出预警信息。该医学检验分析模型反馈步骤300能够通过误分类样本的反馈和校正，让系统不断学习医学实践的检验数据，不断优化本发明的医学检验分析模型，提高医学检验分析模型的准确率。
进一步地，如图2所示，该医学检验数据的智能分析方法的该医学检验分析模型构建步骤100还包括以下步骤：
检验数据步骤110：连接医疗服务机构信息系统，获取授权信息，以获取并存储医疗服务机构信息系统的医学检验原始数据和个人信息数据；
数据标准化步骤120：对医学检验原始数据和个人信息数据进行标准化转换，包括诊断名称标准化步骤、化验名称标准化步骤、定量标准化步骤以及定性标准化步骤；
数据观察步骤130：观察个人信息数据中性别分布、年龄分布、地理分布、分组分布和医学检验数据化验指标的正态分布、二项分布、指数分布；
特征筛选步骤140：执行专家筛选特征步骤、缺失率筛选特征步骤以及算法筛选特征步骤；
模型构建步骤150：执行人工智能、机器学习、深度学习算法，通过交叉验证、超参数调优和分布式框架，构建医学检验分析模型。
通过该检验数据步骤110，能够与不同医疗服务机构的信息系统进行连接，获取到丰富的医学数据库信息。其中，医学检验原始数据在不同的实施例中根据实际需求例如不同的医学检验分析模型的需求，选自微生物学、免疫学、生物化学、遗传学、血液学、生物物理学、细胞学的检验数据的一种或几种，个人信息数据，包括但不限于身高、体重、性别、年龄、住址籍贯、烟酒情况和遗传史等，可以选自其中的一种或几种，有利于提高本发明中医学检验分析模型构建的准确性，并且本发明中的该医学检验数据的智能分析方法通过计算机程序的实施而应用的自动化系统能够与各医疗系统的无缝连接，打通了不同机构的所有医疗检验数据，方便数据流通，统一医疗数据管理。通过该数据标准化步骤120，能够对检验数据和个人信息数据进行标准化转换。其中，诊断名称标准化步骤是将不同描述的同一疾病标准化为一个标准疾病名称，化验名称标准化步骤是将不同描述的同一化验名称标准化为一个标准化验名称；定量标准化步骤是将数值类型的检验指标，在关联仪器型号和检验单位的条件下，进行标准化，实现数值数据的统一；定性标准化步骤是将类别类型的检验指标标准化，举例来说，如将“阳性”替换为“高”等。这样，通过标准化步骤，将不同机构的所有医疗数据都标准化了，大幅提升数据清洗效率。通过该数据观察步骤130的执行，能够为后续流程步骤中医学检验分析模型的建模的算法选择提供依据，优化模型选择，提高模型效果。通过该特征筛选步骤140能够提高分析准确率，节约临床检查的成本，节省患者支出，专家筛选特征步骤在一些实施例中被实施为医学专家基于临床指南、知识和经验筛选出的必要的化验指标，缺失率筛选特征步骤在一些实施例中被实施为去掉缺失率超过阈值的化验指标，算法筛选特征步骤在一些实施例中被实施为通过算法筛选人类尚未明确与疾病相关的化验指标。该模型构建步骤150通过多种人工智能算法，能够提高构建的医学检验分析模型的准确率，降低漏诊率。
进一步地，如图3所示，该医学检验数据的智能分析方法的该医学检验分析模型触发步骤200还包括以下步骤：
分析数据管理步骤210：连接检验信息系统，实时或离线导入医学检验数据；
自动触发医学检验分析模型步骤220：根据导入的医学检验数据，基于获取的模型名称，自动触发医学检验分析模型或者补全检验数据后触发医学检验分析模型；
结果交互步骤230：将医学检验分析模型分析结果通过报告形式输出或者传输至医疗服务机构信息系统或健康服务机构信息系统；
统计分析步骤240：处理医学检验分析模型的分析结果数据，根据数据分类筛选需求执行数据的统计分析，并可视化输出结果。
该分析数据管理步骤210能够实时或离线导入医学检验数据，用于后续分析，该自动触发医学检验分析模型步骤220能够增加补正检验，将机器和人工结合，提高医学检验分析模型被触发的准确率和灵活性。该结果交互步骤230不仅可以自动化生成模型分析结果的报告，而且能够接入不同的医疗服务机构信息系统，提高人机交互以及本发明的方法在不同机构应用的普适性。该统计分析步骤240可以进行包括患者编号、疾病类型、报告时间、地理分布、科室类型等的筛选功能，实现统计分析与可视化查看，如表格或图形化查看，能够对所有报告进行统计分析，比对历史分析结果，给出预警信息，辅助患者进行健康管理，预防癌症或改善预后。
进一步地，如图4和图5所示，该医学检验数据的智能分析方法的该自动触发医学检验分析模型步骤220还包括以下步骤：
步骤221：判断获取的医学检验数据中特征名称、缺失率是否满足自动触发条件；
步骤222：当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，启动自动触发医学检验分析模型；
步骤223：当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，则不满足自动触发医学检验分析模型的条件，启动人工触发模型，补全检验数据后，重复执行该步骤221，直至启动自动触发医学检验分析模型。
进一步地，如图6所示，该医学检验数据的智能分析方法的该医学检验分析模型反馈步骤300还包括以下步骤：
误判样本检测步骤310，检测到模型分析与临床判断不一致的样本，将样本数据发送给人工分析校正，或者自动获取临床判断结果并校正误判样本数据，形成新样本；
误分类样本管理步骤320：发送校正后的新样本数据，到该医学检验分析模型构建步骤100，扩大训练样本池，使得训练样本更接近总体样本；
模型更新步骤330：基于获取的校正后的新样本数据，重复执行该医学检验分析模型构建步骤100，以更新医学检验分析模型，不断提升模型的准确率；以及
步骤340：重复执行所述医学检验分析模型触发步骤200。
本领域的技术人员能够理解的是，可以以方法、系统或计算机程序产品的形式提供本发明的实施例。因此，本发明可采取全硬件实施例、全软件实施例，或者组合软件和硬件的实施例的形式。
在本发明的一实施例中，本发明的该医学检验数据的智能分析方法能够帮助医生对胰腺癌和胰腺炎进行计算机辅助鉴别。具体方法步骤如下：
构建胰腺癌鉴别医学检验分析模型。连接医疗服务机构信息系统，获取授权信息，以获取并存储医疗服务机构信息系统的胰腺癌鉴别相关的医学检验原始数据和个人信息数据，包括的样本数据为胰腺癌患者N1人、胰腺炎N2人和健康体检数据N3人；通过整理而成的独有的医学数据库，对医学检验原始数据和个人信息数据进行标准化转换，例如对化验名称、诊断名称标准化的执行步骤中，化验名称“糖类抗原CA19-9”和“CA19-9”，标准化为“CA19-9”，诊断名称“中分化导管腺癌”和“腺鳞癌”，标准化为胰腺癌；例如对定性标准化的执行步骤中，化验项CA19-9，采用的仪器为I2000sr，单位为u/ml，检验结果为<2.00，则可以定性为阴性；对于定量标准化的执行步骤中，由于一个化验项经常采用不同的仪器型号，有不同的单位，为了可比性，必须先统一量纲，例如采用z-score标准化；在数据观察步骤中，观察数据的分布，例如如果年龄分布不满足正态分布，可以通过z-score标准化，将其转为正态分布，有利于提升模型的性能和健壮性。在特征筛选步骤中，执行专家筛选特征步骤、缺失率筛选特征步骤以及算法筛选特征步骤，例如先保留专家例如医生认为必要的化验项，如“CA19-9”，“淀粉酶”等，再去除胰腺炎和胰腺癌缺失率>30％的化验项，最后再通过GBDT(Gradient Boosting Decision Tree，梯度提升决策树)算法，以准确率为评价指标，沿着准确率增加的方向上逐步增加特征，直到最后准确率不再增加或趋于平稳时(变化<0.0001)而停止。在用算法筛选特征时，可以通过设置随机种子，重复GBDT筛选100次，统计出现次数最高的前20个特征。这样，通过结合专家知识、特征缺失率和算法筛选的特征，就具有较好的临床可解释性和较高的分析价值。医学模型构建步骤中，采用GBDT算法，以2018年为时间点，分为训练集和测试集，训练集通过10折交叉验证和超参数调优，以准确率最大化为调优目标，最终交叉验证的最佳准确率为0.85，2018年后测试集的准确率为0.81，胰腺癌的灵敏性为0.98，比CA19-9分析灵敏性0.72高出26个百分点，即漏诊率少了26个百分点，大大增加了胰腺癌的筛查效果和早筛价值。
触发胰腺癌鉴别医学检验分析模型，输出医学检验分析模型分析结果。具体地，连接检验信息系统，实时导入外部人工输入的胰腺癌鉴别相关的医学检验数据；根据导入的医学检验数据，基于获取的模型名称，例如获取到外部需要分析的模型名称为胰腺癌分析模型，自动触发胰腺癌鉴别医学检验分析模型或者补全检验数据后触发胰腺癌鉴别医学检验分析模型。更具体地，判断获取的胰腺癌鉴别相关的医学检验数据中特征名称、缺失率是否满足自动触发条件；当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，启动自动触发胰腺癌鉴别医学检验分析模型；当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，则不满足自动触发胰腺癌鉴别医学检验分析模型的条件，启动医生触发模型，待完成补全检验数据后，重复执行触发胰腺癌鉴别模型步骤，这样，就能增加模型的准确性和灵活性，适应更多更复杂的场景；胰腺癌鉴别医学检验分析模型分析结果可以通过报告形式自动化生成并输出至外部，也可以被传输至医疗服务机构信息系统，供医生诊断参考使用，解除分析结果的地域限制，实现不同区域不同机构的一体化。当然，也可以被传输至其他健康服务机构信息系统。值得一提的是，胰腺癌鉴别医学检验分析模型的分析结果也可以根据医生或者患者的需求，实现包括患者编号、疾病类型、报告时间、地理分布、科室类型等的筛选功能，进而实现胰腺癌鉴别医学检验分析结果的统计分析与可视化查看。
通过该医学检验分析模型反馈步骤300的执行，对于胰腺癌鉴别医学检验分析模型分析与医生临床判断不一致的样本，由医生诊断后，形成新的样本，新样本数据可以用来修正以及更新胰腺癌鉴别医学检验分析模型，不断提高鉴别胰腺癌的准确率。
在本发明的这个实施例中，对于误分类的样本，为先更新医学检验分析模型，再触发医学检验分析模型。
本领域的技术人员可以理解的是，本发明的方法可以通过硬件、软件，或者软、硬件结合来实现。本发明可以在至少一个计算机系统中以集中方式实现，或者由分布在几个互连的计算机系统中的不同部分以分散方式实现。任何可以实现方法的计算机系统或其它设备都是可适用的。常用软硬件的结合可以是安装有计算机程序的通用计算机系统，通过安装和执行程序控制计算机系统，使其按方法运行。
本发明可以嵌入在计算机程序产品中，它包括使此处描述的方法得以实施的所有特征。所述计算机程序产品被包含在一个或多个计算机可读存储介质中，所述计算机可读存储介质具有包含于其中的计算机可读程序代码。根据本发明的另一方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时能够执行本发明的该医学检验数据的智能分析方法的步骤。计算机存储介质是计算机存储器中用于存储某种不连续物理量的媒体。计算机存储介质包括但不限于半导体、磁盘存储器、磁芯、磁鼓、磁带、激光盘等。本领域的技术人员可以理解的是，计算机存储介质并不局限于前述举例，前述例子仅仅作为举例而并不限于本发明。
与本发明医学检验数据的智能分析方法的实施例相对应，根据本发明的另一方面，还提供了一种医学检验数据的智能分析系统，该医学检验数据的智能分析系统为本发明的该医学检验数据的智能分析方法在计算机程序改进上的应用。该医学检验数据的智能分析系统包括医学检验分析模型构建子系统、医学检验分析模型触发子系统以及医学检验分析模型反馈子系统。
该医学检验分析模型构建子系统获取并存储医学检验原始数据和个人信息数据，通过对医学检验原始数据和个人信息数据标准化转换、数据观察以及特征筛选，构建医学检验分析模型；
该医学检验分析模型触发子系统获取医学检验数据，触发医学检验分析模型，输出医学检验分析模型分析结果；该医学检验分析模型反馈子系统反馈医学检验分析模型分析结果和人工分析不一致的误分类样本数据，根据获取的校正后的数据对医学检验分析模型进行修正以及更新。
该医学检验分析模型构建子系统中还包括训练数据管理单元、数据标准化单元、数据观察单元、特征筛选单元以及模型构建单元，该训练数据管理单元连接医疗服务机构信息系统，获取授权信息，以获取并存储医疗服务机构信息系统的医学检验原始数据和个人信息数据；该数据标准化单元，对医学检验原始数据和个人信息数据进行标准化转换，包括诊断名称标准化、化验名称标准化、定量标准化以及定性标准化；该数据观察单元，观察个人信息数据中性别分布、年龄分布、地理分布、分组分布和医学检验数据化验指标的正态分布、二项分布、指数分布；该特征筛选单元，执行专家筛选特征、缺失率筛选特征以及算法筛选特征；该模型构建单元，执行人工智能、机器学习、深度学习算法，通过交叉验证、超参数调优和分布式框架，构建医学检验分析模型。
该医学检验分析模型触发子系统还包括分析数据管理单元、模型触发单元、结果交互单元，该分析数据管理单元连接检验信息系统，实时或离线导入医学检验数据；
该模型触发单元，根据导入的医学检验数据，基于获取的模型名称，自动触发医学检验分析模型或者补全检验数据后触发医学检验分析模型；该结果交互单元，将医学检验分析模型分析结果通过报告形式输出或者传输至医疗服务机构信息系统或健康服务机构信息系统。
该模型触发单元还包括触发判断单元、自动触发单元以及人工触发单元，该触发判断单元判断获取的医学检验数据中特征名称、缺失率是否满足自动触发条件；当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，该自动触发单元启动自动触发医学检验分析模型；当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，为不满足自动触发医学检验分析模型的条件，该人工触发单元启动人工触发模型，补全检验数据后的数据发送至该触发判断单元，直至启动自动触发医学检验分析模型。
该医学检验分析模型触发子系统还包括统计分析单元，处理医学检验分析模型分析结果数据，根据数据分类筛选需求执行数据的统计分析，并可视化输出结果。
该医学检验分析模型反馈子系统还包括误判样本检测单元、误分类样本管理单元以及模型更新单元。该误判样本检测单元检测到模型分析与临床判断不一致的样本，将样本数据发送给人工分析校正，或者自动获取临床判断结果并校正误判样本数据，形成新样本；该误分类样本管理单元，发送校正后的新样本数据，至该医学检验分析模型构建子系统，扩大训练样本池，使得训练样本更接近总体样本；该模型更新单元根据校正后的新样本数据更新医学检验分析模型，从而不断提升模型的准确率。
根据本发明的另一方面，还提供了一种医学检验数据的智能分析设备，该医学检验数据的智能分析设备包括：软件应用程序、用于存储软件应用程序的存储器，以及处理器，用于执行该软件应用程序。该软件应用程序的各程序能够相对应地执行本发明的该医学检验数据的智能分析方法中的步骤。
硬件和软件的典型的结合可以是带有计算机程序的通用计算机系统，当程序被加载并被执行时，控制计算机系统，从而可以执行本发明揭露的方法。
本领域的技术人员可以理解的是，该医学检验数据的智能分析设备可以被体现为台式电脑、笔记本、移动智能设备等，但是前述仅仅作为举例，还包括其他搭载有本发明的该软件应用程序的智能分析设备。
如图7所示，根据本发明的另一方面，还提供了一种医学检验数据的智能分析设备，该医学检验数据的智能分析系统包括医学检验分析模型训练装置10、医学检验分析模型应用装置20以及医学检验分析模型反馈装置30。该医学检验分析模型训练装置10通过医疗服务机构信息系统通信模块40获取医疗服务机构信息系统的医学检验原始数据和个人信息数据，采用人工智能、机器学习、深度学习等算法，构建速度快、准确率高的模型，该医学检验分析模型应用装置20获取实时的医学检验数据并且触发模型以分析结果，实现分析结果的交互并提供结果报告的统计分析。该医学检验分析模型反馈装置30对误分类样本进行管理以及实现模型的更新和修正，提高模型触发后对结果分析的准确性。
进一步地，该医学检验分析模型训练装置10包括训练数据管理模块11、数据标准化模块12、数据观察模块13、特征筛选模块14以及模型构建模块15。
更详细地，该训练数据管理模块11通过该医疗服务机构信息系统通信模块40与医疗服务机构信息系统相连接，以获取授权信息，该训练数据管理模块11在授权后可以进入医疗服务机构信息系统，获取并存储其中的医学检验原始数据和个人信息数据。
该数据标准化模块12对检验数据和个人信息数据进行标准化转换。
该数据观察模块13通过观察性别分布、年龄分布、地理分布、分组分布和化验指标的正态分布、二项分布、指数分布等，为后续建模的算法选择提供依据。
该特征筛选模块14对特征进行筛选。专家筛选特征、缺失率筛选特征、算法筛选特征等功能选项，其中，专家筛选特征被实施为专家基于医疗知识筛选必要的化验指标，缺失率筛选特征被实施为去掉缺失率超过阈值的化验指标，算法筛选特征被实施为通过算法筛选人类尚未明确与疾病相关的化验指标。
该模型构建模块15采用人工智能、机器学习、深度学习等算法，通过交叉验证、超参数调优和分布式框架等多个功能选项，构建速度快、准确率高的模型。
在利用本发明辅助对胰腺癌和胰腺炎进行鉴别的实施例中，通过该训练数据管理模块11，通过该医疗服务机构信息系统通信模块40与医疗服务机构信息系统连接，获取当前的医学检验原始数据和个人信息数据，包括的样本为胰腺癌患者N1人、胰腺炎N2人和健康体检数据N3人。通过整理而成的医学数据库，该数据标准化模块12对化验名称、诊断名称标准化，如化验名称“糖类抗原CA19-9”和“CA199”，标准化为“CA19-9”，诊断名称“中分化导管腺癌”和“腺鳞癌”，标准化为胰腺癌；也要对定性、定量标准化，如化验项CA19-9，采用的仪
器为I2000sr，单位为u/ml，检验结果为<2.00，则可以定性为阴性，对于定量标准化，因为一个化验项经常采用不同的仪器型号，有不同的单位，为了可比性，必须先统一量纲，这里采用z-score标准化。
其中μ＝E(X)为平均值、σ2＝Var(X)为X的概率分布之方差。
然后，该数据观察模块13观察数据的分布，如果年龄分布不满足正态分布，可以通过z-score标准化，将其转为正态分布。
该特征筛选模块14执行特征选择，这里先保留医生认为必要的化验项，如“CA199”，“淀粉酶”等，再去除胰腺炎和胰腺癌缺失率>30％的化验项，最后再通过GBDT(Gradient Boosting Decision Tree，梯度提升决策树)算法，以准确率为评价指标，沿着准确率增加的方向上逐步增加特征，直到最后准确率不再增加或趋于平稳时(变化<0.0001)而停止。设置随机种子，重复GBDT筛选100次，统计出现次数最高的前20个特征。
该模型构建模块14构建胰腺癌鉴别医学数据模型，这里采用GBDT算法，以2018年为时间点，分为训练集和测试集，训练集通过10折交叉验证和超参数调优，以准确率最大化为调优目标，最终交叉验证的最佳准确率为0.85，2018年后测试集的准确率为0.81，胰腺癌的灵敏性为0.98，比CA19-9分析灵敏性0.72高出26个百分点，即漏诊率少了26个百分点。
进一步地，该医学检验分析模型应用装置20包括分析数据管理模块21、模型触发模块22、结果交互模块23以及统计分析模块24。
更详细地，该分析数据管理模块21连接检验信息系统，实时将医学检验数据直接导入到本模块，用于后续分析。
该模型触发模块22包括触发判断模块、自动触发模块和人工触发模块。该触发判断模块判断特征名称、缺失率是否都满足自动触发条件，即检验项目名称与模型特征名称完全一致，并且每个特征都不存在缺失值，如果两个条件同时满足，则自动触发模块会启动自动触发模型；当特征名称、缺失率有任何一个不满足自动触发条件时，人工触发模块会启动医生触发模型，让患者完成检验，再触发模型。
本发明的触发灵活性高，例如检验常规血检数据，只要其中的参数满足一定的化验项就能触发模型。
该结果交互模块23对于检验的医学检验分析模型分析结果，可以智能生成报告，也可以通过接口接入医疗服务机构信息系统或者健康服务机构信息系统。
该统计分析模块24可以进行包括患者编号、疾病类型、报告时间、地理分布、科室类型等的筛选功能，实现统计分析与可视化查看，如表格或图形化查看。该统计分析模块24能够对所有报告进行统计分析，比对历史分析结果，给出预警信息，辅助患者进行健康管理，预防癌症或改善预后。
在利用本发明辅助对胰腺癌和胰腺炎进行鉴别的实施例中，通过该分析数据管理模块21连接检验信息系统，实时将医学检验数据20个特征的结果直接导入到该模型触发模块22，该模型触发模块22检查特征名称、缺失率是否满足自动触发模型的条件，如检验项目名称与模型特征名称完全一致，每个特征不存在缺失值时，直接调用标准化函数，将分析数据标准化，自动触发模型，完成检验数据分析功能；如果检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，则不满足自动触发胰腺癌鉴别医学检验分析模型的条件，该模型触发模块22启动医生触发模型，待完成补全检验数据后，再触发医学检验分析模型，这样，就能增加构建的医学检验分析模型的准确性和灵活性，适应更多更复杂的场景
该结果交互模块23中，分析结果将自动打印出报告，辅助医生诊断；或者连接到LIS(Laboratory Information Management System)系统，输出结果到LIS数据库。该结果交互模块23的设置解除了分析结果的地域限制，实现不同区域不同机构的一体化。
如果外部例如医生或者患者需要查看最近时期例如最近3天已经分析的结果，可以通过该统计分析模块24，进行报告时间筛选。
进一步地，该医学检验分析模型反馈装置30包括误分类样本管理模块31以及模型更新模块32。
更详细地，在一些具体的实施例中，该误分类样本管理模块31对于模型分析与临床判断不一致的样本，由医生诊断后校正，或者自动获取临床判断结果并校正误判样本数据，形成新的样本，校正后的新样本数据可以进入该误分类样本管理模块31和该医学检验分析模型训练装置10的该训练数据管理模块11，以扩大训练的有效样本数，使得训练样本更接近总体样本。
该模型更新模块32对于误分类样本，根据校正后的新样本数据通过调用该医学检验分析模型训练装置10的该模型构建模块15，修正模型，不断提高准确率。
在利用本发明辅助对胰腺癌和胰腺炎进行鉴别的实施例中，对于分析错误的样本，医生手动将该样本存到该误分类样本管理模块31和该医学检验分析模型训练装置10的该训练数据管理模块11，接着，重新调用该模型构建模块15，完成模型修正和更新功能，实现系统的自我学习功能。
在利用本发明辅助对胰腺癌和胰腺炎进行鉴别的实施例中，能够对于早期、小肿瘤、无症状、CA19-9阴性，以及胰体尾部等很难发现的胰腺癌都有很高的检出率，为胰腺癌的筛查提供了新的无创性筛查手段。
本领域的技术人员可以理解的是，已参考根据本发明的方法、系统及计算机程序产品的流程图和/或方框图说明了本发明。流程图和/或方框图中的每个方框，以及流程图和/或方框图中的方框的组合显然可由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、嵌入式处理器或者其他可编程的数据处理设备的处理器，以产生一台机器，从而指令(所述指令通过计算机或者其他可编程数据处理设备的处理器)产生用于实现在流程图和/或方框图的一个或多个方框中规定的功能的装置。
本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离该原理下，本发明的实施方式可以有任何变形或修改。
Claims (41)
1.一种医学检验数据的智能分析方法，其特征在于，所述医学检验数据的智能分析方法包括以下步骤：
医学检验分析模型构建，获取并存储医学检验原始数据和个人信息数据，通过对医学检验原始数据和个人信息数据标准化转换、数据观察以及特征筛选，构建医学检验分析模型；
医学检验分析模型触发，获取医学检验数据，触发医学检验分析模型，输出医学检验分析模型的分析结果；以及
医学检验分析模型反馈，反馈医学检验分析模型的分析结果和人工分析不一致的误分类样本数据，根据获取的校正后的数据对医学检验分析模型进行修正以及更新。
2.如权利要求1所述的医学检验数据的智能分析方法，其中，所述医学检验分析模型构建步骤还包括以下步骤：
连接医疗服务机构信息系统，获取授权信息，以获取并存储医疗服务机构信息系统的医学检验原始数据和个人信息数据；
对医学检验原始数据和个人信息数据进行标准化转换，包括诊断名称标准化步骤、化验名称标准化步骤、定量标准化步骤以及定性标准化步骤；
观察个人信息数据中性别分布、年龄分布、地理分布、分组分布和医学检验数据化验指标的正态分布、二项分布、指数分布；
执行专家筛选特征步骤、缺失率筛选特征步骤以及算法筛选特征步骤；以及
执行人工智能、机器学习、深度学习算法，通过交叉验证、超参数调优和分布式框架，构建医学检验分析模型。
3.如权利要求1所述的医学检验数据的智能分析方法，其中，所述医学检验分析模型触发步骤还包括以下步骤：
连接检验信息系统，实时或离线导入医学检验数据；
根据导入的医学检验数据，基于获取的模型名称，自动触发医学检验分析模型或者补全检验数据后触发医学检验分析模型；以及
将医学检验分析模型的分析结果通过报告形式输出或者传输至医疗服务机构信息系统或健康服务机构信息系统。
4.如权利要求2所述的医学检验数据的智能分析方法，其中，所述医学检验分析模型触发步骤还包括以下步骤：
连接检验信息系统，实时或离线导入医学检验数据；
根据导入的医学检验数据，基于获取的模型名称，自动触发医学检验分析模型或者补全检验数据后触发医学检验分析模型；以及
将医学检验分析模型的分析结果通过报告形式输出或者传输至医疗服务机构信息系统。
5.如权利要求3所述的医学检验数据的智能分析方法，其中，所述医学检验分析模型触发步骤还包括以下步骤：
判断获取的医学检验数据中特征名称、缺失率是否满足自动触发条件；
当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，启动自动触发医学检验分析模型；以及
当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，则不满足自动触发医学检验分析模型的条件，启动人工触发模型，补全检验数据后，重复执行所述判断步骤，直至启动自动触发医学检验分析模型。
6.如权利要求4所述的医学检验数据的智能分析方法，其中，所述医学检验分析模型触发步骤还包括以下步骤：
判断获取的医学检验数据中特征名称、缺失率是否满足自动触发条件；
当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，启动自动触发医学检验分析模型；以及
当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，则不满足自动触发医学检验分析模型的条件，启动人工触发模型，补全检验数据后，重复执行所述判断步骤，直至启动自动触发医学检验分析模型。
7.如权利要求1至6中任一所述的医学检验数据的智能分析方法，其中，所述医学检验分析模型反馈步骤还包括以下步骤：
误判样本检测，检测到模型分析与临床判断不一致的样本，将样本数据发送给人工分析校正，或者自动获取临床判断结果并校正误判样本数据，形成新样本；
误分类样本管理，发送校正后的新样本数据，到所述医学检验分析模型构建步骤，扩大训练样本池，使得训练样本更接近总体样本；
模型更新，基于获取的校正后的新样本数据，重复执行所述医学检验分析模型构建步骤，以更新医学检验分析模型，不断提升模型的准确率；以及
重复执行所述医学检验分析模型触发步骤。
8.如权利要求1至6中任一所述的医学检验数据的智能分析方法，其中，所述医学检验分析模型触发步骤还包括以下步骤：处理医学检验分析模型的分析结果数据，根据数据分类筛选需求执行数据的统计分析，并可视化输出结果。
9.如权利要求7所述的医学检验数据的智能分析方法，其中，所述医学检验分析模型触发步骤还包括以下步骤：处理医学检验分析模型的分析结果数据，根据数据分类筛选需求执行数据的统计分析，并可视化输出结果。
10.如权利要求1至6中任一所述的医学检验数据的智能分析方法，其中，医学检验原始数据选自微生物学、免疫学、生物化学、遗传学、血液学、生物物理学、细胞学的检验数据的一种或几种，个人信息数据选自身高、体重、性别、年龄、住址籍贯、烟酒情况和遗传史的一种或几种。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时执行权利要求1至10中任一所述的医学检验数据的智能分析方法的步骤。
12.一种医学检验数据的智能分析系统，其特征在于，所述医学检验数据的智能分析系统包括：
医学检验分析模型构建子系统，其被配置为获取并存储医学检验原始数据和个人信息数据，通过对医学检验原始数据和个人信息数据标准化转换、数据观察以及特征筛选，构建医学检验分析模型；
医学检验分析模型触发子系统，其被配置为获取医学检验数据，触发医学检验分析模型，输出医学检验分析模型的分析结果；以及
医学检验分析模型反馈子系统，其被配置为反馈医学检验分析模型的分析结果和人工分析不一致的误分类样本数据，根据获取的校正后的数据对医学检验分析模型进行修正以及更新。
13.如权利要求12所述的医学检验数据的智能分析系统，其中，所述医学检验分析模型构建子系统还包括：
训练数据管理单元，其被配置为连接医疗服务机构信息系统，获取授权信息，以获取并存储医疗服务机构信息系统的医学检验原始数据和个人信息数据；
数据标准化单元，其被配置为对医学检验原始数据和个人信息数据进行标准化转换，包括诊断名称标准化、化验名称标准化、定量标准化以及定性标准化；
数据观察单元，其被配置为观察个人信息数据中性别分布、年龄分布、地理分布、分组分布和医学检验数据化验指标的正态分布、二项分布、指数分布；
特征筛选单元，其被配置为执行专家筛选特征、缺失率筛选特征以及算法筛选特征；以及
模型构建单元，其被配置为执行人工智能、机器学习、深度学习算法，通过交叉验证、超参数调优和分布式框架，构建医学检验分析模型。
14.如权利要求12所述的医学检验数据的智能分析系统，其中，所述医学检验分析模型触发子系统还包括：
分析数据管理单元，其被配置为连接检验信息系统，实时或离线导入医学检验数据；
模型触发单元，其被配置为根据导入的医学检验数据，基于获取的模型名称，自动触发医学检验分析模型或者补全检验数据后触发医学检验分析模型；以及
结果交互单元，其被配置为将医学检验分析模型的分析结果通过报告形式输出或者传输至医疗服务机构信息系统或健康服务机构信息系统。
15.如权利要求13所述的医学检验数据的智能分析系统，其中，所述医学检验分析模型触发子系统还包括：
分析数据管理单元，其被配置为连接检验信息系统，实时或离线导入医学检验数据；
模型触发单元，其被配置为根据导入的医学检验数据，基于获取的模型名称，自动触发医学检验分析模型或者补全检验数据后触发医学检验分析模型；以及
结果交互单元，其被配置为将医学检验分析模型的分析结果通过报告形式输出或者传输至医疗服务机构信息系统或健康服务机构信息系统。
16.如权利要求14所述的医学检验数据的智能分析系统，其中，所述模型触发单元还包括：
触发判断单元，其被配置为判断获取的医学检验数据中特征名称、缺失率是否满足自动触发条件；
自动触发单元，其被配置为当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，启动自动触发医学检验分析模型；以及
人工触发单元，其被配置为当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，则不满足自动触发医学检验分析模型的条件，启动人工触发模型，补全检验数据后的数据发送至所述触发判断单元，直至启动自动触发医学检验分析模型。
17.如权利要求15所述的医学检验数据的智能分析系统，其中，所述模型触发单元还包括：
触发判断单元，其被配置为判断获取的医学检验数据中特征名称、缺失率是否满足自动触发条件；
自动触发单元，其被配置为当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，启动自动触发医学检验分析模型；以及
人工触发单元，其被配置为当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，则不满足自动触发医学检验分析模型的条件，启动人工触发模型，补全检验数据后的数据发送至所述触发判断单元，直至启动自动触发医学检验分析模型。
18.如权利要求12至17中任一所述的医学检验数据的智能分析系统，其中，所述医学检验分析模型反馈子系统还包括：
误判样本检测单元，其被配置为检测到模型分析与临床判断不一致的样本，将样本数据发送给人工分析校正，或者自动获取临床判断结果并校正误判样本数据，形成新样本；以及
误分类样本管理单元，其被配置为发送校正后的新样本数据，到所述医学检验分析模型构建子系统，扩大训练样本池，使得训练样本更接近总体样本；以及
模型更新单元，其被配置为基于获取的校正后的新样本数据，重复执行医学检验分析模型构建，以更新医学检验分析模型，不断提升模型的准确率。
19.如权利要求12至17中任一所述的医学检验数据的智能分析系统，其中，所述医学检验分析模型触发子系统还包括：统计分析单元，其被配置为处理医学检验分析模型的分析结果数据，根据数据分类筛选需求执行数据的统计分析，并可视化输出结果。
20.如权利要求18所述的医学检验数据的智能分析系统，其中，所述医学检验分析模型触发子系统还包括：统计分析单元，其被配置为处理医学检验分析模型的分析结果数据，根据数据分类筛选需求执行数据的统计分析，并可视化输出结果。
21.如权利要求12至17中任一所述的医学检验数据的智能分析系统，其中医学检验原始数据选自微生物学、免疫学、生物化学、遗传学、血液学、生物物理学、细胞学的检验数据的一种或几种，个人信息数据选自身高、体重、性别、年龄、住址籍贯、烟酒情况和遗传史的一种或几种。
22.一种医学检验数据的智能分析设备，其特征在于，包括：
存储器，用于存储软件应用程序，
处理器，用于执行所述软件应用程序，所述软件应用程序进一步包括：
医学检验分析模型构建程序，其被配置为获取并存储医学检验原始数据和个人信息数据，通过对医学检验原始数据和个人信息数据标准化转换、数据观察以及特征筛选，构建医学检验分析模型；
医学检验分析模型触发程序，其被配置为获取医学检验数据，触发医学检验分析模型，输出医学检验分析模型的分析结果；以及
医学检验分析模型反馈程序，其被配置为反馈医学检验分析模型的分析结果和人工分析不一致的误分类样本数据，根据获取的校正后的数据对医学检验分析模型进行修正以及更新。
23.如权利要求22所述的医学检验数据的智能分析设备，其中，所述医学检验分析模型构建程序还包括：
训练数据管理程序，其被配置为连接医疗服务机构信息系统，获取授权信息，以获取并存储医疗服务机构信息系统的医学检验原始数据和个人信息数据；
数据标准化程序，其被配置为对医学检验原始数据和个人信息数据进行标准化转换，包括诊断名称标准化、化验名称标准化、定量标准化以及定性标准化；
数据观察程序，其被配置为观察个人信息数据中性别分布、年龄分布、地理分布、分组分布和医学检验数据化验指标的正态分布、二项分布、指数分布；
特征筛选程序，其被配置为执行专家筛选特征、缺失率筛选特征以及算法筛选特征；以及
模型构建执行程序，其被配置为执行人工智能、机器学习、深度学习算法，通过交叉验证、超参数调优和分布式框架，执行医学检验分析模型的构建。
24.如权利要求22所述的医学检验数据的智能分析设备，其中，所述医学检验分析模型触发程序还包括：
分析数据管理程序，其被配置为连接检验信息系统，实时或离线导入医学检验数据；
模型触发程序，其被配置为根据导入的医学检验数据，基于获取的模型名称，自动触发医学检验分析模型或者补全检验数据后触发医学检验分析模型；以及
结果交互程序，其被配置为将医学检验分析模型的分析结果通过报告形式输出或者传输至医疗服务机构信息系统或健康服务机构信息系统。
25.如权利要求23所述的医学检验数据的智能分析设备，其中，所述医学检验分析模型触发程序还包括：
分析数据管理程序，其被配置为连接检验信息系统，实时或离线导入医学检验数据；
模型触发程序，其被配置为根据导入的医学检验数据，基于获取的模型名称，自动触发医学检验分析模型或者补全检验数据后触发医学检验分析模型；以及
结果交互程序，其被配置为将医学检验分析模型的分析结果通过报告形式输出或者传输至医疗服务机构信息系统或健康服务机构信息系统。
26.如权利要求24所述的医学检验数据的智能分析设备，其中，所述模型触发程序还包括：
触发判断程序，其被配置为判断获取的医学检验数据中特征名称、缺失率是否满足自动触发条件；
自动触发程序，其被配置为当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，启动自动触发医学检验分析模型；以及
人工触发程序，其被配置为当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，则不满足自动触发医学检验分析模型的条件，启动人工触发模型，补全检验数据后的数据发送至所述触发判断程序，直至启动自动触发医学检验分析模型。
27.如权利要求25所述的医学检验数据的智能分析设备，其中，所述模型触发程序还包括：
触发判断程序，其被配置为判断获取的医学检验数据中特征名称、缺失率是否满足自动触发条件；
自动触发程序，其被配置为当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，启动自动触发医学检验分析模型；以及
人工触发程序，其被配置为当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，则不满足自动触发医学检验分析模型的条件，启动人工触发模型，补全检验数据后的数据发送至所述触发判断程序，直至启动自动触发医学检验分析模型。
28.如权利要求22至27中任一所述的医学检验数据的智能分析设备，其中，所述医学检验分析模型反馈程序还包括：
误判样本检测程序，其被配置为检测到模型分析与临床判断不一致的样本，将样本数据发送给人工分析校正，或者自动获取临床判断结果并校正误判样本数据，形成新样本；以及
误分类样本管理程序，其被配置为发送校正后的新样本数据，到所述医学检验分析模型构建程序，扩大训练样本池，使得训练样本更接近总体样本；以及
模型更新程序，其被配置为基于获取的校正后的新样本数据，重复执行医学检验分析模型构建，以更新医学检验分析模型，不断提升模型的准确率。
29.如权利要求22至27中任一所述的医学检验数据的智能分析设备，其中，所述医学检验分析模型触发程序还包括：
统计分析程序，其被配置为处理医学检验分析模型的分析结果数据，根据数据分类筛选需求执行数据的统计分析，并可视化输出结果。
30.如权利要求28所述的医学检验数据的智能分析设备，其中，所述医学检验分析模型触发程序还包括：
统计分析程序，其被配置为处理医学检验分析模型的分析结果数据，根据数据分类筛选需求执行数据的统计分析，并可视化输出结果。
31.如权利要求22至27中任一所述的医学检验数据的智能分析设备，其中，医学检验原始数据选自微生物学、免疫学、生物化学、遗传学、血液学、生物物理学、细胞学的检验数据的一种或几种，个人信息数据选自身高、体重、性别、年龄、住址籍贯、烟酒情况和遗传史的一种或几种。
32.一种医学检验数据的智能分析设备，其特征在于，包括医学检验分析模型训练装置、医学检验分析模型应用装置以及医学检验分析模型反馈装置，其中，所述医学检验分析模型训练装置用于获取并存储医学检验原始数据和个人信息数据，通过对医学检验原始数据和个人信息数据标准化转换、数据观察以及特征筛选，构建医学检验分析模型，
所述医学检验分析模型应用装置用于获取实时的医学检验数据，触发医学检验分析模型，输出医学检验分析模型的分析结果，
所述医学检验分析模型反馈装置用于反馈医学检验分析模型的分析结果和人工分析不一致的误分类样本数据，根据获取的校正后的数据对医学检验分析模型进行修正以及更新。
33.如权利要求32所述的医学检验数据的智能分析设备，其中，所述医学检验分析模型训练装置还包括：
训练数据管理模块，用于连接医疗服务机构信息系统，获取授权信息，以获取并存储医疗服务机构信息系统的医学检验原始数据和个人信息数据；
数据标准化模块，用于对医学检验原始数据和个人信息数据进行标准化转换，包括诊断名称标准化、化验名称标准化、定量标准化以及定性标准化；
数据观察模块，用于观察个人信息数据中性别分布、年龄分布、地理分布、分组分布和医学检验数据化验指标的正态分布、二项分布、指数分布；
特征筛选模块，用于执行专家筛选特征、缺失率筛选特征以及算法筛选特征；以及
模型构建模块，用于执行人工智能、机器学习、深度学习算法，通过交叉验证、超参数调优和分布式框架，构建医学检验分析模型。
34.如权利要求32所述的医学检验数据的智能分析设备，其中，所述医学检验分析模型应用装置还包括：
分析数据管理模块，用于连接检验信息系统，实时或离线导入医学检验数据；
模型触发模块，用于根据导入的医学检验数据，基于获取的模型名称，自动触发医学检验分析模型或者补全检验数据后触发医学检验分析模型；以及
结果交互模块，用于将医学检验分析模型的分析结果通过报告形式输出或者传输至医疗服务机构信息系统或健康服务机构信息系统。
35.如权利要求33所述的医学检验数据的智能分析设备，其中，所述医学检验分析模型应用装置还包括：
分析数据管理模块，用于连接检验信息系统，实时或离线导入医学检验数据；
模型触发模块，用于根据导入的医学检验数据，基于获取的模型名称，自动触发医学检验分析模型或者补全检验数据后触发医学检验分析模型；以及
结果交互模块，用于将医学检验分析模型的分析结果通过报告形式输出或者传输至医疗服务机构信息系统或健康服务机构信息系统。
36.如权利要求34所述的医学检验数据的智能分析设备，其中，所述模型触发模块还包括：
触发判断模块，用于判断获取的医学检验数据中特征名称、缺失率是否满足自动触发条件；
自动触发模块，当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，启动自动触发医学检验分析模型；以及
人工触发模块，当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，由于不满足自动触发医学检验分析模型的条件，启动人工触发模型，补全检验数据后的数据由所述人工触发模块发送至所述触发判断模块，直至启动自动触发医学检验分析模型。
37.如权利要求35中所述的医学检验数据的智能分析设备，其中，所述模型触发模块还包括：
触发判断模块，用于判断获取的医学检验数据中特征名称、缺失率是否满足自动触发条件；
自动触发模块，当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，启动自动触发医学检验分析模型；以及
人工触发模块，当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，由于不满足自动触发医学检验分析模型的条件，启动人工触发模型，补全检验数据后的数据由所述人工触发模块发送至所述触发判断模块，直至启动自动触发医学检验分析模型。
38.如权利要求32至37中任一所述的医学检验数据的智能分析设备，其中，所述医学检验分析模型反馈装置还包括：
误判样本检测模块，用于当检测到模型分析与临床判断不一致的样本时，将样本数据发送给人工分析校正，或者自动获取临床判断结果并校正误判样本数据，形成新样本；以及
误分类样本管理模块，用于发送校正后的新样本数据，到所述医学检验分析模型训练装置，扩大训练样本池，使得训练样本更接近总体样本；以及
模型更新模块，用于基于获取的校正后的新样本数据，重复执行医学检验分析模型构建，以更新医学检验分析模型，不断提升模型的准确率。
39.如权利要求32至37中任一所述的医学检验数据的智能分析设备，其中，所述医学检验分析模型触发装置还包括：
统计分析模块，用于处理医学检验分析模型的分析结果数据，根据数据分类筛选需求执行数据的统计分析，并可视化输出结果。
40.如权利要求38所述的医学检验数据的智能分析设备，其中，所述医学检验分析模型触发装置还包括：
统计分析模块，用于处理医学检验分析模型的分析结果数据，根据数据分类筛选需求执行数据的统计分析，并可视化输出结果。
41.如权利要求32至37中任一所述的医学检验数据的智能分析设备，其中，医学检验原始数据选自微生物学、免疫学、生物化学、遗传学、血液学、生物物理学、细胞学的检验数据的一种或几种，个人信息数据选自身高、体重、性别、年龄、住址籍贯、烟酒情况和遗传史的一种或几种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910287933.6A CN110085314A (zh) | 2019-04-11 | 2019-04-11 | 医学检验数据的智能分析方法、系统以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910287933.6A CN110085314A (zh) | 2019-04-11 | 2019-04-11 | 医学检验数据的智能分析方法、系统以及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110085314A true CN110085314A (zh) | 2019-08-02 |
Family
ID=67414699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910287933.6A Pending CN110085314A (zh) | 2019-04-11 | 2019-04-11 | 医学检验数据的智能分析方法、系统以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110085314A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111276254A (zh) * | 2020-01-13 | 2020-06-12 | 印迹信息科技（北京）有限公司 | 医疗开放平台系统及诊疗数据处理方法 |
| CN111798439A (zh) * | 2020-07-11 | 2020-10-20 | 大连东软教育科技集团有限公司 | 线上线下融合的医疗影像质量判读方法、系统及存储介质 |
| CN112434511A (zh) * | 2020-12-15 | 2021-03-02 | 杭州依图医疗技术有限公司 | 医学数据的处理方法、装置及存储介质 |
| CN112435753A (zh) * | 2019-08-26 | 2021-03-02 | 豪夫迈·罗氏有限公司 | 医疗数据的自动验证 |
| CN113034324A (zh) * | 2021-04-26 | 2021-06-25 | 杭州翔毅科技有限公司 | 一种基于人工智能的民生公共服务平台 |
| CN113380407A (zh) * | 2021-05-30 | 2021-09-10 | 重庆医科大学 | 构建认知障碍智能预测方法 |
| WO2022193408A1 (zh) * | 2021-03-17 | 2022-09-22 | 中奥智能工业研究院(南京)有限公司 | 一种数据自动分析与建模流程 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101779986A (zh) * | 2009-01-16 | 2010-07-21 | 张学海 | 数字化医学诊断集成系统 |
| US20110029250A1 (en) * | 2005-06-17 | 2011-02-03 | Venture Gain LLC | Non-Parametric Modeling Apparatus and Method for Classification, Especially of Activity State |
| CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
| CN106874693A (zh) * | 2017-03-15 | 2017-06-20 | 国信优易数据有限公司 | 一种医疗大数据分析处理系统及方法 |
| CN107506602A (zh) * | 2017-09-07 | 2017-12-22 | 北京海融兴通信息安全技术有限公司 | 一种大数据健康预测系统 |
| CN108615560A (zh) * | 2018-03-19 | 2018-10-02 | 安徽锐欧赛智能科技有限公司 | 一种基于数据挖掘的临床医疗数据分析方法 |
| CN109411062A (zh) * | 2018-09-30 | 2019-03-01 | 天津科技大学 | 一种基于深度学习技术利用生理参数自动判断糖尿病及其并发症的方法 |
| CN109585001A (zh) * | 2017-09-29 | 2019-04-05 | 北京搜狗科技发展有限公司 | 一种数据分析方法、装置、电子设备和存储介质 |
-
2019
- 2019-04-11 CN CN201910287933.6A patent/CN110085314A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110029250A1 (en) * | 2005-06-17 | 2011-02-03 | Venture Gain LLC | Non-Parametric Modeling Apparatus and Method for Classification, Especially of Activity State |
| CN101779986A (zh) * | 2009-01-16 | 2010-07-21 | 张学海 | 数字化医学诊断集成系统 |
| CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
| CN106874693A (zh) * | 2017-03-15 | 2017-06-20 | 国信优易数据有限公司 | 一种医疗大数据分析处理系统及方法 |
| CN107506602A (zh) * | 2017-09-07 | 2017-12-22 | 北京海融兴通信息安全技术有限公司 | 一种大数据健康预测系统 |
| CN109585001A (zh) * | 2017-09-29 | 2019-04-05 | 北京搜狗科技发展有限公司 | 一种数据分析方法、装置、电子设备和存储介质 |
| CN108615560A (zh) * | 2018-03-19 | 2018-10-02 | 安徽锐欧赛智能科技有限公司 | 一种基于数据挖掘的临床医疗数据分析方法 |
| CN109411062A (zh) * | 2018-09-30 | 2019-03-01 | 天津科技大学 | 一种基于深度学习技术利用生理参数自动判断糖尿病及其并发症的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘杰: "基于数据挖掘的检验医学辅助系统的设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112435753A (zh) * | 2019-08-26 | 2021-03-02 | 豪夫迈·罗氏有限公司 | 医疗数据的自动验证 |
| EP3786966A1 (en) * | 2019-08-26 | 2021-03-03 | F. Hoffmann-La Roche AG | Automated validation of medical data |
| CN111276254A (zh) * | 2020-01-13 | 2020-06-12 | 印迹信息科技（北京）有限公司 | 医疗开放平台系统及诊疗数据处理方法 |
| CN111798439A (zh) * | 2020-07-11 | 2020-10-20 | 大连东软教育科技集团有限公司 | 线上线下融合的医疗影像质量判读方法、系统及存储介质 |
| CN112434511A (zh) * | 2020-12-15 | 2021-03-02 | 杭州依图医疗技术有限公司 | 医学数据的处理方法、装置及存储介质 |
| WO2022193408A1 (zh) * | 2021-03-17 | 2022-09-22 | 中奥智能工业研究院(南京)有限公司 | 一种数据自动分析与建模流程 |
| CN113034324A (zh) * | 2021-04-26 | 2021-06-25 | 杭州翔毅科技有限公司 | 一种基于人工智能的民生公共服务平台 |
| CN113380407A (zh) * | 2021-05-30 | 2021-09-10 | 重庆医科大学 | 构建认知障碍智能预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110085314A (zh) | 医学检验数据的智能分析方法、系统以及设备 | |
| Alsuliman et al. | Machine learning and artificial intelligence in the service of medicine: Necessity or potentiality? | |
| Chang et al. | Pima Indians diabetes mellitus classification based on machine learning (ML) algorithms | |
| US7899764B2 (en) | Medical ontologies for machine learning and decision support | |
| CN113892148A (zh) | 用于计算病理学的可解释的AI（xAI）平台 | |
| JP7304960B2 (ja) | 健康情報に基づく予後スコア | |
| Gharehchopogh et al. | Neural network application in diagnosis of patient: a case study | |
| WO2019103908A1 (en) | Automated information collection and processing of clinical data | |
| US20220084633A1 (en) | Systems and methods for automatically identifying a candidate patient for enrollment in a clinical trial | |
| CN109411062A (zh) | 一种基于深度学习技术利用生理参数自动判断糖尿病及其并发症的方法 | |
| CN112786203A (zh) | 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 | |
| CN106228000A (zh) | 过度医疗检测系统及方法 | |
| Benhar et al. | A systematic mapping study of data preparation in heart disease knowledge discovery | |
| CN114003734A (zh) | 乳腺癌风险因素知识体系模型、知识图谱系统及构建方法 | |
| CN115050442B (zh) | 基于挖掘聚类算法的病种数据上报方法、装置及存储介质 | |
| 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 | |
| CN112270988A (zh) | 一种罕见病辅助诊断的方法及系统 | |
| Muthukumarasamy et al. | Machine learning in healthcare diagnosis | |
| Gaspar et al. | A systematic review of outliers detection techniques in medical data-preliminary study | |
| Mandava | MDensNet201-IDRSRNet: Efficient cardiovascular disease prediction system using hybrid deep learning | |
| Navaz et al. | The use of data mining techniques to predict mortality and length of stay in an ICU | |
| TWI554969B (zh) | 具可擴充性之醫療資料收集系統及其方法 | |
| Ambhaikar | A survey on health care and expert system | |
| Tasdelen et al. | Artificial Intelligence Research on COVID-19 Pandemic: A Bibliometric Analysis | |
| GB2548627A (en) | A system and a method for assessing patient treatment risk using open data and clinician input |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201021 Address after: 571924 5001, 2nd floor, building A17, Hainan Ecological Software Park, hi tech industry demonstration zone, old town, Chengmai County, Hainan Province Applicant after: Hainan Yiyi Information Technology Co., Ltd Address before: Room 408, 4th floor, No. 76 and No. 78, Jiangchang No. 3 Road, Jing'an District, Shanghai, 2006 Applicant before: SHANGHAI YIYI INFORMATION TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190802 |
|
| RJ01 | Rejection of invention patent application after publication |