CN112652405A - 临床路径的挖掘方法、装置、设备及存储介质 - Google Patents
临床路径的挖掘方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112652405A CN112652405A CN202011549401.4A CN202011549401A CN112652405A CN 112652405 A CN112652405 A CN 112652405A CN 202011549401 A CN202011549401 A CN 202011549401A CN 112652405 A CN112652405 A CN 112652405A
- Authority
- CN
- China
- Prior art keywords
- analyzed
- clinical data
- clinical
- patient
- patient behavior
- 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
- 238000005065 mining Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000006399 behavior Effects 0.000 claims abstract description 319
- 239000011159 matrix material Substances 0.000 claims abstract description 93
- 201000010099 disease Diseases 0.000 claims abstract description 84
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 84
- 238000010276 construction Methods 0.000 claims abstract description 23
- 230000037361 pathway Effects 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 7
- 230000003203 everyday effect Effects 0.000 claims description 4
- 238000009412 basement excavation Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 8
- 230000017074 necrotic cell death Effects 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000002594 fluoroscopy Methods 0.000 description 2
- 210000001624 hip Anatomy 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010028851 Necrosis Diseases 0.000 description 1
- 208000005718 Stomach Neoplasms Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 206010017758 gastric cancer Diseases 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 201000011549 stomach cancer Diseases 0.000 description 1
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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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)
- Public Health (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioethics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及数字医疗技术领域,揭示了一种临床路径的挖掘方法、装置、设备及存储介质,其中方法包括:获取目标病种的待分析的临床数据,待分析的临床数据是根据目标病种对应的多个患者的历史临床数据得到的临床数据;对待分析的临床数据进行矩阵构建,得到待分析的临床数据矩阵;对待分析的临床数据矩阵按收费项目进行患者行为的聚类,得到待分析的临床数据对应的患者行为集合;采用患者行为集合对待分析的临床数据的收费项目进行患者行为的匹配和替换,得到待分析的临床数据对应的临床患者行为序列;根据临床患者行为序列进行时序频繁集挖掘,得到目标病种对应的多个目标临床路径。从而提升了挖掘得到的临床路径的灵活性和可解释性。
Description
技术领域
本申请涉及到数字医疗技术领域,特别是涉及到一种临床路径的挖掘方法、装置、设备及存储介质。
背景技术
临床路径(clinicalpathway)是指针对某一疾病建立一套标准化治疗模式与治疗程序,是一个有关临床治疗的综合模式,以循证医学证据和指南为指导来促进治疗组织和疾病管理的方法,最终起到规范医疗行为、减少变异、降低成本、提高质量的作用。现有技术的临床路径一般由专家进行指定,然而在实际的应用中存在以下缺陷:由于专家在指定临床路径的过程中,没有考虑到实际情况下患者情况的差异,导致指定的临床路径的灵活性较差,实际的治疗过程和专家定义的临床路径存在较大差异。
发明内容
本申请的主要目的为提供一种临床路径的挖掘方法、装置、设备及存储介质,旨在解决现有技术的专家指定临床路径没有考虑到实际情况下患者情况的差异,导致指定的临床路径的灵活性较差的技术问题。
为了实现上述发明目的,本申请提出一种临床路径的挖掘方法,所述方法包括:
获取目标病种的待分析的临床数据,所述待分析的临床数据是根据所述目标病种对应的多个患者的历史临床数据得到的临床数据;
对所述待分析的临床数据进行矩阵构建,得到待分析的临床数据矩阵;
对所述待分析的临床数据矩阵按收费项目进行患者行为的聚类,得到所述待分析的临床数据对应的患者行为集合;
采用所述患者行为集合对所述待分析的临床数据的所述收费项目进行患者行为的匹配和替换,得到所述待分析的临床数据对应的临床患者行为序列;
根据所述临床患者行为序列进行时序频繁集挖掘,得到所述目标病种对应的多个目标临床路径。
进一步的,所述获取目标病种的待分析的临床数据的步骤,包括:
获取所述目标病种对应的多个所述患者的所述历史临床数据,得到待分析的历史临床数据集合;
获取收费项目频率阈值;
采用所述收费项目频率阈值对所述待分析的历史临床数据集合进行所述收费项目过滤,得到所述目标病种对应的所述待分析的临床数据。
进一步的,所述采用所述收费项目频率阈值对所述待分析的历史临床数据集合进行所述收费项目过滤,得到所述目标病种对应的所述待分析的临床数据的步骤,包括:
对所述待分析的历史临床数据集合进行每个所述收费项目的出现频率计算,得到所述待分析的历史临床数据集合中各个所述收费项目各自对应的出现频率;
分别将所述待分析的历史临床数据集合中每个所述收费项目对应的所述出现频率与所述收费项目频率阈值进行对比;
当存在所述收费项目对应的所述出现频率小于所述收费项目频率阈值时,将所述出现频率小于所述收费项目频率阈值的所述收费项目从所述待分析的历史临床数据集合中删除,将所述待分析的历史临床数据集合中剩余的数据作为所述目标病种对应的所述待分析的临床数据。
进一步的,所述对所述待分析的临床数据进行矩阵构建,得到待分析的临床数据矩阵的步骤,包括:
从所述待分析的临床数据中提取出所述收费项目,得到待去重的收费项目集合;
对所述待去重的收费项目集合进行所述收费项目的去重处理,得到去重后的收费项目集合;
采用所述去重后的收费项目集合中的所述收费项目为列、每个所述患者与每个日期为行对所述待分析的临床数据进行矩阵构建,得到所述待分析的临床数据矩阵。
进一步的,所述对所述待分析的临床数据矩阵按收费项目进行患者行为的聚类,得到所述待分析的临床数据对应的患者行为集合的步骤,包括:
采用所述收费项目从所述待分析的临床数据矩阵中提取数据,得到所述待分析的临床数据对应的各个所述收费项目各自对应的待分析的收费项目向量;
对所述待分析的临床数据对应的各个所述收费项目各自对应的所述待分析的收费项目向量按所述收费项目进行患者行为的聚类,得到所述待分析的临床数据对应的所述患者行为集合,其中,每个所述收费项目只能属于一个所述患者行为。
进一步的,所述根据所述临床患者行为序列进行时序频繁集挖掘,得到所述目标病种对应的多个目标临床路径的步骤,包括:
从所述多个患者中获取一个所述患者作为目标患者;
分别将所述目标患者在所述临床患者行为序列中每天的所述患者行为作为一个项集,得到所述目标患者对应的多个项集;
将所述目标患者对应的多个所述项集按时间顺序组成序列,得到所述目标患者对应的待挖掘的患者行为时间序列;
重复执行所述从所述多个患者中获取一个所述患者作为目标患者的步骤,直至确定所述多个患者各自对应的所述待挖掘的患者行为时间序列;
对所述多个患者各自对应的所述待挖掘的患者行为时间序列进行时序频繁集挖掘,得到所述目标病种对应的多个所述目标临床路径。
进一步的,所述对所述多个患者各自对应的所述待挖掘的患者行为时间序列进行时序频繁集挖掘,得到所述目标病种对应的多个所述目标临床路径的步骤,包括:
获取支持度阈值;
采用MultiPrefixSpan算法和所述支持度阈值对所述多个患者各自对应的所述待挖掘的患者行为时间序列进行时序频繁集挖掘,得到所述目标病种对应的多个所述目标临床路径。
本申请还提出了一种临床路径的挖掘装置,所述装置包括:
数据获取模块,用于获取目标病种的待分析的临床数据,所述待分析的临床数据是根据所述目标病种对应的多个患者的历史临床数据得到的临床数据;
矩阵构建模块,用于对所述待分析的临床数据进行矩阵构建,得到待分析的临床数据矩阵;
患者行为的聚类模块,用于对所述待分析的临床数据矩阵按收费项目进行患者行为的聚类,得到所述待分析的临床数据对应的患者行为集合;
患者行为匹配和替换模块,用于采用所述患者行为集合对所述待分析的临床数据的所述收费项目进行患者行为的匹配和替换,得到所述待分析的临床数据对应的临床患者行为序列;
目标临床路径确定模块,用于根据所述临床患者行为序列进行时序频繁集挖掘,得到所述目标病种对应的多个目标临床路径。
本申请还提出了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提出了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的临床路径的挖掘方法、装置、设备及存储介质,通过获取目标病种的待分析的临床数据,待分析的临床数据是根据目标病种对应的多个患者的历史临床数据得到的临床数据,对待分析的临床数据进行矩阵构建,得到待分析的临床数据矩阵,对待分析的临床数据矩阵按收费项目进行患者行为的聚类,得到待分析的临床数据对应的患者行为集合,采用患者行为集合对待分析的临床数据的收费项目进行患者行为的匹配和替换,得到待分析的临床数据对应的临床患者行为序列,根据临床患者行为序列进行时序频繁集挖掘,得到目标病种对应的多个目标临床路径,实现了基于多个患者的历史临床数据进行临床路径挖掘,提升了挖掘得到的临床路径的灵活性;而且基于将收费项目聚类成患者行为,再用患者行为表述多个患者的历史临床数据,有助于对实际患者行为的理解,并且增加了挖掘得到的临床路径的可解释性。
附图说明
图1为本申请一实施例的临床路径的挖掘方法的流程示意图;
图2为本申请一实施例的临床路径的挖掘装置的结构示意框图;
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
为了解决现有技术的专家指定临床路径没有考虑到实际情况下患者情况的差异,导致指定的临床路径的灵活性较差的技术问题,本申请提出了一种临床路径的挖掘方法,所述方法应用于数字医疗技术领域,所述方法还可以应用于人工智能技术领域。所述临床路径的挖掘方法通过对同一病种的多个患者的临床数据进行聚类得到患者行为,再用患者行为表述该病种的多个患者的临床数据,然后再进行临床路径挖掘,实现了基于多个患者的历史临床数据进行临床路径挖掘,提升了挖掘得到的临床路径的灵活性;而且基于将收费项目聚类成患者行为,再用患者行为表述多个患者的历史临床数据,有助于对实际患者行为的理解,并且增加了挖掘得到的临床路径的可解释性。
参照图1,本申请实施例中提供一种临床路径的挖掘方法,所述方法包括:
S1:获取目标病种的待分析的临床数据,所述待分析的临床数据是根据所述目标病种对应的多个患者的历史临床数据得到的临床数据;
S2:对所述待分析的临床数据进行矩阵构建,得到待分析的临床数据矩阵;
S3:对所述待分析的临床数据矩阵按收费项目进行患者行为的聚类,得到所述待分析的临床数据对应的患者行为集合;
S4:采用所述患者行为集合对所述待分析的临床数据的所述收费项目进行患者行为的匹配和替换,得到所述待分析的临床数据对应的临床患者行为序列;
S5:根据所述临床患者行为序列进行时序频繁集挖掘,得到所述目标病种对应的多个目标临床路径。
本实施例通过获取目标病种的待分析的临床数据,待分析的临床数据是根据目标病种对应的多个患者的历史临床数据得到的临床数据,对待分析的临床数据进行矩阵构建,得到待分析的临床数据矩阵,对待分析的临床数据矩阵按收费项目进行患者行为的聚类,得到待分析的临床数据对应的患者行为集合,采用患者行为集合对待分析的临床数据的收费项目进行患者行为的匹配和替换,得到待分析的临床数据对应的临床患者行为序列,根据临床患者行为序列进行时序频繁集挖掘,得到目标病种对应的多个目标临床路径,实现了基于多个患者的历史临床数据进行临床路径挖掘,提升了挖掘得到的临床路径的灵活性;而且基于将收费项目聚类成患者行为,再用患者行为表述多个患者的历史临床数据,有助于对实际患者行为的理解,并且增加了挖掘得到的临床路径的可解释性。
对于S1,可以获取用户输入的目标病种的待分析的临床数据,也可以是从数据库中获取的目标病种的待分析的临床数据,还可以是第三方应用系统发送的目标病种的待分析的临床数据。
目标病种,也就是病种。病种包括但不限于:髋关节坏死、肺癌、胃癌。
患者,是指患有目标病种的病人。
历史临床数据是患者的历史的电子化临床数据,数据采用按天进行组织。历史临床数据包括:患者标识、发生日期、收费项目集合,每个患者标识对应至少一个发生日期,每个患者标识对应的每个发生日期对应一个收费项目集合。患者标识可以是患者名称、患者ID、患者身份证号码、患者医疗保障号码等唯一标识一个患者的标识。收费项目集合中包括至少一个收费项目。收费项目包括但不限于:X线检查、X线透视检查、普通透视、X线摄影、数字化摄影、B超常规检查、单脏器B超检查、普通彩色多普勒超声检查、彩色多普勒超声常规检查。
待分析的临床数据,是指需要进行临床路径挖掘的临床数据。待分析的临床数据包括:患者标识、发生日期、收费项目集合。
对于S2,在构建矩阵时根据所述待分析的临床数据的收费项目集合中的收费项目得到矩阵元素值,以收费项目作为列,以患者与发生日期为行。也就是说,待分析的临床数据矩阵的行数等于所述多个患者中每个患者对应的历史临床数据对应的天数的总和,待分析的临床数据矩阵的列数等于所述待分析的临床数据涉及的不重复的收费项目的总和。比如,所述待分析的临床数据中患者1有历史临床数据是3天、患者2有历史临床数据是3天、患者3有历史临床数据是4天,所述待分析的临床数据涵盖患者行为1、患者行为2、患者行为3、患者行为4、患者行为5(也就是所述待分析的临床数据涉及的不重复的收费项目的总和为5),则待分析的临床数据矩阵的行数为10(3个患者中每个患者对应的历史临床数据对应的天数的总和为10),待分析的临床数据矩阵的列数为5,在此举例不做具体限定。
可选的,在构建矩阵时根据所述待分析的临床数据的收费项目集合中的收费项目得到矩阵元素值,矩阵元素值为1表示存在矩阵元素值对应的收费项目,矩阵元素值为0表示不存在矩阵元素值对应的收费项目。比如,第3行第5列对应的收费项目是B超常规检查,当第3行第5列对应的矩阵元素值是1时表示存在第3行第5列对应的收费项目是B超常规检查,当第3行第5列对应的矩阵元素值是0时表示不存在第3行第5列对应的收费项目是B超常规检查,在此举例不做具体限定。
可以理解的是,在另一个实施例中,也可以在构建矩阵时根据所述待分析的临床数据的收费项目集合中的收费项目得到矩阵元素值,以收费项目作为行,以患者与发生日期为列,以此得到待分析的临床数据矩阵,此时,待分析的临床数据矩阵的列数等于所述多个患者中每个患者对应的历史临床数据对应的天数。
对于S3,采用聚类算法对所述待分析的临床数据矩阵按收费项目进行患者行为的聚类,将聚类得到的所有患者行为作为所述待分析的临床数据对应的患者行为集合。也就是说,患者行为采用至少一个收费项目来表述,每个收费项目只能被聚类到一个患者行为。
采用聚类算法对所述待分析的临床数据矩阵按收费项目进行患者行为的聚类时,聚类算法包括但不限于:Kmeans聚类算法(K均值聚类算法)、DBSCAN聚类算法(密度聚类算法)。
采用聚类算法对所述待分析的临床数据矩阵按收费项目进行患者行为的聚类的方法可以从现有技术中选择,在此不做赘述。
比如,采用聚类算法对所述待分析的临床数据矩阵按收费项目进行患者行为的聚类得到的结果是聚成了三类:收费项目A和收费项目B属于患者行为1,收费项目D和收费项目E属于患者行为2,收费项目F属于患者行为3,则所述待分析的临床数据对应的患者行为集合为{患者行为1,患者行为2,患者行为3},其中,患者行为1表述收费项目A和收费项目B,患者行为2表述收费项目D和收费项目E,患者行为3表述收费项目F,在此举例不做具体限定。
对于S4,将所述待分析的临床数据的所述收费项目按每个患者每天进行所述患者行为集合中的患者行为的匹配,将匹配到的患者行为替换所述待分析的临床数据的收费项目,替换结束的所述待分析的临床数据作为临床患者行为序列。也就是说,临床患者行为序列中的序列元素数量与所述待分析的临床数据对应的患者数量相同。临床患者行为序列中序列元素是一个向量,临床患者行为序列中的一个序列元素表述的是同一患者多天的患者行为,临床患者行为序列中序列元素的向量中的每个向量元素表述一个患者在一天的所有患者行为。
比如,所述待分析的临床数据对应的患者行为集合为{患者行为1,患者行为2,患者行为3},其中,患者行为1表述收费项目A和收费项目B,患者行为2表述收费项目D和收费项目E,患者行为3表述收费项目F,所述待分析的临床数据中患者1的临床数据为[{A,B},{B,D,E},{A,D,E,F}],其中,{A,B}为第一天的临床数据,{B,D,E}为第二天的临床数据,{A,D,E,F}]为第三天的临床数据,进行患者行为的匹配和替换得到所述待分析的临床数据对应的临床患者行为序列对应的患者1的序列元素为[{患者行为1},{患者行为2},{患者行为2,患者行为3}],所述待分析的临床数据对应的临床患者行为序列的患者1的序列元素的向量元素{患者行为2,患者行为3}表述的是患者1在第3天的所有患者行为,在此举例不做具体限定。
对于S5,采用MultiPrefixSpan算法根据所述临床患者行为序列进行时序频繁集挖掘,将挖掘到的每个临床路径作为一个目标临床路径。
可以理解的是,目标临床路径中的患者行为是具有时序的。
比如,目标病种为髋关节坏死,髋关节坏死的目标临床路径为[{CT},{置换手术},{术后康复}],目标临床路径中节点{CT}、{置换手术}、{术后康复}之间具有时序,也就是说,需要先进行CT,然后再进行置换手术,最后进行术后康复,在此举例不做具体限定。
其中,MultiPrefixSpan算法是基于PrefixSpan算法,将PrefixSpan算法的项集用一个患者一天的患者行为的集合代替,然后进行时序频繁集挖掘。
PrefixSpan算法的目标是挖掘出满足最小支持度的频繁序列。也就是说,目标临床路径是满足最小支持度的频繁序列。
在一个实施例中,上述获取目标病种的待分析的临床数据的步骤,包括:
S11:获取所述目标病种对应的多个所述患者的所述历史临床数据,得到待分析的历史临床数据集合;
S12:获取收费项目频率阈值;
S13:采用所述收费项目频率阈值对所述待分析的历史临床数据集合进行所述收费项目过滤,得到所述目标病种对应的所述待分析的临床数据。
本实施例通过收费项目频率阈值过滤到不符合要求的收费项目,减少了所述待分析的临床数据中的噪音,提升了基于所述待分析的临床数据挖掘得到的目标临床路径的准确性。
对于S11,可以获取用户输入的所述目标病种对应的多个所述患者的所述历史临床数据,也可以是从数据库中获取的所述目标病种对应的多个所述患者的所述历史临床数据,还可以是第三方应用系统发送的所述目标病种对应的多个所述患者的所述历史临床数据。
对于S12,可以获取用户输入的收费项目频率阈值,也可以是从数据库中获取的收费项目频率阈值,还可以是第三方应用系统发送的收费项目频率阈值。可以理解的是,还可以将收费项目频率阈值写入实现本申请的软件程序中。
收费项目频率阈值是一个具体数值。
对于S13,将所述待分析的历史临床数据集合中出现频率小于所述收费项目频率阈值的收费项目过滤掉,将过滤结束的所述待分析的历史临床数据集合作为所述目标病种对应的所述待分析的临床数据。
在一个实施例中,上述采用所述收费项目频率阈值对所述待分析的历史临床数据集合进行所述收费项目过滤,得到所述目标病种对应的所述待分析的临床数据的步骤,包括:
S131:对所述待分析的历史临床数据集合进行每个所述收费项目的出现频率计算,得到所述待分析的历史临床数据集合中各个所述收费项目各自对应的出现频率;
S132:分别将所述待分析的历史临床数据集合中每个所述收费项目对应的所述出现频率与所述收费项目频率阈值进行对比;
S133:当存在所述收费项目对应的所述出现频率小于所述收费项目频率阈值时,将所述出现频率小于所述收费项目频率阈值的所述收费项目从所述待分析的历史临床数据集合中删除,将所述待分析的历史临床数据集合中剩余的数据作为所述目标病种对应的所述待分析的临床数据。
本实施例通过收费项目频率阈值过滤到不符合要求的收费项目,减少了所述待分析的临床数据中的噪音,提升了基于所述待分析的临床数据挖掘得到的目标临床路径的准确性。
对于S131,对所述待分析的历史临床数据集合进行每个收费项目出现的次数计算,得到所述待分析的历史临床数据集合对应的各个收费项目各自对应的出现次数;对所述待分析的历史临床数据集合进行天数计算,得到所述待分析的历史临床数据集合的总天数;分别将所述待分析的历史临床数据集合对应的每个收费项目对应的出现次数除以所述待分析的历史临床数据集合的总天数,得到所述待分析的历史临床数据集合中各个所述收费项目各自对应的出现频率。
比如,所述待分析的历史临床数据集合是4个患者共计10天(也就是所述待分析的历史临床数据集合的总天数)的所述历史临床数据,所述待分析的历史临床数据集合出现的6个收费项目:收费项目A、收费项目B、收费项目C、收费项目D、收费项目E、收费项目F,其中,收费项目A出现在编号1、3、4、5、6、10天(共计6天,也就是收费项目A的出现次数为6),收费项目A的出现频率为0.6(也就是收费项目A的出现次数6除以总天数10天),在此举例不做具体限定。
对于S133,当存在所述收费项目对应的所述出现频率小于所述收费项目频率阈值时,意味着该收费项目出现频率太低,属于噪音,因此需要将所述出现频率小于所述收费项目频率阈值的所述收费项目(也就是噪音)从所述待分析的历史临床数据集合中删除,从而提升了基于所述待分析的临床数据挖掘得到的目标临床路径的准确性。
在一个实施例中,上述对所述待分析的临床数据进行矩阵构建,得到待分析的临床数据矩阵的步骤,包括:
S21:从所述待分析的临床数据中提取出所述收费项目,得到待去重的收费项目集合;
S22:对所述待去重的收费项目集合进行所述收费项目的去重处理,得到去重后的收费项目集合;
S23:采用所述去重后的收费项目集合中的所述收费项目为列、每个所述患者与每个日期为行对所述待分析的临床数据进行矩阵构建,得到所述待分析的临床数据矩阵。
本实施例实现了基于待分析的临床数据构建矩阵,为后续患者行为的聚类提供了数据基础。
对于S21,从所述待分析的临床数据中提取出所有的所述收费项目,将提取的所有的收费项目作为待去重的收费项目集合。
对于S22,对所述待去重的收费项目集合进行所述收费项目的去重处理,意味着找出不重复的收费项目。也就是说,去重后的收费项目集合中的收费项目在去重后的收费项目集合中具有唯一性。
对于S23,采用所述去重后的收费项目集合中的所有的所述收费项目为列,也就是说所述待分析的临床数据矩阵的列数与所述去重后的收费项目集合中收费项目的数量相同。
每个所述患者与每个日期为行,也就是说,所述待分析的临床数据矩阵的一行表述的是同一患者在同一日期的临床数据。
在一个实施例中,上述对所述待分析的临床数据矩阵按收费项目进行患者行为的聚类,得到所述待分析的临床数据对应的患者行为集合的步骤,包括:
S31:采用所述收费项目从所述待分析的临床数据矩阵中提取数据,得到所述待分析的临床数据对应的各个所述收费项目各自对应的待分析的收费项目向量;
S32:对所述待分析的临床数据对应的各个所述收费项目各自对应的所述待分析的收费项目向量按所述收费项目进行患者行为的聚类,得到所述待分析的临床数据对应的所述患者行为集合,其中,每个所述收费项目只能属于一个所述患者行为。
本实施例实现了对所述待分析的临床数据矩阵按收费项目进行患者行为的聚类,采用患者行为表述至少一个收费项目,有助于对实际患者行为的理解,并且增加了挖掘得到的临床路径的可解释性。
对于S31,当所述待分析的临床数据矩阵以收费项目作为列和以患者与发生日期为行时,从所述待分析的临床数据矩阵中提取出一列数据作为一个待分析的收费项目向量。
当所述待分析的临床数据矩阵以收费项目作为行和以患者与发生日期为列时,从所述待分析的临床数据矩阵中提取出一行数据作为一个待分析的收费项目向量。
也就是说,待分析的收费项目向量在表述的是待分析的临床数据对应的所有患者在所有天是否出现待分析的收费项目向量对应的收费项目。待分析的收费项目向量的列数为1列,待分析的收费项目向量的行数为待分析的临床数据的总天数。
对于S32,对所述待分析的临床数据对应的各个所述收费项目各自对应的所述待分析的收费项目向量按所述收费项目进行患者行为的聚类,意味着,是将收费项目聚类到多个患者行为。
对所述待分析的临床数据对应的各个所述收费项目各自对应的所述待分析的收费项目向量按所述收费项目进行患者行为的聚类的方法可以从现有技术中选择,在此不做赘述。
在一个实施例中,上述根据所述临床患者行为序列进行时序频繁集挖掘,得到所述目标病种对应的多个目标临床路径的步骤,包括:
S51:从所述多个患者中获取一个所述患者作为目标患者;
S52:分别将所述目标患者在所述临床患者行为序列中每天的所述患者行为作为一个项集,得到所述目标患者对应的多个项集;
S53:将所述目标患者对应的多个所述项集按时间顺序组成序列,得到所述目标患者对应的待挖掘的患者行为时间序列;
S54:重复执行所述从所述多个患者中获取一个所述患者作为目标患者的步骤,直至确定所述多个患者各自对应的所述待挖掘的患者行为时间序列;
S55:对所述多个患者各自对应的所述待挖掘的患者行为时间序列进行时序频繁集挖掘,得到所述目标病种对应的多个所述目标临床路径。
本实施例实现了基于多个患者的历史临床数据得到的所述临床患者行为序列进行临床路径挖掘,提升了挖掘得到的临床路径的灵活性。
对于S51,从所述待分析的临床数据对应的所述多个患者中获取一个所述患者,将获取的患者作为目标患者。
对于S52,分别将所述目标患者在所述临床患者行为序列中每天的所述患者行为作为一个项集,也就是说,所述目标患者在所述临床患者行为序列中对应的天数与所述目标患者对应的多个项集中项集的数量相同。
对于S53,将所述目标患者对应的所有所述项集按时间顺序组成一个时间序列,将得到的时间序列作为所述目标患者对应的待挖掘的患者行为时间序列。
对于步骤S52至步骤S53,举例如下:目标患者在在所述临床患者行为序列中包括5天数据:第1天是{患者行为1,患者行为2}、第2天是{患者行为1,患者行为7}、第3天是{患者行为2,患者行为4,患者行为7,患者行为8}、第4天是{患者行为3,患者行为5}、第5天是{患者行为4,患者行为6},将第1天的{患者行为1,患者行为2}作为一个项集,将第2天的{患者行为1,患者行为7}作为一个项集、将第3天的{患者行为2,患者行为4,患者行为7,患者行为8}作为一个项集、将第4天的{患者行为3,患者行为5}作为一个项集、将第5天的{患者行为4,患者行为6}作为一个项集,所述目标患者对应的待挖掘的患者行为时间序列为[{患者行为1,患者行为2},{患者行为1,患者行为7},{患者行为2,患者行为4,患者行为7,患者行为8},{患者行为3,患者行为5},{患者行为4,患者行为6}],在此举例不做具体限定。
对于S54,重复执行步骤S51至步骤S54,直至确定所述多个患者各自对应的所述待挖掘的患者行为时间序列。
对于S55,对所述多个患者各自对应的所述待挖掘的患者行为时间序列进行时序频繁集挖掘,得到多个临床路径,将挖掘到的每个临床路径作为一个目标临床路径。
在一个实施例中,上述对所述多个患者各自对应的所述待挖掘的患者行为时间序列进行时序频繁集挖掘,得到所述目标病种对应的多个所述目标临床路径的步骤,包括:
S551:获取支持度阈值;
S552:采用MultiPrefixSpan算法和所述支持度阈值对所述多个患者各自对应的所述待挖掘的患者行为时间序列进行时序频繁集挖掘,得到所述目标病种对应的多个所述目标临床路径。
本实施例采用MultiPrefixSpan算法对所述多个患者各自对应的所述待挖掘的患者行为时间序列进行时序频繁集挖掘,不用产生候选序列,且投影数据库缩小的很快,内存消耗比较稳定,作频繁序列模式挖掘的时候效果很高。
对于S551,可以获取用户输入的支持度阈值,也可以是从数据库中获取的支持度阈值,还可以是第三方应用系统发送的支持度阈值。可以理解的是,还可以将支持度阈值写入实现本申请的软件程序中。
支持度阈值,是一个具体数值。
对于S552,将所述多个患者各自对应的所述待挖掘的患者行为时间序列中每个所述待挖掘的患者行为时间序列作为一条项集数据,将所述待挖掘的患者行为时间序列中的每个项集作为项集数据中的一个项集;然后采用PrefixSpan算法对所有项集数据进行时序频繁集挖掘,将挖掘到的每个临床路径作为一个目标临床路径,其中,挖掘时项集数据中的同一个项集中的患者行为不具有时序,项集数据中的不同项集之间具有时序。
采用PrefixSpan算法对所有项集数据进行时序频繁集挖掘的方法可以从现有技术中选择,在此不做具体限定。
比如,待挖掘的患者行为时间序列为[{患者行为1,患者行为2},{患者行为1,患者行为7},{患者行为2,患者行为4,患者行为7,患者行为8},{患者行为3,患者行为5},{患者行为4,患者行为6}],项集{患者行为1,患者行为2}中两种患者行为没有先后顺序(也就是不具有时序),项集{患者行为1,患者行为7}中两种患者行为没有先后顺序,项集{患者行为2,患者行为4,患者行为7,患者行为8}中四种患者行为没有先后顺序,项集{患者行为3,患者行为5}中两种患者行为没有先后顺序,项集{患者行为4,患者行为6}中两种患者行为没有先后顺序,项集{患者行为1,患者行为7}排在项集{患者行为1,患者行为2}和项集{患者行为2,患者行为4,患者行为7,患者行为8}之间,在此举例不做具体限定。
比如,待挖掘的患者行为时间序列的项集m{患者行为1,患者行为3,患者行为7},在进行时序频繁集挖掘时,将项集{患者行为1,患者行为3,患者行为7}中的患者行为的多种排列顺序(也就是{患者行为1,患者行为3,患者行为7}、{患者行为1,患者行为7,患者行为3}、{患者行为3,患者行为1,患者行为7}、{患者行为3,患者行为7,患者行为1}、{患者行为7,患者行为1,患者行为3}、{患者行为7,患者行为3,患者行为1},共计6种)都可以作为项集m的表现形式进行挖掘,在此举例不做具体限定。
参照图2,本申请还提出了一种临床路径的挖掘装置,所述装置包括:
数据获取模块100,用于获取目标病种的待分析的临床数据,所述待分析的临床数据是根据所述目标病种对应的多个患者的历史临床数据得到的临床数据;
矩阵构建模块200,用于对所述待分析的临床数据进行矩阵构建,得到待分析的临床数据矩阵;
患者行为的聚类模块300,用于对所述待分析的临床数据矩阵按收费项目进行患者行为的聚类,得到所述待分析的临床数据对应的患者行为集合;
患者行为匹配和替换模块400,用于采用所述患者行为集合对所述待分析的临床数据的所述收费项目进行患者行为的匹配和替换,得到所述待分析的临床数据对应的临床患者行为序列;
目标临床路径确定模块500,用于根据所述临床患者行为序列进行时序频繁集挖掘,得到所述目标病种对应的多个目标临床路径。
本实施例通过获取目标病种的待分析的临床数据,待分析的临床数据是根据目标病种对应的多个患者的历史临床数据得到的临床数据,对待分析的临床数据进行矩阵构建,得到待分析的临床数据矩阵,对待分析的临床数据矩阵按收费项目进行患者行为的聚类,得到待分析的临床数据对应的患者行为集合,采用患者行为集合对待分析的临床数据的收费项目进行患者行为的匹配和替换,得到待分析的临床数据对应的临床患者行为序列,根据临床患者行为序列进行时序频繁集挖掘,得到目标病种对应的多个目标临床路径,实现了基于多个患者的历史临床数据进行临床路径挖掘,提升了挖掘得到的临床路径的灵活性;而且基于将收费项目聚类成患者行为,再用患者行为表述多个患者的历史临床数据,有助于对实际患者行为的理解,并且增加了挖掘得到的临床路径的可解释性。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存临床路径的挖掘方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种临床路径的挖掘方法。所述临床路径的挖掘方法,包括:获取目标病种的待分析的临床数据,所述待分析的临床数据是根据所述目标病种对应的多个患者的历史临床数据得到的临床数据;对所述待分析的临床数据进行矩阵构建,得到待分析的临床数据矩阵;对所述待分析的临床数据矩阵按收费项目进行患者行为的聚类,得到所述待分析的临床数据对应的患者行为集合;采用所述患者行为集合对所述待分析的临床数据的所述收费项目进行患者行为的匹配和替换,得到所述待分析的临床数据对应的临床患者行为序列;根据所述临床患者行为序列进行时序频繁集挖掘,得到所述目标病种对应的多个目标临床路径。
本实施例通过获取目标病种的待分析的临床数据,待分析的临床数据是根据目标病种对应的多个患者的历史临床数据得到的临床数据,对待分析的临床数据进行矩阵构建,得到待分析的临床数据矩阵,对待分析的临床数据矩阵按收费项目进行患者行为的聚类,得到待分析的临床数据对应的患者行为集合,采用患者行为集合对待分析的临床数据的收费项目进行患者行为的匹配和替换,得到待分析的临床数据对应的临床患者行为序列,根据临床患者行为序列进行时序频繁集挖掘,得到目标病种对应的多个目标临床路径,实现了基于多个患者的历史临床数据进行临床路径挖掘,提升了挖掘得到的临床路径的灵活性;而且基于将收费项目聚类成患者行为,再用患者行为表述多个患者的历史临床数据,有助于对实际患者行为的理解,并且增加了挖掘得到的临床路径的可解释性。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种临床路径的挖掘方法,包括步骤:获取目标病种的待分析的临床数据,所述待分析的临床数据是根据所述目标病种对应的多个患者的历史临床数据得到的临床数据;对所述待分析的临床数据进行矩阵构建,得到待分析的临床数据矩阵;对所述待分析的临床数据矩阵按收费项目进行患者行为的聚类,得到所述待分析的临床数据对应的患者行为集合;采用所述患者行为集合对所述待分析的临床数据的所述收费项目进行患者行为的匹配和替换,得到所述待分析的临床数据对应的临床患者行为序列;根据所述临床患者行为序列进行时序频繁集挖掘,得到所述目标病种对应的多个目标临床路径。
上述执行的临床路径的挖掘方法,通过获取目标病种的待分析的临床数据,待分析的临床数据是根据目标病种对应的多个患者的历史临床数据得到的临床数据,对待分析的临床数据进行矩阵构建,得到待分析的临床数据矩阵,对待分析的临床数据矩阵按收费项目进行患者行为的聚类,得到待分析的临床数据对应的患者行为集合,采用患者行为集合对待分析的临床数据的收费项目进行患者行为的匹配和替换,得到待分析的临床数据对应的临床患者行为序列,根据临床患者行为序列进行时序频繁集挖掘,得到目标病种对应的多个目标临床路径,实现了基于多个患者的历史临床数据进行临床路径挖掘,提升了挖掘得到的临床路径的灵活性;而且基于将收费项目聚类成患者行为,再用患者行为表述多个患者的历史临床数据,有助于对实际患者行为的理解,并且增加了挖掘得到的临床路径的可解释性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种临床路径的挖掘方法,其特征在于,所述方法包括:
获取目标病种的待分析的临床数据,所述待分析的临床数据是根据所述目标病种对应的多个患者的历史临床数据得到的临床数据;
对所述待分析的临床数据进行矩阵构建,得到待分析的临床数据矩阵;
对所述待分析的临床数据矩阵按收费项目进行患者行为的聚类,得到所述待分析的临床数据对应的患者行为集合;
采用所述患者行为集合对所述待分析的临床数据的所述收费项目进行患者行为的匹配和替换,得到所述待分析的临床数据对应的临床患者行为序列;
根据所述临床患者行为序列进行时序频繁集挖掘,得到所述目标病种对应的多个目标临床路径。
2.根据权利要求1所述的临床路径的挖掘方法,其特征在于,所述获取目标病种的待分析的临床数据的步骤,包括:
获取所述目标病种对应的多个所述患者的所述历史临床数据,得到待分析的历史临床数据集合;
获取收费项目频率阈值;
采用所述收费项目频率阈值对所述待分析的历史临床数据集合进行所述收费项目过滤,得到所述目标病种对应的所述待分析的临床数据。
3.根据权利要求2所述的临床路径的挖掘方法,其特征在于,所述采用所述收费项目频率阈值对所述待分析的历史临床数据集合进行所述收费项目过滤,得到所述目标病种对应的所述待分析的临床数据的步骤,包括:
对所述待分析的历史临床数据集合进行每个所述收费项目的出现频率计算,得到所述待分析的历史临床数据集合中各个所述收费项目各自对应的出现频率;
分别将所述待分析的历史临床数据集合中每个所述收费项目对应的所述出现频率与所述收费项目频率阈值进行对比;
当存在所述收费项目对应的所述出现频率小于所述收费项目频率阈值时,将所述出现频率小于所述收费项目频率阈值的所述收费项目从所述待分析的历史临床数据集合中删除,将所述待分析的历史临床数据集合中剩余的数据作为所述目标病种对应的所述待分析的临床数据。
4.根据权利要求1所述的临床路径的挖掘方法,其特征在于,所述对所述待分析的临床数据进行矩阵构建,得到待分析的临床数据矩阵的步骤,包括:
从所述待分析的临床数据中提取出所述收费项目,得到待去重的收费项目集合;
对所述待去重的收费项目集合进行所述收费项目的去重处理,得到去重后的收费项目集合;
采用所述去重后的收费项目集合中的所述收费项目为列、每个所述患者与每个日期为行对所述待分析的临床数据进行矩阵构建,得到所述待分析的临床数据矩阵。
5.根据权利要求1所述的临床路径的挖掘方法,其特征在于,所述对所述待分析的临床数据矩阵按收费项目进行患者行为的聚类,得到所述待分析的临床数据对应的患者行为集合的步骤,包括:
采用所述收费项目从所述待分析的临床数据矩阵中提取数据,得到所述待分析的临床数据对应的各个所述收费项目各自对应的待分析的收费项目向量;
对所述待分析的临床数据对应的各个所述收费项目各自对应的所述待分析的收费项目向量按所述收费项目进行患者行为的聚类,得到所述待分析的临床数据对应的所述患者行为集合,其中,每个所述收费项目只能属于一个所述患者行为。
6.根据权利要求1所述的临床路径的挖掘方法,其特征在于,所述根据所述临床患者行为序列进行时序频繁集挖掘,得到所述目标病种对应的多个目标临床路径的步骤,包括:
从所述多个患者中获取一个所述患者作为目标患者;
分别将所述目标患者在所述临床患者行为序列中每天的所述患者行为作为一个项集,得到所述目标患者对应的多个项集;
将所述目标患者对应的多个所述项集按时间顺序组成序列,得到所述目标患者对应的待挖掘的患者行为时间序列;
重复执行所述从所述多个患者中获取一个所述患者作为目标患者的步骤,直至确定所述多个患者各自对应的所述待挖掘的患者行为时间序列;
对所述多个患者各自对应的所述待挖掘的患者行为时间序列进行时序频繁集挖掘,得到所述目标病种对应的多个所述目标临床路径。
7.根据权利要求6所述的临床路径的挖掘方法,其特征在于,所述对所述多个患者各自对应的所述待挖掘的患者行为时间序列进行时序频繁集挖掘,得到所述目标病种对应的多个所述目标临床路径的步骤,包括:
获取支持度阈值;
采用MultiPrefixSpan算法和所述支持度阈值对所述多个患者各自对应的所述待挖掘的患者行为时间序列进行时序频繁集挖掘,得到所述目标病种对应的多个所述目标临床路径。
8.一种临床路径的挖掘装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标病种的待分析的临床数据,所述待分析的临床数据是根据所述目标病种对应的多个患者的历史临床数据得到的临床数据;
矩阵构建模块,用于对所述待分析的临床数据进行矩阵构建,得到待分析的临床数据矩阵;
患者行为的聚类模块,用于对所述待分析的临床数据矩阵按收费项目进行患者行为的聚类,得到所述待分析的临床数据对应的患者行为集合;
患者行为匹配和替换模块,用于采用所述患者行为集合对所述待分析的临床数据的所述收费项目进行患者行为的匹配和替换,得到所述待分析的临床数据对应的临床患者行为序列;
目标临床路径确定模块,用于根据所述临床患者行为序列进行时序频繁集挖掘,得到所述目标病种对应的多个目标临床路径。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011549401.4A CN112652405A (zh) | 2020-12-24 | 2020-12-24 | 临床路径的挖掘方法、装置、设备及存储介质 |
PCT/CN2021/097546 WO2022134476A1 (zh) | 2020-12-24 | 2021-05-31 | 临床路径的挖掘方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011549401.4A CN112652405A (zh) | 2020-12-24 | 2020-12-24 | 临床路径的挖掘方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112652405A true CN112652405A (zh) | 2021-04-13 |
Family
ID=75359856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011549401.4A Pending CN112652405A (zh) | 2020-12-24 | 2020-12-24 | 临床路径的挖掘方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112652405A (zh) |
WO (1) | WO2022134476A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724826A (zh) * | 2021-11-03 | 2021-11-30 | 武汉金豆医疗数据科技有限公司 | 医疗行为的监控方法、装置、计算机设备以及存储介质 |
CN113850410A (zh) * | 2021-08-03 | 2021-12-28 | 望海康信(北京)科技股份公司 | 病种控费项目优化方法、系统及相应设备和存储介质 |
CN114418008A (zh) * | 2022-01-21 | 2022-04-29 | 平安国际智慧城市科技股份有限公司 | 就医行为识别方法、装置、终端设备及存储介质 |
WO2022134476A1 (zh) * | 2020-12-24 | 2022-06-30 | 平安科技(深圳)有限公司 | 临床路径的挖掘方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020116300A1 (en) * | 1999-08-24 | 2002-08-22 | Debusk Brian C. | Modular analysis and standardization system |
CN1828620A (zh) * | 2006-04-14 | 2006-09-06 | 潘佩光 | 一种提高工作效率的智能型住院临床路径首页 |
CN102068309A (zh) * | 2009-11-25 | 2011-05-25 | 成澄 | 临床路径实施方法以及包含临床路径数据的医疗信息管理系统 |
CN106228023A (zh) * | 2016-08-01 | 2016-12-14 | 清华大学 | 一种基于本体和主题模型的临床路径挖掘方法 |
CN106339587A (zh) * | 2016-08-23 | 2017-01-18 | 浙江工业大学 | 一种基于时序网络的临床路径建模方法 |
US20190221311A1 (en) * | 2018-01-18 | 2019-07-18 | Hitachi, Ltd. | Analysis apparatus and analysis method |
CN111341454A (zh) * | 2018-12-19 | 2020-06-26 | 中国电信股份有限公司 | 数据挖掘方法和装置 |
US20200373017A1 (en) * | 2019-05-24 | 2020-11-26 | The Trustees Of Princeton University | System and method for intelligence crowdsourcing reinforcement learning for clinical pathway optimization |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4029593B2 (ja) * | 2001-09-11 | 2008-01-09 | 株式会社日立製作所 | プロセス分析方法及び情報システム |
KR101634781B1 (ko) * | 2014-05-16 | 2016-07-01 | 연세대학교 산학협력단 | 진료 프로세스 분석을 통한 원내 의료서비스 예약 자동화방법 |
WO2018215276A1 (en) * | 2017-05-26 | 2018-11-29 | Koninklijke Philips N.V. | Scheduling a task for a medical professional |
CN110957013B (zh) * | 2018-09-27 | 2022-09-23 | 清华大学 | 基于遗传算法的临床路径本地化的方法和装置 |
CN111192644B (zh) * | 2019-12-11 | 2023-02-03 | 平安医疗健康管理股份有限公司 | 临床路径的构建方法、装置、计算机设备和存储介质 |
CN112652405A (zh) * | 2020-12-24 | 2021-04-13 | 平安科技(深圳)有限公司 | 临床路径的挖掘方法、装置、设备及存储介质 |
-
2020
- 2020-12-24 CN CN202011549401.4A patent/CN112652405A/zh active Pending
-
2021
- 2021-05-31 WO PCT/CN2021/097546 patent/WO2022134476A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020116300A1 (en) * | 1999-08-24 | 2002-08-22 | Debusk Brian C. | Modular analysis and standardization system |
CN1828620A (zh) * | 2006-04-14 | 2006-09-06 | 潘佩光 | 一种提高工作效率的智能型住院临床路径首页 |
CN102068309A (zh) * | 2009-11-25 | 2011-05-25 | 成澄 | 临床路径实施方法以及包含临床路径数据的医疗信息管理系统 |
CN106228023A (zh) * | 2016-08-01 | 2016-12-14 | 清华大学 | 一种基于本体和主题模型的临床路径挖掘方法 |
CN106339587A (zh) * | 2016-08-23 | 2017-01-18 | 浙江工业大学 | 一种基于时序网络的临床路径建模方法 |
US20190221311A1 (en) * | 2018-01-18 | 2019-07-18 | Hitachi, Ltd. | Analysis apparatus and analysis method |
CN111341454A (zh) * | 2018-12-19 | 2020-06-26 | 中国电信股份有限公司 | 数据挖掘方法和装置 |
US20200373017A1 (en) * | 2019-05-24 | 2020-11-26 | The Trustees Of Princeton University | System and method for intelligence crowdsourcing reinforcement learning for clinical pathway optimization |
Non-Patent Citations (1)
Title |
---|
李惠: "单病种医疗服务定价机制与方法研究", 《中国优秀博硕士学位论文全文数据库(博士)(医药卫生科技辑)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022134476A1 (zh) * | 2020-12-24 | 2022-06-30 | 平安科技(深圳)有限公司 | 临床路径的挖掘方法、装置、设备及存储介质 |
CN113850410A (zh) * | 2021-08-03 | 2021-12-28 | 望海康信(北京)科技股份公司 | 病种控费项目优化方法、系统及相应设备和存储介质 |
CN113850410B (zh) * | 2021-08-03 | 2022-11-22 | 望海康信(北京)科技股份公司 | 病种控费项目优化方法、系统及相应设备和存储介质 |
CN113724826A (zh) * | 2021-11-03 | 2021-11-30 | 武汉金豆医疗数据科技有限公司 | 医疗行为的监控方法、装置、计算机设备以及存储介质 |
CN114418008A (zh) * | 2022-01-21 | 2022-04-29 | 平安国际智慧城市科技股份有限公司 | 就医行为识别方法、装置、终端设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022134476A1 (zh) | 2022-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112652405A (zh) | 临床路径的挖掘方法、装置、设备及存储介质 | |
Pedoia et al. | 3D convolutional neural networks for detection and severity staging of meniscus and PFJ cartilage morphological degenerative changes in osteoarthritis and anterior cruciate ligament subjects | |
Fernández-Riverola et al. | Employing tsk fuzzy models to automate the revision stage of a cbr system | |
WO2020220545A1 (zh) | 基于长短期记忆模型的疾病预测方法、装置和计算机设备 | |
CN112017789B (zh) | 分诊数据处理方法、装置、设备及介质 | |
Prodel et al. | Discovery of patient pathways from a national hospital database using process mining and integer linear programming | |
CN110600107B (zh) | 医学图像的筛选方法、计算机设备及可读存储介质 | |
Coleman et al. | A computationally efficient method for nonparametric modeling of neural spiking activity with point processes | |
CN109377388B (zh) | 医保投保方法、装置、计算机设备和存储介质 | |
CN110705688B (zh) | 对操作事件进行风险评估的神经网络系统、方法及装置 | |
CN112639833A (zh) | 可自适应神经网络 | |
CN111161880B (zh) | 基于分类模型的医疗信息分类方法、装置和计算机设备 | |
CN112116999A (zh) | 用于提供用于处理医学数据的聚合算法的方法和用于处理医学数据的方法 | |
CN111128348A (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
Kaur et al. | Lung cancer detection using CT scan with artificial neural netwok | |
US20180285758A1 (en) | Methods for creating and analyzing dynamic trail networks | |
CN114358305A (zh) | 移动ai | |
Vaiana et al. | Optimizing state change detection in functional temporal networks through dynamic community detection | |
CN116030990B (zh) | 一种基于级联模型的围手术期输血方案生成方法及系统 | |
CN111657921A (zh) | 心电异常实时监测方法、装置、计算机设备和存储介质 | |
CN111275059A (zh) | 一种图像处理方法、装置和计算机可读存储介质 | |
CN115240843A (zh) | 基于结构因果模型的公平性预测系统 | |
US11633624B2 (en) | Resource scheduling in adaptive radiation therapy planning | |
CN113344129A (zh) | 时间序列的预测方法、装置、设备及存储介质 | |
JP2021117964A (ja) | 医用システム及び医用情報処理方法 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40041490 Country of ref document: HK |
|
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210413 |
|
RJ01 | Rejection of invention patent application after publication |