CN110827988B - 一种基于移动终端进行医学数据研究的控制方法 - Google Patents

一种基于移动终端进行医学数据研究的控制方法 Download PDF

Info

Publication number
CN110827988B
CN110827988B CN201810952335.1A CN201810952335A CN110827988B CN 110827988 B CN110827988 B CN 110827988B CN 201810952335 A CN201810952335 A CN 201810952335A CN 110827988 B CN110827988 B CN 110827988B
Authority
CN
China
Prior art keywords
data
terminal
terminals
research
evaluation
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
Application number
CN201810952335.1A
Other languages
English (en)
Other versions
CN110827988A (zh
Inventor
姚娟娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Mingping Medical Data Technology Co ltd
Original Assignee
Shanghai Mingping Medical Data Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Mingping Medical Data Technology Co ltd filed Critical Shanghai Mingping Medical Data Technology Co ltd
Priority to CN201810952335.1A priority Critical patent/CN110827988B/zh
Publication of CN110827988A publication Critical patent/CN110827988A/zh
Application granted granted Critical
Publication of CN110827988B publication Critical patent/CN110827988B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H50/70—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (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

本发明提供了一种基于移动终端进行医学数据研究的控制方法，其用于从多个移动终端采集医学数据并用于医学研究，包括：a.对不同的移动终端配置不同的角色生成多个角色终端；b.多个所述角色终端彼此交互生成多个行为记录数据并向后台系统传输；c.所述后台系统基于多个所述行为记录数据从多个所述角色终端中选定锚定终端；d.所述后台系统基于所述锚定终端的角色向所述锚定终端发出研究模型，所述锚定终端基于所述研究模型与多个所述角色终端再次交互并生成研究数据，所述研究数据用于医学研究。本发明通过为不同移动终端配置角色，并根据角色的不同运用不同的研究模型进行医学研究的方法。

Description

一种基于移动终端进行医学数据研究的控制方法
技术领域
本发明涉及大数据处理领域，尤其是医学大数据的处理方法，具体地涉及一种基于移动终端进行医学数据研究的控制方法。
背景技术
随着大数据时代的到来，各种不同类型的数据被搜集和处理，医学数据作为最为特殊的一种数据，其所包含的变量众多，包括患者数据、医生数据、疾病数据、症状数据、检验数据、诊断数据、治疗数据、药物数据等等。从医学活动本身出发，其最大的区别点在于，医学行为之间存在着清晰的逻辑关系，因此医学数据之间也就存在着清晰的语义关系，同时，医学数据通常是由医生或者患者输入或者生成的，这些数据间的语义关系能够反应医生的决策和对应的治疗方法与疾病发展情况之间的相互关系。
从医学数据的产生渠道来看，医学数据主要可分为医生端数据和患者端数据，医生端数据包括门急诊记录、住院记录、影像记录、实验室记录、用药记录、手术记录、随访记录等，患者端数据包括个人生活习惯、生活环境、家庭遗传、家庭环境等。从数据的组成结构来看，医学数据可分为：(1)检查手段产生的测量数值，如体温、血压、血氧饱和度、化验值等；(2)仪器记录的信号，如心电图、脑电图等；(3)医学影像设备生成的图像，如X线图像、CT图像和MRI图像等；(4)文本形式呈现的报告结果，例如医生结合自身医学知识给出的针对测量数值、信号、图像的解释和医生做出的病理诊断等；(5)叙述性的数据，如医生记录的主诉(患者口述的病情)、病人的病历；(6) 元数据文本，例如关于器官、药物、疾病以及治疗方法的知识、医疗设备的参数等； (7)社会特征，例如医院的机构信息、医生和患者的个人信息等。这些不同种类的医学数据虽然数据结构和包含的语义各不相同，但它们能够相互印证相互补充，都从特定的角度表达了医学信息的内容和特点，构成了多样且互补的数据集合。
当医生进行医学知识学习或者需要作出诊断决策时，如果能够建设一种规范化的数据库，这样的数据库能够方便医生快速的作出决策，这样的数据库具有十分重要的借鉴价值和指导意义。现有技术中对数据的处理，大都集中于对普通百姓生活行为信息数据的数据，其通常采用的方式就是加权融合，但这样的方法显然无法应用于医学数据的处理。
随着技术的发展，医学数据的处理也开始被研究，但专门针对医学数据的处理目前还是面向特定类型的医学数据进行综合处理并建成数据库，这样孤立类型的数据库对医生而言，其参考性不强，医生在实际应用这样的数据库时，仍然需要耗费大量的人工，将不同类型的数据库整合，进而为实际工作做指导。
进一步地，在形成符合条件的数据库后，如何基于数据库开展医学研究则是医学界的最终目的。
发明内容
本发明技术方案所解决的技术问题为，如何为医生提供一种基于移动终端的，利用综合性的、有强逻辑关系的数据库开展医学研究的控制方法，医学数据组成的数据库是采用分布式存储的，方便医生根据具体的工作随时应用。
为了解决上述技术问题，本发明技术方案提供了一种基于移动终端进行医学数据研究的控制方法，其用于从多个移动终端采集医学数据并用于医学研究，包括：
a.对不同的移动终端配置不同的角色生成多个角色终端；
b.多个所述角色终端彼此交互生成多个行为记录数据并向后台系统传输；
c.所述后台系统基于多个所述行为记录数据从多个所述角色终端中选定锚定终端；
d.所述后台系统基于所述锚定终端的角色向所述锚定终端发出研究模型，所述锚定终端基于所述研究模型与多个所述角色终端再次交互并生成研究数据，所述研究数据用于医学研究。
优选地，所述步骤c包括如下步骤：
c1.所述后台系统获取每个所述行为记录数据生成的时间戳；
c2.基于多个所述时间戳将最早生成的所述行为记录数据定义为锚定数据；
c3.将生成所述锚定数据的全部角色终端中最早发出交互请求的角色终端确定为锚定终端。
优选地，多个所述角色终端包括医生终端、百姓终端以及机构终端，相应地，所述研究模型为医生模型、百姓模型以及机构模型的任一种：
若所述锚定终端的角色为医生终端，则所述研究模型对应为医生模型，所述医生模型的交互流程为：所述锚定终端首先与百姓终端交互之后，再与所述机构终端交互，所述百姓终端与所述机构终端不发生交互；或者
若所述锚定终端的角色为百姓终端，则所述研究模型对应为百姓模型，所述百姓模型的交互流程为：所述锚定终端首先与医生终端交互，之后所述医生终端再与所述机构终端交互；或者
若所述锚定终端的角色为机构终端，则所述研究模型对应为机构模型，所述机构模型的交互流程为：所述锚定终端首先与所述医生终端和所述百姓终端交互，之后所述百姓终端再与所述医生终端交互，之后所述医生终端再与所述机构终端交互。
优选地，所述步骤d之后执行如下步骤：
e.采集来自于多个锚定终端的多个研究数据；
f.基于数据模型对多个所述研究数据进行处理并输出多个关键因子，所述数据模型基于多个关键变量构建，多个所述关键变量存在语义关系；
g.读取源终端的特征医学数据并基于所述关键因子对所述特征医学数据处理得到映射数据，所述映射数据在与所述特征医学数据对应的所述源终端存储。
优选地，所述步骤f包括如下步骤：
f1.定义所述数据模型
Figure GDA0003725832360000031
其中，M表示多个所述关键变量组成的变量集，M＝{m1，m2，…mn}；R表示多个所述关键变量之间的语义关系集，R＝{r1， r2，…rn}；
Figure GDA0003725832360000032
表示所述关键变量之间的语义关系对应的关联函数，
Figure GDA0003725832360000033
r i∈R，<mq，mp>∈M×M，mq表示起点变量，mp表示终点变量；
f2.定义多个所述研究数据组成的数据集D＝d1，d2，…dn，若mi＝mod(di)，其中， mi∈M，di∈D；则di即为所述关键因子。
优选地，所述步骤f1之后执行如下步骤：
f11.构建多变量索引图；
f12.基于所述多变量索引图对所述变量集M执行融合步骤。
优选地，所述步骤f12之后执行如下步骤：
f13.基于所述多变量索引图对所述语义关系集R执行融合步骤。
优选地，所述步骤f11包括如下步骤：
i1.逐一提取每个所述关键变量的特征并基于所述特征逐一建立单变量索引；
i2.基于多个关键变量之间的语义关系建立多个所述单变量索引之间的语义关系对应的边；
i3.两两挖掘存在语义关系的多个所述单变量索引之间的关联规则，建立多个关联规则对应的边；
i4.构建所述多变量索引图
Figure GDA0003725832360000041
其中，V(Gc)是全部所述关键变量对应的全部所述特征的集合，E(Gc)是全部所述语义关系对应的边以及全部所述关联规则对应的边的集合，
Figure GDA0003725832360000042
是所述单变量索引之间的关联规则对应的函数。
优选地，所述步骤i2包括如下步骤：
i21.若两个所述关键变量存在语义关系，则判定两个所述关键变量对应的两个所述单变量索引存在语义关系；
i22.逐一联通存在的语义关系的两个所述单变量索引。
优选地，所述步骤i3中，所述关联规则通过如下步骤挖掘：
i31.基于存在语义关系的多个所述关键变量对应的多个所述特征构建多个特征链
Figure GDA0003725832360000043
， 所述特征链
Figure GDA0003725832360000044
满足：
Figure GDA0003725832360000045
m≠n，m≤n，i≠j，i≤m，j≤n， |i-j|≥3，每个所述特征链所包含的任意相邻的两个特征均具有语义关系，其中，
Figure GDA0003725832360000046
为起点特征，
Figure GDA0003725832360000047
为终点特征，C是指包括全部所述特征的特征集；
i32.计算多个特征链
Figure GDA0003725832360000048
中每个特征链的概率和条件概率，定义最小概率为最小支持度，定义最小条件概率为最小置信度；
i33.若蕴含式
Figure GDA0003725832360000051
同时满足所述最小支持度和所述最小置信度，则所述蕴含式
Figure GDA0003725832360000052
为基于
Figure GDA0003725832360000053
建立的单变量索引和基于
Figure GDA0003725832360000054
建立的单变量索引的关联规则。
优选地，所述步骤f12包括如下步骤：
f121.基于所述多变量索引图
Figure GDA0003725832360000055
建立不同变量对应的独立特征集合C′P，所述独立特征集合C′P满足如下条件：不存在e∈E(Gc)使得
Figure GDA0003725832360000056
其中，Ci∈C′P，type(e)＝0，Cj∈V(Gc)；
f122.根据如下公式计算变量mp的变量融合权重wp，
Figure GDA0003725832360000057
其中，mp∈M， x表示所述独立特征集合C′P包含的特征的数量；
f123.基于所述变量融合权重对所述变量集M执行融合步骤。
优选地，所述步骤f13之后执行如下步骤：
f14.获取全部与mp存在语义关系的关联变量集合M′，所述变量集合M′满足如下条件：对于任意mi∈M′，都存在rpi∈R，使得
Figure GDA0003725832360000058
或者
Figure GDA0003725832360000059
Figure GDA00037258323600000510
其中，M′∈M，rpi是mp对应的语义关系，所述变量集合M′中的变量对应的融合权重为wi；
f15.根据下述公式计算语义关系rpi的语义关系融合权重
Figure GDA00037258323600000511
Figure GDA00037258323600000512
其中，y表示关联变量集合M′包含的变量数量；
f16.基于所述语义关系融合权重对所述语义关系集R执行融合步骤。
优选地，所述变量集M中全部关键变量的顺序被随机重新排列。
优选地，所述步骤g之后执行如下步骤：
h.所述步骤g的映射数据进入第一媒介终端；
i.所述第一媒介终端判断所述映射数据与所述关键因子是否相关联，若所述映射数据与所述关键因子并无关联，则所述第一媒介终端和源终端发生交互并生成交互数据。
优选地，所述步骤i之后执行如下步骤：
j.所述第一媒介终端将所述交互数据推送至第一评价终端，所述源终端归属于第一群组，所述第一媒介终端归属于第二群组，所述第一评价终端归属于第三群组，且所述第一群组、第二群组以及第三群组的优先级依次递增；
k.若所述第一评价终端对所述交互数据执行+1操作，则所述交互数据被同时推送至所述第三群组中的多个评价终端，且多个评价终端彼此产生交互；或者
若所述第一评价终端对所述交互数据未执行任何操作，则所述交互数据被推送至源终端；或者
若所述第一评价终端对所述交互数据执行-1操作，则所述交互数据被推送至所述第二群组中的多个媒介终端，且多个所述媒介终端彼此产生交互。
优选地，所述步骤k中，若所述第一评价终端对所述交互数据执行+1操作，则包括如下步骤：
k1.所述交互数据被同时推送至所述第三群组中的多个评价终端，且多个所述评价终端同时读取所述特征医学数据以及所述关键因子；
k2.多个所述评价终端基于所述关键因子对所述特征医学数据分别处理得到多个修正数据并推送至所述第一媒介终端；
k3.所述第一媒介终端基于多个所述修正数据以及所述映射数据生成修正映射数据并推送至所述特征医学数据对应的所述源终端并存储。
优选地，所述步骤k3之后执行如下步骤：
k4.所述源终端向所述第一媒介终端以及多个所述评价终端发送确认请求；
k5.若所述第一媒介终端以及多个所述评价终端对所述确认请求全部发出反馈信号，则所述源终端删除所述映射数据。
优选地，所述步骤k中，若所述评价终端对所述交互数据执行-1操作，则包括如下步骤：
k4.所述交互数据被同时推送至所述第二群组中的多个媒介终端，且多个所述媒介终端同时读取所述特征医学数据；
k5.多个所述媒介终端基于所述特征医学数据共同选定第二评价终端并推送所述交互数据，所述第二评价终端归属于第三群组。
优选地，所述步骤k5之后执行如下步骤：
k6.所述第二评价终端基于所述特征医学数据生成修正映射数据并推送至所述特征医学数据对应的所述源终端并存储。
优选地，所述步骤k5之后执行如下步骤：
k7.所述第二评价终端向审定终端推送所述特征医学数据、所述交互数据以及所述映射数据，所述审定终端基于所述特征医学数据、所述交互数据以及所述映射数据生成定向导流数据并推送至所述特征医学数据对应的所述源终端并存储，所述定向导流数据包括诊断信息、医院信息以及医生信息。
优选地，所述步骤k之后执行如下步骤：
l.采集所述源终端对应的所述研究数据；
m.基于所述数据模型从所述源终端对应的所述研究数据中筛选出至少一个修正因子，所述修正因子与所述关键因子具有相同的数据结构；
基于所述修正因子对所述关键因子执行修正步骤。
本发明技术方案的有益效果至少包括：
本发明通过为不同移动终端配置角色，并根据角色的不同运用不同的研究模型进行医学研究的方法。
本发明通过特定的算法生成关键因子，为医学大数据的规范化处理提供依据。
本发明技术方案通过引入关键因子，将复杂的、不同类型的医学数据进行处理，并生成映射数据，让每个映射数据包含有基于关键因子生成的结构化特征，让医学大数据的分布式整理和存储成为可能。
本发明技术方案还通过引入媒介终端、评价终端并划分群组，通过媒介终端和评价终端之间的交互修正映射数据，同时还可以修正关键因子。
本发明技术方案还通过引入审定终端，其用于将具有疑难的数据推送至源终端，为后续的人工修复数据做好准备。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其他特征、目的和优点将会变得更明显：
图1为本发明的具体实施方式的，一种基于移动终端进行医学数据研究的流程图；
图2为本发明的第一实施例的，一种基于移动终端进行医学数据研究的流程图；
图3为本发明的第二实施例的，一种基于移动终端进行医学数据研究的流程图；
图4为本发明的第三实施例的，一种关键因子的生成流程图；
图5为本发明的第四实施例的，又一种关键因子的生成流程图；
图6为本发明的第五实施例的，又一种关键因子的生成流程图；
图7为本发明的第六实施例的，又一种基于移动终端进行医学数据研究的流程图；
图8为本发明的第七实施例的，又一种基于移动终端进行医学数据研究的流程图；
图9为本发明的一个实施例的，多个评价终端的交互方式的流程图；以及
图10本发明的第九实施例的，又一种基于移动终端进行医学数据研究的流程图；以及
图11本发明的第十实施例的，又一种基于移动终端进行医学数据研究的流程图。
具体实施方式
为了更好的使本发明的技术方案清晰的表示出来，下面结合附图对本发明作进一步说明。
图1示出了本发明的具体实施方式的，一种基于移动终端进行医学数据研究的流程图，其用于从多个移动终端采集医学数据并用于医学研究，包括如下步骤：
首先执行步骤S101，对不同的移动终端配置不同的角色生成多个角色终端。本领域技术人员理解，所述移动终端可以理解为一种终端设备，其可以通过人工输入或者与不同的检测设备连接采集数据。例如，可以是手机或者平板电脑，通过人工输入或者拍照自动识别的方式录入数据，又例如，可以是与体征传感器或者医疗检测装置共同数据的计算机，通过开放端口实时采集数据。具体地，为所述移动终端配置角色的方式有多种，例如，可以通过系统自动识别的方式配置，即，所述移动终端在后台系统注册时，其登记的注册资料中已经包含识别其身份的特征，后台系统基于特征为其配置相应的角色，又例如，所述移动终端还可以主动申请某个角色，然后由后台系统予以认证，又例如，所述移动终端还可以直接为自己定义某种角色，而无需后台系统审核。更为具体地，不同的角色终端在实际的应用中拥有不同的权限，或者，其不同的角色终端进入的页面也是不同的，进而导致不同的角色终端在交互的过程中所能够发送的数据或者发出的请求指令也是不同的。
进一步地，执行步骤S102，多个所述角色终端彼此交互生成多个行为记录数据并向后台系统传输。具体地，不同的角色终端根据其所拥有的权限、所能看到的页面或者所能发出的请求指令的不同彼此交互生成数据。更为具体地，每个所述角色终端所发出的任何请求、指令以及其回应其它角色终端的命令、字符串等，均被后台系统所记录，也就对应生成了行为记录数据。优选地，为了保证数据库的精简、准确性，所述行为记录数据只包括所述角色终端的角色数据、每个行为的时间戳以及每个行为的属性，每个行为的属性是指用于判定所述角色终端的行为是主动发起的请求行为，还是指回应性的响应行为。
进一步地，执行步骤S103，所述后台系统基于多个所述行为记录数据从多个所述角色终端中选定锚定终端。具体地，所述锚定终端一定是参与过交互的角色终端中选出，即，所述移动终端被后台系统赋予了某种角色后，其在参与数据交互后，还可能会被选定为锚定终端。更为具体地，选定锚定终端的方式通常是通过设定固定的参数模型的方式来实现，只要符合相应的参数模型，即可以被选定为锚定终端。
进一步地，执行步骤S104，所述后台系统基于所述锚定终端的角色向所述锚定终端发出研究模型，所述锚定终端基于所述研究模型与多个所述角色终端再次交互并生成研究数据，所述研究数据用于医学研究。本领域技术人员理解，本具体实施方式包含两大步骤，步骤S101至步骤S103的目的在于确定锚定终端，而本步骤的目的在于确定锚定终端后，由锚定终端发起相应的医学数据研究，而相应的医学数据研究的逻辑步骤则根据锚定终端的角色的不同而不同。具体地，拥有不同角色的锚定终端，其发起的研究模型也是不同的，相应的交互流程也是不同，进而生成研究数据也是不同的，用于满足不同的研究目的。
在一个优选地实施例中，多个所述角色终端包括医生终端、百姓终端以及机构终端，相应地，所述研究模型为医生模型、百姓模型以及机构模型的任一种：
若所述锚定终端的角色为医生终端，则所述研究模型对应为医生模型，所述医生模型的交互流程为：所述锚定终端首先与百姓终端交互之后，再与所述机构终端交互，所述百姓终端与所述机构终端不发生交互；
若所述锚定终端的角色为百姓终端，则所述研究模型对应为百姓模型，所述百姓模型的交互流程为：所述锚定终端首先与医生终端交互，之后所述医生终端再与所述机构终端交互；
若所述锚定终端的角色为机构终端，则所述研究模型对应为机构模型，所述机构模型的交互流程为：所述锚定终端首先与所述医生终端和所述百姓终端交互，之后所述百姓终端再与所述医生终端交互，之后所述医生终端再与所述机构终端交互；
综上，本优选实施例中，当锚定终端为医生终端和百姓终端时，百姓终端与机构终端是不发生交互的；而当锚定终端为机构终端时，则无此限定。本领域技术人员理解，当锚定终端为医生时，其发出的请求或者回应内容通常为专业内容，而且其调用的数据库也是不同的，为此，应避免百姓终端与机构终端直接发生交互；而当锚定终端为百姓终端时，其发起交互的目的也是为了获得更为专业的交互内容，因此也应当避免；而当锚定终端为机构终端时，其发起交互的目的通常是商业内容，相应地也就不做限制。
作为本发明的第一实施例，图2示出了一种基于移动终端进行医学数据研究的流程图，包括如下步骤：
首先执行步骤S201，对不同的移动终端配置不同的角色生成多个角色终端。具体地，本步骤可以结合步骤S101予以理解。
进一步地，执行步骤S202，多个所述角色终端彼此交互生成多个行为记录数据并向后台系统传输。具体地，本步骤可以结合步骤S102予以理解。
进一步地，执行步骤S203，所述后台系统获取每个所述行为记录数据生成的时间戳。
进一步地，执行步骤S204，基于多个所述时间戳将最早生成的所述行为记录数据定义为锚定数据；
进一步地，执行步骤S205，将生成所述锚定数据的全部角色终端中最早发出交互请求的角色终端确定为锚定终端。
进一步地，结合步骤S203至步骤S205的描述，确定所述锚定终端的原则遵循两个最早原则，首先，将最早生成的行为记录数据所涉及的角色终端划入筛选范围，本领域技术人员理解，行为记录数据并未一个角色终端所能够生成，其是通过多个角色终端彼此交互予以生成，因此，涉及多个角色终端，在此基础上，在通过步骤S205确定该行为记录数据(也就是锚定数据)涉及的多个角色终端中，哪一个是最早发起请求的一方，也就是说，哪一个角色终端是发起该次交互的终端，就可以作为锚定终端。
进一步地，执行步骤S206，所述后台系统基于所述锚定终端的角色向所述锚定终端发出研究模型，所述锚定终端基于所述研究模型与多个所述角色终端再次交互并生成研究数据，所述研究数据用于医学研究。具体地，本步骤可以结合步骤S104予以理解。
作为本发明的第二实施例，图3示出了一种基于移动终端进行医学数据研究的流程图，包括如下步骤：
首先执行步骤S301，对不同的移动终端配置不同的角色生成多个角色终端。具体地，本步骤可以结合步骤S101予以理解。
进一步地，执行步骤S302，多个所述角色终端彼此交互生成多个行为记录数据并向后台系统传输。具体地，本步骤可以结合步骤S102予以理解。
进一步地，执行步骤S303，所述后台系统基于多个所述行为记录数据从多个所述角色终端中选定锚定终端。具体地，本步骤可以结合步骤S103予以理解。
进一步地，执行步骤S304，所述后台系统基于所述锚定终端的角色向所述锚定终端发出研究模型，所述锚定终端基于所述研究模型与多个所述角色终端再次交互并生成研究数据，所述研究数据用于医学研究。具体地，本步骤可以结合步骤S104予以理解。
进一步地，执行步骤S305，采集来自于多个锚定终端的多个研究数据。具体地，所述研究数据是与个体相关联的数据，可以从多个维度进行理解：从医学数据的产生渠道来看，所述研究数据主要可分为医生端数据和患者端数据，医生端数据包括门急诊记录、住院记录、影像记录、实验室记录、用药记录、手术记录、随访记录等，患者端数据包括个人生活习惯、生活环境、家庭遗传、家庭环境等。从研究数据的组成结构来看，研究数据可分为：(1)检查手段产生的测量数值，如体温、血压、血氧饱和度、化验值等；(2)仪器记录的信号，如心电图、脑电图等；(3)医学影像设备生成的图像，如X线图像、CT图像和MRI图像等；(4)文本形式呈现的报告结果，例如医生结合自身医学知识给出的针对测量数值、信号、图像的解释和医生做出的病理诊断等； (5)叙述性的数据，如医生记录的主诉(患者口述的病情)、病人的病历；(6)元数据文本，例如关于器官、药物、疾病以及治疗方法的知识、医疗设备的参数等；(7)社会特征，例如医院的机构信息、医生和患者的个人信息等。这些不同种类的研究数据虽然结构和包含的语义各不相同，但它们能够相互印证相互补充，都从特定的角度表达了医学信息的内容和特点，构成了多样且互补的数据集合。
进一步地，执行步骤S306，基于数据模型对多个所述研究数据进行处理并输出多个关键因子，所述数据模型基于多个关键变量构建，多个所述关键变量存在语义关系。具体地，所述关键变量可以人为定义，也可以根据现有的公开数据库推导得出，优选地，所述关键变量是以疾病种类为标准，综合考虑每种疾病相关的多维度类型数据得出，例如，以高血压为例，可以将性别、年龄、血压值、饮食结构、家族遗传、运动量等多种类型数据定义为关键变量，相应地，其它类型的疾病也可以按照类似方式得出。更为具体地，用于定义所述关键变量的数据类型也是多样的，可以包括纯数字的数据(如体检结果、体征参数)、波形信号(如心电信号、脑电信号等)、图像(如MRI、 CT等医学仪器生成的图像)、文字(如病人的信息、症状描述、诊断结果的文字描述) 等。
本领域技术人员理解，对于医学行业的关键变量而言，其通常是以某个患者为单元，围绕该患者生成一系列变量，或者，也可以是以某项研究或者某类疾病为单元，生成一系列变量，因此，与医学有关的关键变量是存在语义关系的，这不同于通常的生活领域大数据。具体地，多个关键变量可以根据常用的SVM、BP神经网络、决策树等方法对医学数据进行分类处理得到，所述数据模型优选地根据疾病种类的不同基于关键变量设定，所述数据模型可以理解为逻辑数据模型，其可以作为具体的数据库管理系统所支持的数据模型，主要有网状数据模型、层次数据模型和关系数据模型三种类型。该数据模型既要面向用户，又要面向系统，主要用于数据库管理系统的实现。在数据库中用数据模型来抽象、表示和处理现实世界中的数据和信息，主要是研究数据的逻辑结构。
进一步地，所述关键因子基于所述研究数据的处理原理也是按照医学逻辑的予以进行处理的，例如，所述研究数据被解析后包括多个不同的语义，相应地，所述关键因子从多个语义的相互关系中得到逻辑关系中不可或缺的若干节点，基于若干节点即可得到关键因子。例如，患者张三在宁夏的银川市的某个医院就诊后形成了一系列的研究数据，包括年龄、性别、生活地点、饮食结构、服用的药物、症状、化检指标、影像资料、疾病、就诊医生等，相应地，年龄、症状、化检指标、影像资料即作为多个节点，选定与张三具有相同疾病的其它用户的研究数据即可统计得到多个节点的数据值，根据多个节点的数据值计算得出关键因子；作为一种变化，还可以选择与张三具有相同就诊医生的其它的研究数据即可统计得到多个节点的数据值，根据多个节点的数据值计算得出关键因子；作为又一种变化，还可以增加饮食、服用药物作为节点，扩大关键因子的范围。
进一步地，执行步骤S307，读取源终端的特征医学数据并基于所述关键因子对所述特征医学数据处理得到映射数据，所述映射数据在与所述特征医学数据对应的所述源终端存储。本领域技术人员理解，所述特征医学数据与所述研究数据是类似的，都来自于终端设备，可以使手机、平板电脑等，所述关键因子处理所述特征医学数据的过程，较为简单的就是一个比对的过程中，比对数据类型是否一致、数据的相似程度后，输出一个比对结果，该比对结果就是映射数据。较为复杂的方式，则是将关键因子与特征医学数据运用常用的统计学算法进行运算得到一组数据，该组数据作为映射数据。具体地，映射数据生成后是存储在源终端的，具体方式可以使推送至源终端，或者向源终端开放端口由源终端自行从后台系统提取，其目的在于将数据分布式存储，同时还可以保证数据的保密性和即用即取的功能。
作为本发明的第三实施例，图4示出了一种关键因子的生成流程图，具体包括如下步骤：
首先执行步骤S401，定义所述数据模型
Figure GDA0003725832360000141
其中，M表示多个所述关键变量组成的变量集，M＝{m1，m2，…mn}；R表示多个所述关键变量之间的语义关系集，R＝{r1，r2，…rn}；表示所述关键变量之间的语义关系对应的关联函数，
Figure GDA0003725832360000142
r i∈R，<mq，mp>∈M×M，mq表示起点变量，mp表示终点变量。具体地，所述关键变量可以仅指数据结构，如文本数据、音频、图像和视频等数据，由于数据结构不同，而被定义为不同的关键变量；又例如，不仅考虑数据结构，还考虑到数据的生成方法，例如CT数据和MRI数据都属于图像数据，但生成方法不同，则可以进一步分为多个变量。本领域技术人员理解，上述对关键变量的解释还要同时考虑步骤S102中的描述，在此不予赘述。更为具体地，语义关系反映了不同关键变量之间的依赖关系，所述语义关系是有方向的，因此存在起点变量和终点变量。所述关联函数代表依赖关系存在的逻辑算法。
在一个具体的应用实例中，可以建立一个表示患者信息的关键变量m1，表示医生信息的关键变量m2，表示疾病信息关键变量m3，表示患者化检指标的关键变量m4用来表示病人的化检指标数据，表示病人CT图像关键变量m5，表示医学要点的关键变量m6，基于这些关键变量建立包含这些关键变量的语义关系集。其中m1和m3之间是患者与疾病的语义关系；m2和m3之间为医生与疾病的语义关系；m4和m1之间为化检指标描述患者语义关系；m4和m2之间为化检指标由医生制作的语义关系；m6和m2之间是医学要点由医生给出的语义关系；m5和m1之间是图像描述患者的语义关系；m6和m5之间是诊断方法的语义关系。相应地，不同的语义关系具有不同的关联函数予以确定。
进一步地，执行步骤S402，定义多个所述研究数据组成的数据集D＝d1，d2，…dn，若mi＝mod(di)，其中，mi∈M，di∈D；则di即为所述关键因子。具体地，根据所述数据模型对所述研究数据构成数据库进行处理得到具有逻辑关系的一系列数据集，然后判断数据集与关键变量组成的变量集的重合度即可得到所述关键因子。
作为本发明的第四实施例，图5示出了又一种关键因子的生成流程图，具体包括如下步骤：
首先执行步骤S501，定义所述数据模型
Figure GDA0003725832360000151
其中，M表示多个所述关键变量组成的变量集，M＝{m1，m2，…mn}；R表示多个所述关键变量之间的语义关系集，R＝{r1，r2，…rn}；
Figure GDA0003725832360000152
表示所述关键变量之间的语义关系对应的关联函数，
Figure GDA0003725832360000153
ri∈R，<mq，mp>∈M×M，mq表示起点变量，mp表示终点变量。
进一步地，执行步骤S502，构建多变量索引图。具体地，所述多变量索引图是通过所述数据模型对研究数据建模后形成的数据库结构，其定义了整个数据库的边界以及逻辑数据层结构，相应地，语义关系对数据库是存在约束的，语义关系对应的关联函数同样也对数据库存在约束。本领域技术人员理解，包括多种不同变量的数据普遍存在数据冗余的现象，因此检查语义关系以及语义关系蕴含的关联函数的约束就十分必要。优选地，在进行建模的过程中，应当按照一定顺序进行，这样对于存在依赖关系的数据，才能确保被依赖数据在依赖数据之前被存储，进而才能对语义关系是否正确、唯一性属性是否唯一做出检查。该顺序可以通过遍历变量集中的关键变量之间的语义关系生成。
进一步地，执行步骤S503，基于多变量索引图对所述变量集M执行融合步骤。本领域技术人员理解，一个关键变量对应的特征集合中部分特征和其他关键变量的特征存在关联规则，即当该关键变量的数据中出现某个特征时，对应的那个关键变量的数据中也会以较大概率出现对应的某个特征。这实质上反应了不同关键变量的数据之间的相关性，也就是说，具有关联规则的特征所表达的信息是可以通过其他关键变量中的信息计算出的，所以这部分信息在两个关键变量中是重复的，在融合多个关键变量时需要考虑多个关键变量的相似度，而在计算多个关键变量数据的相似度时，应该将这种带有一定重复性的信息去除，而只考虑一个关键变量中相对对立的部分。更为具体地，每个关键变量所包含的特征数量反应了该关键变量中数据所包含的信息量，包含特征多的关键变量相比具有更大的信息量，在关键变量融合时应该赋予更高的权重。相应地，基于多变量索引图可以计算出每个关键变量的权重，得到关键变量的权重后，即可基于权重对全部关键变量组成的变量集进行融合，具体的融合方法包括数据层融合、特征层融合和决策层融合，优选地，采用特征层融合。
进一步地，执行步骤S504，基于多变量索引图对所述语义关系集R执行融合步骤。本步骤的原理和实现方式类似于步骤S503，本领域技术人员可以结合步骤S503进行理解。
进一步地，执行步骤S505，定义多个所述研究数据组成的数据集D＝d1，d2，…dn，若mi＝mod(di)，其中，mi∈M，di∈D；则di即为所述关键因子。本领域技术人员理解，第二实施例不同于第一实施例之处在于：对所述变量集和所述语义关系集进行了融合，相应地，融合后的数据模型mod也将更为优化，因此，得到的关键因子也将更为准确。具体地，第二实施例通常并不适合于在数据库形成的初期予以应用，而是在数据库已经积累到一定程度后再予以启用，特别时针对某个数据高峰时段予以短暂启动。
作为本发明的第五实施例，图6示出了又一种关键因子的生成流程图，具体包括如下步骤：
首先执行步骤S601，定义所述数据模型
Figure GDA0003725832360000161
其中，M表示多个所述关键变量组成的变量集，M＝{m1，m2，…mn}；R表示多个所述关键变量之间的语义关系集，R＝{r1，r2，…rn}；
Figure GDA0003725832360000162
表示所述关键变量之间的语义关系对应的关联函数，
Figure GDA0003725832360000163
ri∈R，<mq，mp>∈M×M，mq表示起点变量，mp表示终点变量。
进一步地，执行步骤S602，逐一提取每个所述关键变量的特征并基于所述特征逐一建立单变量索引。
进一步地，执行步骤S603，基于多个关键变量之间的语义关系建立多个所述单变量索引之间的语义关系对应的边。
具体地，作为一种优选地建立语义关系边界的算法，具体如下：
首先，若两个所述关键变量存在语义关系，则判定两个所述关键变量对应的两个所述单变量索引存在语义关系；
其次，逐一联通存在的语义关系的两个所述单变量索引。
进一步地，执行步骤S604，两两挖掘存在语义关系的多个所述单变量索引之间的关联规则，建立多个关联规则对应的边；
具体地，作为一种优选地建立关联规则边界的算法，具体如下：
首先，基于存在语义关系的多个所述关键变量对应的多个所述特征构建多个特征链
Figure GDA0003725832360000171
， 所述特征链
Figure GDA0003725832360000172
满足：：
Figure GDA0003725832360000173
m≠n，m≤n，i≠j，i≤m， j≤n，|i-j|≥3，每个所述特征链所包含的任意相邻的两个特征均具有语义关系，其中，
Figure GDA0003725832360000174
为起点特征，
Figure GDA0003725832360000175
为终点特征，C是指包括全部所述特征的特征集；
其次，计算多个特征链
Figure GDA0003725832360000176
中每个特征链的概率和条件概率，定义最小概率为最小支持度，定义最小条件概率为最小置信度；
最后，若蕴含式
Figure GDA0003725832360000177
同时满足所述最小支持度和所述最小置信度，则所述蕴含式
Figure GDA0003725832360000178
为基于
Figure GDA0003725832360000179
建立的单变量索引和基于
Figure GDA00037258323600001710
建立的单变量索引的关联规则。
进一步地，执行步骤S605，构建所述多变量索引图
Figure GDA00037258323600001711
其中，V(Gc)是全部所述关键变量对应的全部所述特征的集合，E(Gc)是全部所述语义关系对应的边以及全部所述关联规则对应的边的集合，
Figure GDA00037258323600001712
是所述单变量索引之间的关联规则对应的函数。
进一步地，执行步骤S606，基于多变量索引图对所述变量集M执行融合步骤。具体地，以下示出了一种优选的算法：
首先，基于所述多变量索引图
Figure GDA00037258323600001713
建立不同变量对应的独立特征集合C′P，所述独立特征集合C′P满足如下条件：不存在e∈E(Gc)使得
Figure GDA00037258323600001714
其中，Ci∈C′P，type(e)＝0，Cj∈V(Gc)；
其次，根据如下公式计算变量mp的变量融合权重wp，
Figure GDA00037258323600001715
其中， mp∈M，x表示所述独立特征集合C′P包含的特征的数量；
最后，基于所述变量融合权重对所述变量集M执行融合步骤。
进一步地，执行步骤S607，基于多变量索引图对所述语义关系集R执行融合步骤。具体地，以下示出了一种优选的算法：
首先，获取全部与mp存在语义关系的关联变量集合M′，所述变量集合M′满足如下条件：对于任意mi∈M′，都存在rpi∈R，使得
Figure GDA0003725832360000181
或者
Figure GDA0003725832360000182
Figure GDA0003725832360000183
其中，M′∈M，rpi是mp对应的语义关系，所述变量集合M′中的变量对应的融合权重为wi；
其次，根据下述公式计算语义关系rpi的语义关系融合权重
Figure GDA0003725832360000184
Figure GDA0003725832360000185
其中，y表示关联变量集合M′包含的变量数量；
最后，基于所述语义关系融合权重对所述语义关系集R执行融合步骤。
进一步地，执行步骤S608，定义多个所述研究数据组成的数据集D＝d1，d2，…dn，若mi＝mod(di)，其中，mi∈M，di∈D；则di即为所述关键因子。
本领域技术人员理解，第五实施例不同于第四实施例之处在于，第五实施例示出了一种具体的、基于特征融合的方法生成关键因子的算法，其在实际过程中更容易得到普及化的应用。
作为第三实施例、第四实施例和第五实施例的变化例，所述变量集M中全部关键变量的顺序被随机重新排列。
作为本发明的第六实施例，图7示出了又一种基于移动终端进行医学数据研究的流程图，包括如下步骤：
首先执行步骤S701，对不同的移动终端配置不同的角色生成多个角色终端。
进一步地，执行步骤S702，多个所述角色终端彼此交互生成多个行为记录数据并向后台系统传输。进一步地，执行步骤S703，所述后台系统基于多个所述行为记录数据从多个所述角色终端中选定锚定终端。
进一步地，执行步骤S704，所述后台系统基于所述锚定终端的角色向所述锚定终端发出研究模型，所述锚定终端基于所述研究模型与多个所述角色终端再次交互并生成研究数据，所述研究数据用于医学研究。
进一步地，执行步骤S705，采集来自于多个锚定终端的多个研究数据；
进一步地，执行步骤S706，基于数据模型对多个所述研究数据进行处理并输出多个关键因子，所述数据模型基于多个关键变量构建，多个所述关键变量存在语义关系；
进一步地，执行步骤S707，读取源终端的特征医学数据并基于所述关键因子对所述特征医学数据处理得到映射数据，所述映射数据在与所述特征医学数据对应的所述源终端存储。
本领域技术人员理解，上述步骤S701至步骤S707可以结合本发明具体实施方式、第一实施例至第六实施例的描述和变化，在此不予赘述。
进一步地，执行步骤S708，所述步骤S707的映射数据进入第一媒介终端。本领域技术人员理解，本步骤进入数据的即用即取阶段，即，所述第一媒介终端基于应用需求需要调取映射数据，常见的应用需求主要是基于医学研究、医学教育等目的，用于演示或者生成数字教材等。具体地，所述映射数据的进入方式可以是可以基于第一媒介终端的请求直接推送，也可以是在开放端口的前提下由第一媒介终端自行调取。
进一步地，执行步骤S709，判断所述第一媒介终端判断所述映射数据与所述关键因子是否相关联，若所述映射数据与所述关键因子并无关联，则执行步骤S710，所述第一媒介终端和源终端发生交互并生成交互数据。具体地，在后台系统生成映射数据的过程中，根据后台系统的算法所述关键因子与所述映射数据是存在关系的，但本步骤的不同之处在于，所述第一媒介终端相对于所述后台系统是独立的，其拥有自有的处理的算法，相应地，所述第一媒介终端独立判断所述映射数据与所述关键因子是否相关，若并无关联，则所述第一媒介终端和源终端要建立通讯关系并实时交互，具体的交互方式可以按照既定的逻辑算法进行，作为一种变化还可以进行人工干预，由分别持有第一媒介终端和源终端的两位操作者进行交互，并最终生成交互数据。本领域技术人员理解，交互数据主要是有关于映射数据与关键因子是否关联的判断逻辑数据记录。相应地，第六实施例更加丰富了数据库的构成，优选地，单独构成一个数据层用于存储交互数据，其可以作为更加底层的数据用于后台系统的处理。
作为本发明的第七实施例，图8示出了又一种基于移动终端进行医学数据研究的流程图，包括如下步骤：
首先执行步骤S801，对不同的移动终端配置不同的角色生成多个角色终端。
进一步地，执行步骤8802，多个所述角色终端彼此交互生成多个行为记录数据并向后台系统传输。进一步地，执行步骤S803，所述后台系统基于多个所述行为记录数据从多个所述角色终端中选定锚定终端。
进一步地，执行步骤S804，所述后台系统基于所述锚定终端的角色向所述锚定终端发出研究模型，所述锚定终端基于所述研究模型与多个所述角色终端再次交互并生成研究数据，所述研究数据用于医学研究。
进一步地，执行步骤S805，采集来自于多个锚定终端的多个研究数据；
进一步地，执行步骤S806，基于数据模型对多个所述研究数据进行处理并输出多个关键因子，所述数据模型基于多个关键变量构建，多个所述关键变量存在语义关系；
进一步地，执行步骤S807，读取源终端的特征医学数据并基于所述关键因子对所述特征医学数据处理得到映射数据，所述映射数据在与所述特征医学数据对应的所述源终端存储。
进一步地，执行步骤S808，所述步骤S807的映射数据进入第一媒介终端。
进一步地，执行步骤S809，判断所述第一媒介终端判断所述映射数据与所述关键因子是否相关联，若所述映射数据与所述关键因子并无关联，则执行步骤S810，所述第一媒介终端和源终端发生交互并生成交互数据。
本领域技术人员理解，上述步骤S801至步骤S810可以结合本发明具体实施方式、第一实施例至第七实施例的描述和变化，在此不予赘述。
进一步地，执行步骤S811，所述第一媒介终端将所述交互数据推送至第一评价终端，所述源终端归属于第一群组，所述第一媒介终端归属于第二群组，所述第一评价终端归属于第三群组，且所述第一群组、第二群组以及第三群组的优先级依次递增；具体地，本步骤优选地执行于所述交互数据被存储至对应的数据层之前，即，存储前首先发送至第一评价终端判断所述交互数据的合理性，所述第一评价终端可以基于既有的智能算法予以执行，也可以引入人工干预的方式执行。更为具体地，所述源终端、第一媒介终端、第一评价终端分属于不同级别的群组的意义在于，不同群组的优先级不同，在后台系统记录的权限也不同，数据在不同优先级的终端之间传输时，数据类型不同，对应的最终到达的终端的优先级也不同，相应地，后台系统根据数据类型的不同既可以向不同的终端发出相应的指令，或者不同的终端也可以自行根据数据类型的不同完成数据的自动流转，提高数据流转的智能程度。
进一步地，执行步骤S812，识别所述第一评价终端对所述交互数据的操作。具体地，识别的功能加载于后台系统，后台系统根据所述第一评价终端的指令判断所述第一评价终端的操作。
进一步地，若所述第一评价终端对所述交互数据执行+1操作，则执行步骤S813，所述交互数据被同时推送至所述第三群组中的多个评价终端，且多个评价终端彼此产生交互。具体地，所述+1操作指的是对交互数据输入指示交互数据向最高优先级的终端继续传播的指令，在本实施例中，最高优先级的终端即为评价终端，继续传播的方式即为同时推送至多个评价终端。相应地，多个评价终端彼此产生交互的方式可以按照既定的逻辑算法进行，作为一种变化还可以进行人工干预，由分别持有多个评价终端多位操作者进行交互。
作为步骤S813的一种具体实现方式，图9示出了多个评价终端的交互方式的流程图，包括如下步骤：
首先，执行步骤S8131，所述交互数据被同时推送至所述第三群组中的多个评价终端，且多个所述评价终端同时读取所述特征医学数据以及所述关键因子。本领域技术人员理解，本步骤所述的“同步”是指同步发出命令，实际应用中，根据每个评价终端的配置不同、算法不同，每个评价终端执行完毕的速度可能是不同的。
其次，执行步骤S8132，多个所述评价终端基于所述关键因子对所述特征医学数据分别处理得到多个修正数据并推送至所述第一媒介终端。具体地，所述评价终端所依据的所述关键因子的种类及数量并不限制，根据每个所述评价终端自带的智能算法或者操作所述评价终端的操作者的判断不同，所述评价终端自行调取一个或者多个所述关键因子对所述特征医学数据进行处理，对所述特征医学数据处理的方式可以参照步骤S307的描述，在此不予赘述。更为具体地，由于处理所述特征医学数据的终端不同，相应得到的所述修正数据可以是不同的，也可以是类似的或者相同的，但最终均推送至所述第一媒介终端汇总。
再次，执行步骤S8133，所述第一媒介终端基于多个所述修正数据以及所述映射数据生成修正映射数据并推送至所述特征医学数据对应的所述源终端并存储。具体地，所述第一媒介终端作为汇总终端对所有数据综合处理后生成一个最终的修正映射数据，所述源终端中可能将映射数据和修正映射数据全部存储，也可以仅存储修正映射数据。更为具体地，若要删除所述映射数据，则所述源终端向所述第一媒介终端以及多个所述评价终端发送确认请求，之后，若所述第一媒介终端以及多个所述评价终端对所述确认请求全部发出反馈信号，则所述源终端删除所述映射数据。本领域技术人员理解，作为一种变化，删除所述映射数据可以进一步降低系统消耗。
进一步地，若所述第一评价终端对所述交互数据未执行任何操作，则执行步骤S814，所述交互数据被推送至源终端。具体地，未执行任何操作即所述第一评价终端并未发出任何指令，也就是说后台系统并未捕捉到第一评价终端发出的指令，此时，所述交互数据被推送至优先级最低的终端，即，源终端，也可以理解为，所述交互数据被推送至数据处理流程中的最初发起终端。
进一步地，若所述第一评价终端对所述交互数据执行-1操作，则执行步骤S815，所述交互数据被推送至所述第二群组中的多个媒介终端，且多个所述媒介终端彼此产生交互。具体地，所述-1操作指的是对交互数据输入指示交互数据向低一级别的终端继续传播的指令，在本实施例中，低一级别的终端即为媒介终端，继续传播的方式即为同时推送至多个媒介终端。相应地，多个媒介终端彼此产生交互的方式可以按照既定的逻辑算法进行，作为一种变化还可以进行人工干预，由分别持有多个媒介终端多位操作者进行交互。
作为本发明的第八实施例，图10示出了又一种基于移动终端进行医学数据研究的流程图，包括如下步骤：
首先执行步骤S1001，对不同的移动终端配置不同的角色生成多个角色终端。
进一步地，执行步骤S1002，多个所述角色终端彼此交互生成多个行为记录数据并向后台系统传输。进一步地，执行步骤S1003，所述后台系统基于多个所述行为记录数据从多个所述角色终端中选定锚定终端。
进一步地，执行步骤S1004，所述后台系统基于所述锚定终端的角色向所述锚定终端发出研究模型，所述锚定终端基于所述研究模型与多个所述角色终端再次交互并生成研究数据，所述研究数据用于医学研究。
进一步地，执行步骤S1005，采集来自于多个锚定终端的多个研究数据；
进一步地，执行步骤S1006，基于数据模型对多个所述研究数据进行处理并输出多个关键因子，所述数据模型基于多个关键变量构建，多个所述关键变量存在语义关系；
进一步地，执行步骤S1007，读取源终端的特征医学数据并基于所述关键因子对所述特征医学数据处理得到映射数据，所述映射数据在与所述特征医学数据对应的所述源终端存储。
进一步地，执行步骤S1008，所述步骤S1007的映射数据进入第一媒介终端。
进一步地，执行步骤S1009，判断所述第一媒介终端判断所述映射数据与所述关键因子是否相关联，若所述映射数据与所述关键因子并无关联，则执行步骤S1010，所述第一媒介终端和源终端发生交互并生成交互数据。
进一步地，执行步骤S1011，所述第一媒介终端将所述交互数据推送至第一评价终端，所述源终端归属于第一群组，所述第一媒介终端归属于第二群组，所述第一评价终端归属于第三群组，且所述第一群组、第二群组以及第三群组的优先级依次递增。
进一步地，执行步骤1012，识别所述第一评价终端对所述交互数据的操作。
本领域技术人员理解，上述步骤S1001至步骤S1012可以结合本发明具体实施方式、第一实施例至第八实施例的描述和变化，在此不予赘述。
进一步地，若所述第一评价终端对所述交互数据执行-1操作，则执行步骤S1013，所述交互数据被同时推送至所述第二群组中的多个媒介终端，且多个所述媒介终端同时读取所述特征医学数据。具体地，本步骤与步骤S8131是类似的，只是执行的终端不同。
进一步地，执行步骤S1014，多个所述媒介终端基于所述特征医学数据共同选定第二评价终端并推送所述交互数据，所述第二评价终端归属于第三群组。具体地，所述媒介终端与所述评价终端不同之处在于，所述媒介终端优先级低于所述评价终端，因此，所述媒介终端并不具备对特征医学数据进行处理的权限，但所述媒介终端具有选择评价终端的权限，相应地，由于第一媒介终端已经选择过第一评价终端，因此，本步骤是对之前步骤中数据处理结果的再一次复核，因此，由不包括所述第一媒介终端的其余多个媒介终端共同重新选一个第二评价终端，并执行与所述第一评价终端类似的功能。
进一步地，执行步骤S1015，所述第二评价终端基于所述特征医学数据生成修正映射数据并推送至所述特征医学数据对应的所述源终端并存储。
作为另一种变化，步骤S1015可以替换为如下步骤，所述第二评价终端向审定终端推送所述特征医学数据、所述交互数据以及所述映射数据，所述审定终端基于所述特征医学数据、所述交互数据以及所述映射数据生成定向导流数据并推送至所述特征医学数据对应的所述源终端并存储，所述定向导流数据包括诊断信息、医院信息以及医生信息。具体地，所述审定终端的优先级可以高于所述评价终端，但所述审定终端的数量较少，因此可以并不专门建立群组，作为一种变化，多个所述审定终端也可以建立一个第四群组，而所述第四群组的优先级高于所述第三群组。更为具体地，本发明中，只有媒介终端具备与源终端进行交互的权限，其余终端并不能与源终端产生交互，因此，所述审定终端与所述源终端也并不产生交互，但所述审计终端能够获取整个数据交互过程过程中的历史，以便做出最为准确和详尽的数据处理结果并推送至源终端存储。
作为本发明的第九实施例，图11示出了又一种基于移动终端进行医学数据研究的流程图，包括如下步骤：
首先执行步骤S1101，对不同的移动终端配置不同的角色生成多个角色终端。
进一步地，执行步骤S1102，多个所述角色终端彼此交互生成多个行为记录数据并向后台系统传输。进一步地，执行步骤S1103，所述后台系统基于多个所述行为记录数据从多个所述角色终端中选定锚定终端。
进一步地，执行步骤S1104，所述后台系统基于所述锚定终端的角色向所述锚定终端发出研究模型，所述锚定终端基于所述研究模型与多个所述角色终端再次交互并生成研究数据，所述研究数据用于医学研究。
首先执行步骤S1105，采集来自于多个锚定终端的多个研究数据；
进一步地，执行步骤S1106，基于数据模型对多个所述研究数据进行处理并输出多个关键因子，所述数据模型基于多个关键变量构建，多个所述关键变量存在语义关系；
进一步地，执行步骤S1107，读取源终端的特征医学数据并基于所述关键因子对所述特征医学数据处理得到映射数据，所述映射数据在与所述特征医学数据对应的所述源终端存储。
进一步地，执行步骤S1108，所述步骤S1107的映射数据进入第一媒介终端。
进一步地，执行步骤S1109，所述第一媒介终端判断所述映射数据与所述关键因子是否相关联，若所述映射数据与所述关键因子并无关联，则执行步骤S1110，所述第一媒介终端和源终端发生交互并生成交互数据。
进一步地，执行步骤S1111，所述第一媒介终端将所述交互数据推送至第一评价终端，所述源终端归属于第一群组，所述第一媒介终端归属于第二群组，所述第一评价终端归属于第三群组，且所述第一群组、第二群组以及第三群组的优先级依次递增。
进一步地，执行步骤S1112，识别所述第一评价终端对所述交互数据的操作。
进一步地，若所述第一评价终端对所述交互数据执行+1操作，则执行步骤S1113，所述交互数据被同时推送至所述第三群组中的多个评价终端，且多个评价终端彼此产生交互。
进一步地，若所述第一评价终端对所述交互数据未执行任何操作，则执行步骤S1114，所述交互数据被推送至源终端。
进一步地，若所述第一评价终端对所述交互数据执行-1操作，则执行步骤S1115，所述交互数据被推送至所述第二群组中的多个媒介终端，且多个所述媒介终端彼此产生交互。
本领域技术人员理解，上述步骤S1101至步骤S1115可以结合本发明具体实施方式、第一实施例至第八实施例的描述和变化，在此不予赘述。
进一步地，执行步骤S1116，采集所述源终端对应的所述研究数据。具体地，在本发明的前述实施例中，只涉及所述源终端的特征医学数据，而特征医学数据是用于生成最终的映射数据或者修正映射数据的，对于生成关键因子，则需要研究数据。本领域技术人员理解，执行至本步骤，映射数据已经生成，即特征医学数据已被处理完毕，其处理的依据是关键因子，此时，为了提高关键因子的准确，则需要调取源终端的研究数据对前述步骤所依据的关键因子进行修正。
进一步地，执行步骤S1117，基于所述数据模型从所述源终端对应的所述研究数据中筛选出至少一个修正因子。具体地，本步骤的实现方式可以参考图1所示的而具体实施方式以及之后的多个实施例，在此不予赘述。
进一步地，执行步骤S1118，基于所述修正因子对所述关键因子执行修正步骤。具体地，修正步骤可以是直接替代，也可以使用常规的数据融合方式进行调整。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (17)

1.一种基于移动终端进行医学数据研究的控制方法，其用于从多个移动终端采集医学数据并用于医学研究，其特征在于，包括：
a.对不同的移动终端配置不同的角色生成多个角色终端；
b.多个所述角色终端彼此交互生成多个行为记录数据并向后台系统传输；
c.所述后台系统基于多个所述行为记录数据从多个所述角色终端中选定锚定终端；
c1.所述后台系统获取每个所述行为记录数据生成的时间戳；
c2.基于多个所述时间戳将最早生成的所述行为记录数据定义为锚定数据；
c3.将生成所述锚定数据的全部角色终端中最早发出交互请求的角色终端确定为锚定终端；
d.所述后台系统基于所述锚定终端的角色向所述锚定终端发出研究模型，所述锚定终端基于所述研究模型与多个所述角色终端再次交互并生成研究数据，所述研究数据用于医学研究；
e.采集来自于多个锚定终端的多个研究数据；
f.基于数据模型对多个所述研究数据进行处理并输出多个关键因子，所述数据模型基于多个关键变量构建，多个所述关键变量存在语义关系；
f1.定义所述数据模型
Figure FDA0003725832350000011
其中，M表示多个所述关键变量组成的变量集，M＝{m1，m2，…mn}；R表示多个所述关键变量之间的语义关系集，R＝{r1，r2，…rn}；
Figure FDA0003725832350000012
表示所述关键变量之间的语义关系对应的关联函数，
Figure FDA0003725832350000013
Figure FDA0003725832350000014
ri∈R，<mq，mp>∈M×M，mq表示起点变量，mp表示终点变量；
f2.定义多个所述研究数据组成的数据集D＝d1，d2，…dn，若mi＝mod(di)，其中，mi∈M，di∈D；则di即为所述关键因子；
g.读取源终端的特征医学数据并基于所述关键因子对所述特征医学数据处理得到映射数据，所述映射数据在与所述特征医学数据对应的所述源终端存储；
多个所述角色终端包括医生终端、百姓终端以及机构终端，相应地，所述研究模型为医生模型、百姓模型以及机构模型的任一种：
若所述锚定终端的角色为医生终端，则所述研究模型对应为医生模型，所述医生模型的交互流程为：所述锚定终端首先与百姓终端交互之后，再与所述机构终端交互，所述百姓终端与所述机构终端不发生交互；或者
若所述锚定终端的角色为百姓终端，则所述研究模型对应为百姓模型，所述百姓模型的交互流程为：所述锚定终端首先与医生终端交互，之后所述医生终端再与所述机构终端交互；或者
若所述锚定终端的角色为机构终端，则所述研究模型对应为机构模型，所述机构模型的交互流程为：所述锚定终端首先与所述医生终端和所述百姓终端交互，之后所述百姓终端再与所述医生终端交互，之后所述医生终端再与所述机构终端交互。
2.根据权利要求1所述的控制方法，其特征在于，所述步骤f1之后执行如下步骤：
f11.构建多变量索引图；
f12.基于所述多变量索引图对所述变量集M执行融合步骤。
3.根据权利要求2所述的控制方法，其特征在于，所述步骤f12之后执行如下步骤：
f13.基于所述多变量索引图对所述语义关系集R执行融合步骤。
4.根据权利要求3所述的控制方法，其特征在于，所述步骤f11包括如下步骤：
i1.逐一提取每个所述关键变量的特征并基于所述特征逐一建立单变量索引；
i2.基于多个关键变量之间的语义关系建立多个所述单变量索引之间的语义关系对应的边；
i3.两两挖掘存在语义关系的多个所述单变量索引之间的关联规则，建立多个关联规则对应的边；
i4.构建所述多变量索引图
Figure FDA0003725832350000021
其中，V(Gc)是全部所述关键变量对应的全部所述特征的集合，E(Gc)是全部所述语义关系对应的边以及全部所述关联规则对应的边的集合，
Figure FDA0003725832350000022
是所述单变量索引之间的关联规则对应的函数。
5.根据权利要求4所述的控制方法，其特征在于，所述步骤i2包括如下步骤：
i21.若两个所述关键变量存在语义关系，则判定两个所述关键变量对应的两个所述单变量索引存在语义关系；
i22.逐一联通存在的语义关系的两个所述单变量索引。
6.根据权利要求5所述的控制方法，其特征在于，所述步骤i3中，所述关联规则通过如下步骤挖掘：
i31.基于存在语义关系的多个所述关键变量对应的多个所述特征构建多个特征链
Figure FDA0003725832350000032
， 所述特征链
Figure FDA0003725832350000033
满足：
Figure FDA0003725832350000034
m≠n，m≤n，i≠j，i≤m，j≤n，|i-j|≥3，每个所述特征链所包含的任意相邻的两个特征均具有语义关系，其中，
Figure FDA0003725832350000035
为起点特征，
Figure FDA0003725832350000036
为终点特征，C是指包括全部所述特征的特征集；
i32.计算多个特征链
Figure FDA0003725832350000037
中每个特征链的概率和条件概率，定义最小概率为最小支持度，定义最小条件概率为最小置信度；
i33.若蕴含式
Figure FDA0003725832350000038
同时满足所述最小支持度和所述最小置信度，则所述蕴含式
Figure FDA0003725832350000039
为基于
Figure FDA00037258323500000310
建立的单变量索引和基于
Figure FDA00037258323500000311
建立的单变量索引的关联规则。
7.根据权利要求6所述的控制方法，其特征在于，所述步骤f12包括如下步骤：
f121.基于所述多变量索引图
Figure FDA00037258323500000312
建立不同变量对应的独立特征集合C′P，所述独立特征集合C′P满足如下条件：不存在e∈E(Gc)使得
Figure FDA00037258323500000313
其中，Ci∈C′P，type(e)＝0，Cj∈V(Gc)；
f122.根据如下公式计算变量mp的变量融合权重wp，
Figure FDA0003725832350000031
其中，mp∈M，x表示所述独立特征集合C′P包含的特征的数量；
f123.基于所述变量融合权重对所述变量集M执行融合步骤。
8.根据权利要求7所述的控制方法，其特征在于，所述步骤f13之后执行如下步骤：
f14.获取全部与mp存在语义关系的关联变量集合M′，所述变量集合M′满足如下条件：对于任意mi∈M′，都存在rpi∈R，使得
Figure FDA00037258323500000314
或者
Figure FDA00037258323500000315
Figure FDA0003725832350000041
其中，M′∈M，rpi是mp对应的语义关系，所述变量集合M′中的变量对应的融合权重为wi；
f15.根据下述公式计算语义关系rpi的语义关系融合权重
Figure FDA0003725832350000042
其中，y表示关联变量集合M′包含的变量数量；
f16.基于所述语义关系融合权重对所述语义关系集R执行融合步骤。
9.根据权利要求8所述的控制方法，其特征在于，所述变量集M中全部关键变量的顺序被随机重新排列。
10.根据权利要求1至9中任一项所述的控制方法，其特征在于，所述步骤g之后执行如下步骤：
h.所述步骤g的映射数据进入第一媒介终端；
i.所述第一媒介终端判断所述映射数据与所述关键因子是否相关联，若所述映射数据与所述关键因子并无关联，则所述第一媒介终端和源终端发生交互并生成交互数据。
11.根据权利要求10所述的控制方法，其特征在于，所述步骤i之后执行如下步骤：
j.所述第一媒介终端将所述交互数据推送至第一评价终端，所述源终端归属于第一群组，所述第一媒介终端归属于第二群组，所述第一评价终端归属于第三群组，且所述第一群组、第二群组以及第三群组的优先级依次递增；
k.若所述第一评价终端对所述交互数据执行+1操作，则所述交互数据被同时推送至所述第三群组中的多个评价终端，且多个评价终端彼此产生交互；或者
若所述第一评价终端对所述交互数据未执行任何操作，则所述交互数据被推送至源终端；或者
若所述第一评价终端对所述交互数据执行-1操作，则所述交互数据被推送至所述第二群组中的多个媒介终端，且多个所述媒介终端彼此产生交互。
12.根据权利要求11所述的控制方法，其特征在于，所述步骤k中，若所述第一评价终端对所述交互数据执行+1操作，则包括如下步骤：
k1.所述交互数据被同时推送至所述第三群组中的多个评价终端，且多个所述评价终端同时读取所述特征医学数据以及所述关键因子；
k2.多个所述评价终端基于所述关键因子对所述特征医学数据分别处理得到多个修正数据并推送至所述第一媒介终端；
k3.所述第一媒介终端基于多个所述修正数据以及所述映射数据生成修正映射数据并推送至所述特征医学数据对应的所述源终端并存储。
13.根据权利要求12所述的控制方法，其特征在于，所述步骤k3之后执行如下步骤：
k4.所述源终端向所述第一媒介终端以及多个所述评价终端发送确认请求；
k5.若所述第一媒介终端以及多个所述评价终端对所述确认请求全部发出反馈信号，则所述源终端删除所述映射数据。
14.根据权利要求11所述的控制方法，其特征在于，所述步骤k中，若所述评价终端对所述交互数据执行-1操作，则包括如下步骤：
k4.所述交互数据被同时推送至所述第二群组中的多个媒介终端，且多个所述媒介终端同时读取所述特征医学数据；
k5.多个所述媒介终端基于所述特征医学数据共同选定第二评价终端并推送所述交互数据，所述第二评价终端归属于第三群组。
15.根据权利要求14所述的控制方法，其特征在于，所述步骤k5之后执行如下步骤：
k6.所述第二评价终端基于所述特征医学数据生成修正映射数据并推送至所述特征医学数据对应的所述源终端并存储。
16.根据权利要求14所述的控制方法，其特征在于，所述步骤k5之后执行如下步骤：
k7.所述第二评价终端向审定终端推送所述特征医学数据、所述交互数据以及所述映射数据，所述审定终端基于所述特征医学数据、所述交互数据以及所述映射数据生成定向导流数据并推送至所述特征医学数据对应的所述源终端并存储，所述定向导流数据包括诊断信息、医院信息以及医生信息。
17.根据权利要求11至16中任一项所述的控制方法，其特征在于，所述步骤k之后执行如下步骤：
l.采集所述源终端对应的所述研究数据；
m.基于所述数据模型从所述源终端对应的所述研究数据中筛选出至少一个修正因子，所述修正因子与所述关键因子具有相同的数据结构；
n.基于所述修正因子对所述关键因子执行修正步骤。
CN201810952335.1A 2018-08-14 2018-08-14 一种基于移动终端进行医学数据研究的控制方法 Active CN110827988B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810952335.1A CN110827988B (zh) 2018-08-14 2018-08-14 一种基于移动终端进行医学数据研究的控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810952335.1A CN110827988B (zh) 2018-08-14 2018-08-14 一种基于移动终端进行医学数据研究的控制方法

Publications (2)

Publication Number Publication Date
CN110827988A CN110827988A (zh) 2020-02-21
CN110827988B true CN110827988B (zh) 2022-10-21

Family

ID=69547464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810952335.1A Active CN110827988B (zh) 2018-08-14 2018-08-14 一种基于移动终端进行医学数据研究的控制方法

Country Status (1)

Country Link
CN (1) CN110827988B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101346743A (zh) * 2005-12-29 2009-01-14 卡尔斯特里姆保健公司 跨时间和跨形态的医学诊断
CN103339631A (zh) * 2010-12-03 2013-10-02 皇家飞利浦电子股份有限公司 医学信息系统规则集创建和/或评估图形用户界面

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090012928A1 (en) * 2002-11-06 2009-01-08 Lussier Yves A System And Method For Generating An Amalgamated Database
WO2005029380A1 (ja) * 2003-09-17 2005-03-31 Astellas Pharma Inc. 薬剤調査情報収集システム
CN101334770A (zh) * 2007-06-28 2008-12-31 科凌力医学软件（深圳）有限公司 循证医学数据库组建方法及相关的循证医学疾病诊断方法
US20100114597A1 (en) * 2008-09-25 2010-05-06 Algotec Systems Ltd. Method and system for medical imaging reporting
CA2777554C (en) * 2009-10-20 2021-10-26 Universal Research Solutions LLC Generation and data management of a medical study using instruments in an integrated media and medical system
US8498881B2 (en) * 2009-10-20 2013-07-30 Universal Research Solutions, Llc Generation and data management of a medical study using instruments in an integrated media and medical system
US8782063B2 (en) * 2009-10-20 2014-07-15 Universal Research Solutions, Llc Generation and data management of a medical study using instruments in an integrated media and medical system
US20130332195A1 (en) * 2012-06-08 2013-12-12 Sony Network Entertainment International Llc System and methods for epidemiological data collection, management and display
CN105556513A (zh) * 2013-03-14 2016-05-04 昂托米克斯公司 用于个性化临床决策支持工具的系统和方法
EP3191975A4 (en) * 2014-09-11 2018-04-18 Berg LLC Bayesian causal relationship network models for healthcare diagnosis and treatment based on patient data
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
CN107169259A (zh) * 2016-12-12 2017-09-15 为朔生物医学有限公司 基于协同过滤和建议的个性化医学决定支持系统
CN106971071A (zh) * 2017-03-27 2017-07-21 为朔医学数据科技（北京）有限公司 一种临床决策支持系统及方法
CN107145511A (zh) * 2017-03-31 2017-09-08 上海森亿医疗科技有限公司 基于医学文本信息的结构化医学数据库生成方法及系统
CN107463786A (zh) * 2017-08-17 2017-12-12 王卫鹏 基于结构化报告模板的医学影像知识库建立方法
CN107633876A (zh) * 2017-10-31 2018-01-26 郑宇� 一种基于移动平台的互联网医学信息处理系统及方法
CN108010573A (zh) * 2017-11-24 2018-05-08 苏州市环亚数据技术有限公司 一种医院数据融合系统、方法、电子设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101346743A (zh) * 2005-12-29 2009-01-14 卡尔斯特里姆保健公司 跨时间和跨形态的医学诊断
CN103339631A (zh) * 2010-12-03 2013-10-02 皇家飞利浦电子股份有限公司 医学信息系统规则集创建和/或评估图形用户界面

Also Published As

Publication number Publication date
CN110827988A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
Hernandez et al. Synthetic data generation for tabular health records: A systematic review
WO2023202508A1 (zh) 一种基于认知图谱的全科患者个性化诊疗方案推荐系统
Dey et al. Big data analytics for intelligent healthcare management
Ng et al. The role of artificial intelligence in enhancing clinical nursing care: A scoping review
WO2022267678A1 (zh) 视频问诊方法、装置、设备及存储介质
KR102424085B1 (ko) 기계-보조 대화 시스템 및 의학적 상태 문의 장치 및 방법
US11663057B2 (en) Analytics framework for selection and execution of analytics in a distributed environment
US10984024B2 (en) Automatic processing of ambiguously labeled data
WO2023029506A1 (zh) 病情分析方法、装置、电子设备及存储介质
US10936962B1 (en) Methods and systems for confirming an advisory interaction with an artificial intelligence platform
US20190197419A1 (en) Registration, Composition, and Execution of Analytics in a Distributed Environment
Dey et al. Human-centered explainability for life sciences, healthcare, and medical informatics
Khilji et al. Healfavor: Dataset and a prototype system for healthcare chatbot
Modaresnezhad et al. A rule-based semantic approach for data integration, standardization and dimensionality reduction utilizing the UMLS: application to predicting bariatric surgery outcomes
Xu et al. What clinics are expecting from data scientists? A review on data oriented studies through qualitative and quantitative approaches
Oberste et al. User-centric explainability in healthcare: a knowledge-level perspective of informed machine learning
Zhang et al. Comparison of chest radiograph captions based on natural language processing vs completed by radiologists
Jia et al. DKDR: An approach of knowledge graph and deep reinforcement learning for disease diagnosis
Rajendran et al. Patchwork learning: A paradigm towards integrative analysis across diverse biomedical data sources
CN116956934A (zh) 任务处理方法、装置、设备及存储介质
CN110827988B (zh) 一种基于移动终端进行医学数据研究的控制方法
Mavropoulos et al. Smart integration of sensors, computer vision and knowledge representation for intelligent monitoring and verbal human-computer interaction
CN110827989B (zh) 一种基于关键因子对医学数据进行处理的控制方法
Neustein et al. Innovative Data Integration and Conceptual Space Modeling for COVID, Cancer, and Cardiac Care
Ambhaikar A survey on health care and expert 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