CN113257431A - 一种基于虚拟人虚拟病例的自然人病例生成方法和系统 - Google Patents
一种基于虚拟人虚拟病例的自然人病例生成方法和系统 Download PDFInfo
- Publication number
- CN113257431A CN113257431A CN202110675150.2A CN202110675150A CN113257431A CN 113257431 A CN113257431 A CN 113257431A CN 202110675150 A CN202110675150 A CN 202110675150A CN 113257431 A CN113257431 A CN 113257431A
- Authority
- CN
- China
- Prior art keywords
- case
- cases
- chain
- virtual
- sets
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请揭示了一种基于虚拟人虚拟病例的自然人病例生成方法和系统,调取预设的病例库中的多个病例,并按照年龄段进行病例划分处理,以得到多个第一病例集;进行相似病例合并处理,以将所述多个第一病例集转化为多个第二病例集;生成多个病例短链;从所述多个病例短链中选出多个病例短链对;执行病例短链对连接操作,从而生成多个病例长链;筛选出多个指定病例长链,封装为警示模型;进行数据采集处理,合并为所述待分析自然人的真实数据集;选出指定虚拟病例长链,并对所述指定虚拟病例长链标记上警示标识;生成与所述待分析自然人对应的自然人病例,从而实现了病例的数据利用程度的提高,并提高了患者的长期健康程度。
Description
技术领域
本申请涉及到计算机领域,特别是涉及到一种基于虚拟人虚拟病例的自然人病例生成方法和系统。
背景技术
病例记录某个患者患病前后数据及治疗方案的信息,可认为是该患者病史(或病历)的一部分。可将大量病例存储在病例库中,但是传统技术对于这些病例的生成与使用,一般只涉及学术研究,却难以直接应用于患者本身以提高健康程度。而之所以难以直接应用于患者本身,其中的一部分原因在于,仅利用病例本身难以实现长期的医疗指导(病例中可能存在的医嘱,最多只能针对患者短期的生理数据而给出,这首先依赖于医生的医疗水平,其次同样无法给出长期的医疗指导)。因此,现有技术对于病例的数据利用程度低,缺少具有长期医疗指导效果的病例生成方案。
发明内容
本申请提出一种基于虚拟人虚拟病例的自然人病例生成方法,包括以下步骤:
S1、调取预设的病例库中的多个病例,并按照年龄段进行病例划分处理,以得到多个第一病例集;其中,同一个第一病例集中的病例对应的病人处于同一年龄段;
S2、根据预设的相似度计算方法,对每个第一病例集中的病例进行相似度计算,再以相似度计算结果为依据,进行相似病例合并处理,以将所述多个第一病例集转化为多个第二病例集;其中,所述第二病例集中包括折叠病例与非折叠病例,折叠病例由多个相似病例构成,非折叠病例不存在相似病例;
S3、根据所述多个第二病例集,采用预设的病例短链生成方法,生成多个病例短链;其中,每个病例短链仅由两个相连的病例构成,并且同一个病例短链的患者相同,每个病例短链的前端病例早于后端病例;
S4、从所述多个病例短链中选出多个病例短链对;其中,每个病例短链对均包括一号病例短链和二号病例短链,所述一号病例短链的后端病例与所述二号病例短链的前端病例均为同一个折叠病例;
S5、执行病例短链对连接操作,以使每个病例短链对中的一号病例短链与二号病例短链互相连接,从而生成多个病例长链;
S6、根据预设的长链筛选规则,从所述多个病例长链中筛选出多个指定病例长链,并将所述多个指定病例长链记为对应于虚拟人的多个虚拟病例长链,再将所述多个虚拟病例长链封装为警示模型;
S7、采用预设的生理数据采集工具,对预设的待分析自然人在治疗前进行数据采集处理和在治疗后进行数据采集处理,以分别得到治疗前数据和治疗后数据,并获取所述待分析自然人的治疗方案,将所述治疗方案、所述治疗前数据和治疗后数据合并为所述待分析自然人的真实数据集;
S8、将所述真实数据集输入所述警示模型中,从而采用所述警示模型从所述多个虚拟病例长链中选出指定虚拟病例长链,并对所述指定虚拟病例长链标记上警示标识;
S9、根据所述真实数据集和所述指定虚拟病例长链,生成与所述待分析自然人对应的自然人病例。
进一步地,所述调取预设的病例库中的多个病例,并按照年龄段进行病例划分处理,以得到多个第一病例集的步骤S1,包括:
S101、调取预设的病例库中的多个病例,并进行病例排除处理,以排除出非自然病例;其中,所述非自然病例指不是由于人的生理演变导致的病例;
S102、将排除出非自然病例的多个病例按照年龄段进行病例划分处理,以得到多个第一病例集。
进一步地,所述根据预设的相似度计算方法,对每个第一病例集中的病例进行相似度计算,再以相似度计算结果为依据,进行相似病例合并处理,以将所述多个第一病例集转化为多个第二病例集的步骤S2,包括:
S201、对每个第一病例集均按照患病类型进行划分为多个病例子集,获取所述多个病例子集中的所有病例的治疗前数据,并映射为多个前数据向量,从而得到与所述多个病例子集分别对应的多个前数据向量集;
S202、调取与所述多个病例子集分别对应的多个标准病例,并将所述多个标准病例的治疗前数据映射为多个标准向量;其中,所述多个标准病例的数量等于所述多个病例子集的数量,所述多个标准向量与所述多个前数据向量集一一对应;
S203、根据公式:
,计算出相互对应的标准向
量与前数据向量之间的相似度值L,从而得到与所述多个前数据向量集对应的多个第一相
似度值集;其中,标准向量与前数据向量均只有m个分向量,A为标准向量,B为前数据向量,
Ai为标准向量的第i个分向量,Bi为前数据向量的第i个分向量,p与k均为预设的参数值,p
为大于1的正数,k为大于1的正数;
S204、根据数值大于预设的相似度阈值的规则,对所述多个第一相似度值集分别进行相似度值计算处理,以分别构成多个第二相似度值集;
S205、根据相似度值与治疗前数据的对应关系,构建与所述多个第二相似度集分对别应的多个治疗前数据集;
S206、对每个治疗前数据集中的数据均进行两两相似度计算处理,以得到多个第三相似度集;
S207、采用预设的聚类方法,以所述多个第三相似度集为依据,对所述多个治疗前数据集分别进行聚类处理,从而将每个治疗前数据集均划分为多个簇;
S208、将属于同一个簇的所有病例合并为折叠病例,并将除折叠病例外的其他病例记为非折叠病例,从而将所述多个第一病例集转化为多个第二病例集。
进一步地,所述根据预设的长链筛选规则,从所述多个病例长链中筛选出多个指定病例长链的步骤S6,包括:
S601、将所述多个病例长链分别映射入预先建立的平面直角坐标系中,以生成多个第一黑色折线;其中,所述平面直角坐标系以时间为横轴,以病例评分为纵轴,并且不同病例对应的病例评分不同;
S602、对所述多个第一黑色折线进行亮度设置处理,以使每个第一黑色折线的亮度均被设置为第一亮度值;
S603、根据保留亮度值大于预设的亮度阈值的线段的规则,使所述平面直角坐标系中仅留下指定黑色线段;其中,所述亮度阈值大于所述第一亮度值的n倍,n为大于1的正数;
S604、将相互连接的指定黑色线段依次连接,以得到多个第二黑色折线;
S605、将所述多个第二黑色折线记为多个指定病例长链。
进一步地,所述将所述真实数据集输入所述警示模型中,从而采用所述警示模型从所述多个虚拟病例长链中选出指定虚拟病例长链的步骤S8,包括:
S801、将所述真实数据集输入所述警示模型中,并采用所述警示模型以预设的欧氏距离算法,进行所述真实数据集与节点之间的距离计算处理,从而得到与所述多个虚拟病例长链中的所有节点分别对应的多个距离数值;
S802、从所述多个距离数值中选出最小的距离数值,并根据距离数值与节点的对应关系,获取与所述最小的距离数值对应的指定节点;
S803、将具有所述指定节点的虚拟病例长链记为指定虚拟病例长链。
进一步地,所述根据所述真实数据集和所述指定虚拟病例长链,生成与所述待分析自然人对应的自然人病例的步骤S9,包括:
S901、调用预设的病例模板,并将所述真实数据集填入所述病例模板中,以得到初始病例;
S902、在所述初始病例后叠加所述指定虚拟病例长链,从而生成与所述待分析自然人对应的自然人病例。
本申请提供一种基于虚拟人虚拟病例的自然人病例生成系统,包括:
病例划分单元,用于调取预设的病例库中的多个病例,并按照年龄段进行病例划分处理,以得到多个第一病例集;其中,同一个第一病例集中的病例对应的病人处于同一年龄段;
相似病例合并单元,用于根据预设的相似度计算方法,对每个第一病例集中的病例进行相似度计算,再以相似度计算结果为依据,进行相似病例合并处理,以将所述多个第一病例集转化为多个第二病例集;其中,所述第二病例集中包括折叠病例与非折叠病例,折叠病例由多个相似病例构成,非折叠病例不存在相似病例;
病例短链生成单元,用于根据所述多个第二病例集,采用预设的病例短链生成方法,生成多个病例短链;其中,每个病例短链仅由两个相连的病例构成,并且同一个病例短链的患者相同,每个病例短链的前端病例早于后端病例;
病例短链对选取单元,用于从所述多个病例短链中选出多个病例短链对;其中,每个病例短链对均包括一号病例短链和二号病例短链,所述一号病例短链的后端病例与所述二号病例短链的前端病例均为同一个折叠病例;
病例短链对连接单元,用于执行病例短链对连接操作,以使每个病例短链对中的一号病例短链与二号病例短链互相连接,从而生成多个病例长链;
长链筛选单元,用于根据预设的长链筛选规则,从所述多个病例长链中筛选出多个指定病例长链,并将所述多个指定病例长链记为对应于虚拟人的多个虚拟病例长链,再将所述多个虚拟病例长链封装为警示模型;
生理数据采集单元,用于采用预设的生理数据采集工具,对预设的待分析自然人在治疗前进行数据采集处理和在治疗后进行数据采集处理,以分别得到治疗前数据和治疗后数据,并获取所述待分析自然人的治疗方案,将所述治疗方案、所述治疗前数据和治疗后数据合并为所述待分析自然人的真实数据集;
指定虚拟病例长链生成单元,用于将所述真实数据集输入所述警示模型中,从而采用所述警示模型从所述多个虚拟病例长链中选出指定虚拟病例长链,并对所述指定虚拟病例长链标记上警示标识;
自然人病例生成单元,用于根据所述真实数据集和所述指定虚拟病例长链,生成与所述待分析自然人对应的自然人病例。
进一步地,所述病例划分单元,包括:
病例排除模块,用于调取预设的病例库中的多个病例,并进行病例排除处理,以排除出非自然病例;其中,所述非自然病例指不是由于人的生理演变导致的病例;
病例划分模块,用于将排除出非自然病例的多个病例按照年龄段进行病例划分处理,以得到多个第一病例集。
进一步地,所述相似病例合并单元,包括:
前数据向量集生成模块,用于对每个第一病例集均按照患病类型进行划分为多个病例子集,获取所述多个病例子集中的所有病例的治疗前数据,并映射为多个前数据向量,从而得到与所述多个病例子集分别对应的多个前数据向量集;
标准向量映射模块,用于调取与所述多个病例子集分别对应的多个标准病例,并将所述多个标准病例的治疗前数据映射为多个标准向量;其中,所述多个标准病例的数量等于所述多个病例子集的数量,所述多个标准向量与所述多个前数据向量集一一对应;
相似度值计算模块,用于根据公式:
,计算出相互对应的标准向
量与前数据向量之间的相似度值L,从而得到与所述多个前数据向量集对应的多个第一相
似度值集;其中,标准向量与前数据向量均只有m个分向量,A为标准向量,B为前数据向量,
Ai为标准向量的第i个分向量,Bi为前数据向量的第i个分向量,p与k均为预设的参数值,p
为大于1的正数,k为大于1的正数;
第二相似度值集生成模块,用于根据数值大于预设的相似度阈值的规则,对所述多个第一相似度值集分别进行相似度值计算处理,以分别构成多个第二相似度值集;
治疗前数据集构建模块,用于根据相似度值与治疗前数据的对应关系,构建与所述多个第二相似度集分对别应的多个治疗前数据集;
第三相似度集生成模块,用于对每个治疗前数据集中的数据均进行两两相似度计算处理,以得到多个第三相似度集;
聚类模块,用于采用预设的聚类方法,以所述多个第三相似度集为依据,对所述多个治疗前数据集分别进行聚类处理,从而将每个治疗前数据集均划分为多个簇;
折叠病例生成模块,用于将属于同一个簇的所有病例合并为折叠病例,并将除折叠病例外的其他病例记为非折叠病例,从而将所述多个第一病例集转化为多个第二病例集。
进一步地,所述长链筛选单元,包括:
第一黑色折线生成模块,用于将所述多个病例长链分别映射入预先建立的平面直角坐标系中,以生成多个第一黑色折线;其中,所述平面直角坐标系以时间为横轴,以病例评分为纵轴,并且不同病例对应的病例评分不同;
亮度设置模块,用于对所述多个第一黑色折线进行亮度设置处理,以使每个第一黑色折线的亮度均被设置为第一亮度值;
指定黑色线段保留模块,用于根据保留亮度值大于预设的亮度阈值的线段的规则,使所述平面直角坐标系中仅留下指定黑色线段;其中,所述亮度阈值大于所述第一亮度值的n倍,n为大于1的正数;
第二黑色折线生成模块,用于将相互连接的指定黑色线段依次连接,以得到多个第二黑色折线;
指定病例长链标记模块,用于将所述多个第二黑色折线记为多个指定病例长链。
本申请的基于虚拟人虚拟病例的自然人病例生成方法和系统,调取预设的病例库中的多个病例,并按照年龄段进行病例划分处理,以得到多个第一病例集;进行相似病例合并处理,以将所述多个第一病例集转化为多个第二病例集;生成多个病例短链;从所述多个病例短链中选出多个病例短链对;执行病例短链对连接操作,从而生成多个病例长链;筛选出多个指定病例长链,封装为警示模型;在治疗前进行数据采集处理和在治疗后进行数据采集处理,合并为所述待分析自然人的真实数据集;选出指定虚拟病例长链,并对所述指定虚拟病例长链标记上警示标识;生成与所述待分析自然人对应的自然人病例,从而提供了具有长期医疗指导效果的病例生成方案,实现了病例的数据利用程度的提高,并提高了患者的长期健康程度。
其中,本申请的上述效果是基于一种特殊的虚拟人而实现的,该虚拟人具有这样的特性,其在患病过程中与常人无异,但在病愈过后却容易患上新的疾病,且不致死。通过设计这样的虚拟人,以确定虚拟人的病例构成的病例长链,即可得知普通患者应当尽量避免的状况,从而实现整体患者群体的长期指导,以从整体上提高了患者的长期健康程度。
之所以设计这样的虚拟人,其原因在于,真实患者难以经历虚拟人对应的病例长链,因为真实患者的生理数据有其极限,很可能在病例长链的某个阶段就已经去世,因此必须通过虚构这样的虚拟人才能获得具有长期指导意义(更具体地,是反向指导意义)的病例长链,因此病例长链是反向的参照对象。而对于真实患者而言,利用对应的病例长链,只需避免与病例长链相同的状况出现,或者说进行反向操作即可。
其中,虚拟人的虚拟病例长链的生成过程依赖于两点,其一为折叠病例的生成,其二为自然人两个病例之间的直接连接关系。其申请利用这两点生成了虚拟病例长链,其具体过程将在具体步骤中进行详细陈述。
附图说明
图1 为本申请一实施例的基于虚拟人虚拟病例的自然人病例生成方法的流程示意图;
图2 为本申请一实施例的基于虚拟人虚拟病例的自然人病例生成装置的结构示意框图。
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。
实施例1:
参照图1,本实施例提供了一种基于虚拟人虚拟病例的自然人病例生成方法,包括以下步骤:
S1、调取预设的病例库中的多个病例,并按照年龄段进行病例划分处理,以得到多个第一病例集;其中,同一个第一病例集中的病例对应的病人处于同一年龄段;
S2、根据预设的相似度计算方法,对每个第一病例集中的病例进行相似度计算,再以相似度计算结果为依据,进行相似病例合并处理,以将所述多个第一病例集转化为多个第二病例集;其中,所述第二病例集中包括折叠病例与非折叠病例,折叠病例由多个相似病例构成,非折叠病例不存在相似病例;
S3、根据所述多个第二病例集,采用预设的病例短链生成方法,生成多个病例短链;其中,每个病例短链仅由两个相连的病例构成,并且同一个病例短链的患者相同,每个病例短链的前端病例早于后端病例;
S4、从所述多个病例短链中选出多个病例短链对;其中,每个病例短链对均包括一号病例短链和二号病例短链,所述一号病例短链的后端病例与所述二号病例短链的前端病例均为同一个折叠病例;
S5、执行病例短链对连接操作,以使每个病例短链对中的一号病例短链与二号病例短链互相连接,从而生成多个病例长链;
S6、根据预设的长链筛选规则,从所述多个病例长链中筛选出多个指定病例长链,并将所述多个指定病例长链记为对应于虚拟人的多个虚拟病例长链,再将所述多个虚拟病例长链封装为警示模型;
S7、采用预设的生理数据采集工具,对预设的待分析自然人在治疗前进行数据采集处理和在治疗后进行数据采集处理,以分别得到治疗前数据和治疗后数据,并获取所述待分析自然人的治疗方案,将所述治疗方案、所述治疗前数据和治疗后数据合并为所述待分析自然人的真实数据集;
S8、将所述真实数据集输入所述警示模型中,从而采用所述警示模型从所述多个虚拟病例长链中选出指定虚拟病例长链,并对所述指定虚拟病例长链标记上警示标识;
S9、根据所述真实数据集和所述指定虚拟病例长链,生成与所述待分析自然人对应的自然人病例。
如上述步骤S1-S3所述,调取预设的病例库中的多个病例,并按照年龄段进行病例划分处理,以得到多个第一病例集;其中,同一个第一病例集中的病例对应的病人处于同一年龄段;根据预设的相似度计算方法,对每个第一病例集中的病例进行相似度计算,再以相似度计算结果为依据,进行相似病例合并处理,以将所述多个第一病例集转化为多个第二病例集;其中,所述第二病例集中包括折叠病例与非折叠病例,折叠病例由多个相似病例构成,非折叠病例不存在相似病例;根据所述多个第二病例集,采用预设的病例短链生成方法,生成多个病例短链;其中,每个病例短链仅由两个相连的病例构成,并且同一个病例短链的患者相同,每个病例短链的前端病例早于后端病例。
病例库是一个收集有大量不同病例的数据库,传统方案对于病例数据的利用有限,一般仅在对某个特殊病症进行分析研究时才用的上。本申请的病例中记载了患者在治疗前的生理数据、治疗方案和治疗后的生理数据等等。再按照年龄段进行病例划分处理,以得到多个第一病例集。具体的病例划分的过程,实际上就是按时间的不同(即患者年龄段的不同),将处于相同年龄段的患者当时对应的病例划分在相同的第一病例集中,例如将A-B岁的作为一个年龄段,一个患者当时的年龄为C岁,C处于A与B之间,因此该患者在C岁时对应的病例被划分到这个第一病例集中;但是,需要注意的是,若该患者在D岁时还对应的病例,且D不在A与B之间,那么该患者在D岁对应的病例将被划分在另一个第一病例集中。这种划分是很有必要的,是为了利用自然人患者两个病例之间的直接连接关系,使得本申请的虚拟病例长链得以生成的一个前提条件。
再根据预设的相似度计算方法,对每个第一病例集中的病例进行相似度计算,再以相似度计算结果为依据,进行相似病例合并处理。本申请在此时进行相似度计算,不是为了去重,这与传统的相似度计算的目的不同,实际上,本申请此时的相似度计算,是为了病例重合,体现在后续步骤中,即是多个相似病例能够被视为同一个折叠病例,从而以自然人角度看来不可能出现的病例长链才有生成的可能。因此,此时的相似度计算以形成折叠病例,这也是本申请的虚拟病例长链得以生成的另一个前提条件。其中,相似度计算可采用任意可行算法,但是,采用的相似度算法越准确、限制条件越高,则对整个方案最终的患者群体的健康程度提升越有帮助。另外,在此简单分析一个,以自然人角度看来不可能出现的病例长链的原因:对于自然人个体,当其对应存在病例时,表明其健康状态欠佳;当其存在两个相连的病例时,表明其健康状态更差;若其身体素质够差,可能会对应有更多的病例时,由于自然人的生理特性无法承受长时间的疾病,因此在未形成较长的病例长链时,该自然人患者就已经去世。再将所述多个第一病例集转化为多个第二病例集,其中多个第二病例集的数量与多个第一病例集的数量是相等的,也即是说,多个第二病例集与多个第一病例集是一一对应的,这是因为相似病例合并处理仅是在每个病例集中单独完成的。
再根据所述多个第二病例集,采用预设的病例短链生成方法,生成多个病例短链;其中,每个病例短链仅由两个相连的病例构成,并且同一个病例短链的患者相同,每个病例短链的前端病例早于后端病例。此时生成的病例短链具有的特性,同一个病例短链的患者相同,这使得后续的虚拟病例长链中各个节点之间的相互关联关系被发现,因此也是本申请的虚拟病例长链得以生成的一个前提条件。
进一步地,所述调取预设的病例库中的多个病例,并按照年龄段进行病例划分处理,以得到多个第一病例集的步骤S1,包括:
S101、调取预设的病例库中的多个病例,并进行病例排除处理,以排除出非自然病例;其中,所述非自然病例指不是由于人的生理演变导致的病例;
S102、将排除出非自然病例的多个病例按照年龄段进行病例划分处理,以得到多个第一病例集。
本申请针对的是自然病例,即是由自然人的生理演变导致的病例。而对于其他病例,例如车祸、自然灾害等导致的外科病例,本申请并不涉及。之所以有这样的限制,是因为非自然病例之间没有关联关系,无法利用同一个自然人的非自然病例之间的连接关系来生成病例长链(因为非自然病例之间的连接关系是偶然的)。因此,本申请先进行病例排除处理,以排除出非自然病例,再进行病例划分处理,以得到多个第一病例集。
进一步地,所述根据预设的相似度计算方法,对每个第一病例集中的病例进行相似度计算,再以相似度计算结果为依据,进行相似病例合并处理,以将所述多个第一病例集转化为多个第二病例集的步骤S2,包括:
S201、对每个第一病例集均按照患病类型进行划分为多个病例子集,获取所述多个病例子集中的所有病例的治疗前数据,并映射为多个前数据向量,从而得到与所述多个病例子集分别对应的多个前数据向量集;
S202、调取与所述多个病例子集分别对应的多个标准病例,并将所述多个标准病例的治疗前数据映射为多个标准向量;其中,所述多个标准病例的数量等于所述多个病例子集的数量,所述多个标准向量与所述多个前数据向量集一一对应;
S203、根据公式:
,计算出相互对应的标
准向量与前数据向量之间的相似度值L,从而得到与所述多个前数据向量集对应的多个第
一相似度值集;其中,标准向量与前数据向量均只有m个分向量,A为标准向量,B为前数据向
量,Ai为标准向量的第i个分向量,Bi为前数据向量的第i个分向量,p与k均为预设的参数
值,p为大于1的正数,k为大于1的正数;
S204、根据数值大于预设的相似度阈值的规则,对所述多个第一相似度值集分别进行相似度值计算处理,以分别构成多个第二相似度值集;
S205、根据相似度值与治疗前数据的对应关系,构建与所述多个第二相似度集分对别应的多个治疗前数据集;
S206、对每个治疗前数据集中的数据均进行两两相似度计算处理,以得到多个第三相似度集;
S207、采用预设的聚类方法,以所述多个第三相似度集为依据,对所述多个治疗前数据集分别进行聚类处理,从而将每个治疗前数据集均划分为多个簇;
S208、将属于同一个簇的所有病例合并为折叠病例,并将除折叠病例外的其他病例记为非折叠病例,从而将所述多个第一病例集转化为多个第二病例集。
如前所述,本申请方案的实施效果与相似病例采用的相似算法有关,因此本申请采用特别的相似度计算公式进行第一轮次相似计算,以计算相似度值L,目的在于第二轮次的计算量,提高相似度计算的准确性;再进行第二轮次的相似度计算,以两两相似度计算处理,以得到多个第三相似度集,再聚类以确定相似病例,两两相似度计算处理,以得到多个第三相似度集。其中,每次相似次计算是对相同疾病之间进行的,因此需要对每个第一病例集均按照患病类型进行划分为多个病例子集;并且相似计算的原始数据为治疗前数据。由于治疗前数据为患者的生理数据,因此很容易映射为高维空间的向量,例如有多少种生理数据,就映射为多少维的虚拟向量,在此不再赘述。根据公式:
,计算出相互对应的标准向量与前数据向量之间的相似度值L。本申请采用的是特别的相似度计算公式,其不仅考虑了向量之间的数值大小关系,还考虑到了向量之间的角度差异关系,因此其限制条件更高,准确性更高。采上述相似度计算公式得到的相似度值,其取值范围为0-1,即当相似度值为0时,表明两向量对应的病例最不相似,当相似度值为1时,表明两向量对应的病例最相似。相应的,相似度阈值也应在0-1之间。从而,分别构成多个第二相似度值集中每个集合中的两个病例之间是较为相似的。但为了进一步保证病例间的相似度,本申请进行了第二轮次的相似计算,即对每个治疗前数据集中的数据均进行两两相似度计算处理,以得到多个第三相似度集;此时采用的相似度计算公式可为任意可行公式,当然也可采用与第一轮次相同的公式,但是输入的向量应对应替换为需要对比的两个向量。再对所述多个治疗前数据集分别进行聚类处理,从而将每个治疗前数据集均划分为多个簇。其中采用的预设的聚类方法可为任意可行方法,其目的仅是将相近的相似度数值聚为同一个簇,从而也将每个治疗前数据集均划分为多个簇。再将属于同一个簇的所有病例合并为折叠病例,并将除折叠病例外的其他病例记为非折叠病例,即可将所述多个第一病例集转化为多个第二病例集。
如上述步骤S4-S6所述,从所述多个病例短链中选出多个病例短链对;其中,每个病例短链对均包括一号病例短链和二号病例短链,所述一号病例短链的后端病例与所述二号病例短链的前端病例均为同一个折叠病例;执行病例短链对连接操作,以使每个病例短链对中的一号病例短链与二号病例短链互相连接,从而生成多个病例长链;根据预设的长链筛选规则,从所述多个病例长链中筛选出多个指定病例长链,并将所述多个指定病例长链记为对应于虚拟人的多个虚拟病例长链,再将所述多个虚拟病例长链封装为警示模型。
选出病例短链对,是为了给虚拟长链的生成作准备。病例库中的病例,难以形成长链的原因在于,缺少合适的逻辑将单个的病例串联起来。而本申请先生成了折叠病例,再利用自然人病例之间的直接连接关系,从而将病便串联起来形成病例长链。而自然人病例之间的直接连接关系,就是体现在,每个病例短链对均包括一号病例短链和二号病例短链,所述一号病例短链的后端病例与所述二号病例短链的前端病例均为同一个折叠病例中。举例来说,A病例与B病例均对应于第一患者,A病例发生在B病例前,C病例与D病例均对应于第二患者,D病例发生成C病例后,而B病例与C病例均属于同一个折叠病例,因此根据每个病例短链对均包括一号病例短链和二号病例短链,所述一号病例短链的后端病例与所述二号病例短链的前端病例均为同一个折叠病例的规则,A-B短链就是一个一号病例短链,C-D短链就是一个二号病例短链,从而形成了一个病例短链对。
再执行病例短链对连接操作,以使每个病例短链对中的一号病例短链与二号病例短链互相连接,从而生成多个病例长链。再以上述A-B短链、C-D短链举例,对这个病例适合对进行连接,以形成具有三个节点的A-B-D链(也可称为A-C-D链,因为B与C是同一个折叠病例);而C-D短链有可能与其他的E-F短链形成另一个短链对(D与E是同一个折叠病例),从而进一步连接,形成了A-B-D-F链,以此类推,生成多个病例长链。另外,若C-D短链有可能与其他的G-H短链形成另一个短链对,从而生成A-B-D-H链,该链与A-B-D-F链可视为在节点D处发生了分叉。
再根据预设的长链筛选规则,从所述多个病例长链中筛选出多个指定病例长链,并将所述多个指定病例长链记为对应于虚拟人的多个虚拟病例长链,再将所述多个虚拟病例长链封装为警示模型。由前述步骤生成的病例长链是较多的,不利于患者群体直接利用,因此需要再次筛选,以选出适宜的多个指定病例长链。其中的筛选规则可采用任意可行规则,例如采用重复次数多于预设的次数阈值的长链作为指定病例长链,从而使得指定病例长链能够反应最常见的生理病理演化(劣化),这是患者尤其是患者群体应当避免的。另外,需要提及的是,指定病例长链不是最劣长链,事实是病理恶化的情况下是无法得到长链的,因为患者已经去世,但指定病例长链是理应避免的常见的生理病理演化(劣化)过程,这不仅能够给患者以反向指示,更能够给予长期的医学指导,而仅由病例或者医嘱而言,最多能给出短期的意见而已。由于这种指定病例长链是自然人难以经历的,但其对于自然人具有指导意义,因此将其记为对应于虚拟人的多个虚拟病例长链。之后,将所述多个虚拟病例长链封装为警示模型。其中,所述警示模型也可称为匹配模型,其作用是接收输入的患者数据,再根据患者数据对多个虚拟病例长链进行匹配,以找出对应于患者当前病例的虚拟病例长链,从而患者能够得到长期的反向医学指导(这就是警示模型的名称由来),以提高健康程度。
另外,虽然本申请需要生成虚拟病例长链以作为对患者的医学指导,但这不意味着患者会沿着虚拟病例长链而生病,准确地说,虚拟病例长链是为了提醒患者避免长链上任意一点的病例的发生。
进一步地,所述根据预设的长链筛选规则,从所述多个病例长链中筛选出多个指定病例长链的步骤S6,包括:
S601、将所述多个病例长链分别映射入预先建立的平面直角坐标系中,以生成多个第一黑色折线;其中,所述平面直角坐标系以时间为横轴,以病例评分为纵轴,并且不同病例对应的病例评分不同;
S602、对所述多个第一黑色折线进行亮度设置处理,以使每个第一黑色折线的亮度均被设置为第一亮度值;
S603、根据保留亮度值大于预设的亮度阈值的线段的规则,使所述平面直角坐标系中仅留下指定黑色线段;其中,所述亮度阈值大于所述第一亮度值的n倍,n为大于1的正数;
S604、将相互连接的指定黑色线段依次连接,以得到多个第二黑色折线;
S605、将所述多个第二黑色折线记为多个指定病例长链。
从而筛选出适宜的指定病例长链。通过上述第一黑色折线的生成,亮度设置处理,黑色线段保留和第二黑色折线生成的过程,使得留下的第二黑色折线是重复次数多的病例长链的体现,表明这样的病例长链中的某个或者某几个节点是患者容易演化而成的,因此可将所述多个第二黑色折线记为多个指定病例长链。其中的过程中,利用了黑色折线的重复后亮度提高的规律,使得黑色线段的保留过程更为简单,效率更高。
如上述步骤S7-S9所述,采用预设的生理数据采集工具,对预设的待分析自然人在治疗前进行数据采集处理和在治疗后进行数据采集处理,以分别得到治疗前数据和治疗后数据,并获取所述待分析自然人的治疗方案,将所述治疗方案、所述治疗前数据和治疗后数据合并为所述待分析自然人的真实数据集;将所述真实数据集输入所述警示模型中,从而采用所述警示模型从所述多个虚拟病例长链中选出指定虚拟病例长链,并对所述指定虚拟病例长链标记上警示标识;根据所述真实数据集和所述指定虚拟病例长链,生成与所述待分析自然人对应的自然人病例。
所述生理数据采集工具,是指对自然人进行数据采集的工具,可采用任意形式的工具来进行,例如血压测量仪、血液分析仪、脑电波采集器、超声波检测等等,更进一步地可采用智能手环等工具进行测量。并且,需要进行治疗前后均进行数据采集,从而更全面地反应出采用当前治疗方案的治疗效果以及患者的生理状态变化。再将所述治疗方案、所述治疗前数据和治疗后数据合并为所述待分析自然人的真实数据集,而真实数据集就是找到匹配的指定虚拟病例长链的依据。
再将所述真实数据集输入所述警示模型中,从而采用所述警示模型从所述多个虚拟病例长链中选出指定虚拟病例长链,并对所述指定虚拟病例长链标记上警示标识。警示标识的含义在于,提醒待分析的自然人避免出现指定虚拟病例长例上的病例。由前述可知,警示模型是为了指出合适的虚拟病例长链,因此以真实数据集作为输入,能够得到指定虚拟病例长链的输出。其中,所述警示模型选出指定虚拟病例长链的方式可为任意可行方式。例如,其可采用下述方式实现,即:
所述将所述真实数据集输入所述警示模型中,从而采用所述警示模型从所述多个虚拟病例长链中选出指定虚拟病例长链的步骤S8,包括:
S801、将所述真实数据集输入所述警示模型中,并采用所述警示模型以预设的欧氏距离算法,进行所述真实数据集与节点之间的距离计算处理,从而得到与所述多个虚拟病例长链中的所有节点分别对应的多个距离数值;
S802、从所述多个距离数值中选出最小的距离数值,并根据距离数值与节点的对应关系,获取与所述最小的距离数值对应的指定节点;
S803、将具有所述指定节点的虚拟病例长链记为指定虚拟病例长链。
从而以欧氏距离作为工具,确定匹配的指定节点,再得到指定虚拟病例长链。其中,欧氏距离算法是计算两个向量之间的距离,因此进行所述真实数据集与节点之间的距离计算处理,实际上指的是对真实数据集对应的向量,与节点对应的向量之间的距离进行计算,因此也可这么认为,距离计算的过程中,还包括将真实数据集映射为向量,以及将节点对应的数据(因为每个节点也均是包括治疗前、治疗后和治疗方案的数据,因此能够对应映射为类似的向量)映射为向量,再计算得到距离数值。欧氏距离算法,计算得到的距离值越小,表明越相近,因此从所述多个距离数值中选出最小的距离数值,并根据距离数值与节点的对应关系,获取与所述最小的距离数值对应的指定节点。再将具有所述指定节点的虚拟病例长链记为指定虚拟病例长链。其中,指定虚拟病例长链可为一条也可为多条,在此不作限制。
再根据所述真实数据集和所述指定虚拟病例长链,生成与所述待分析自然人对应的自然人病例。按照普通的病例生成方式,仅需要真实数据集即可,而本申请还附上了指定虚拟病例长链,从而起到了警示作用,实现了长期的反向医疗指示。其实现过程可采用任意可行方式,例如,所述根据所述真实数据集和所述指定虚拟病例长链,生成与所述待分析自然人对应的自然人病例的步骤S9,包括:
S901、调用预设的病例模板,并将所述真实数据集填入所述病例模板中,以得到初始病例;
S902、在所述初始病例后叠加所述指定虚拟病例长链,从而生成与所述待分析自然人对应的自然人病例。从而待分析自然人能够得到具有长期医疗指导作用的自然人病例,有利于改善长期的健康状况。
本申请的基于虚拟人虚拟病例的自然人病例生成方法,调取预设的病例库中的多个病例,并按照年龄段进行病例划分处理,以得到多个第一病例集;进行相似病例合并处理,以将所述多个第一病例集转化为多个第二病例集;生成多个病例短链;从所述多个病例短链中选出多个病例短链对;执行病例短链对连接操作,从而生成多个病例长链;筛选出多个指定病例长链,封装为警示模型;在治疗前进行数据采集处理和在治疗后进行数据采集处理,合并为所述待分析自然人的真实数据集;选出指定虚拟病例长链,并对所述指定虚拟病例长链标记上警示标识;生成与所述待分析自然人对应的自然人病例,从而提供了具有长期医疗指导效果的病例生成方案,实现了病例的数据利用程度的提高,并提高了患者的长期健康程度。
实施例2:
如图2所示,本实施例提供了一种可以实现实施例1所述自然人病例生成方法的基于虚拟人虚拟病例的自然人病例生成系统,包括:
病例划分单元10,用于调取预设的病例库中的多个病例,并按照年龄段进行病例划分处理,以得到多个第一病例集;其中,同一个第一病例集中的病例对应的病人处于同一年龄段;
相似病例合并单元20,用于根据预设的相似度计算方法,对每个第一病例集中的病例进行相似度计算,再以相似度计算结果为依据,进行相似病例合并处理,以将所述多个第一病例集转化为多个第二病例集;其中,所述第二病例集中包括折叠病例与非折叠病例,折叠病例由多个相似病例构成,非折叠病例不存在相似病例;
病例短链生成单元30,用于根据所述多个第二病例集,采用预设的病例短链生成方法,生成多个病例短链;其中,每个病例短链仅由两个相连的病例构成,并且同一个病例短链的患者相同,每个病例短链的前端病例早于后端病例;
病例短链对选取单元40,用于从所述多个病例短链中选出多个病例短链对;其中,每个病例短链对均包括一号病例短链和二号病例短链,所述一号病例短链的后端病例与所述二号病例短链的前端病例均为同一个折叠病例;
病例短链对连接单元50,用于执行病例短链对连接操作,以使每个病例短链对中的一号病例短链与二号病例短链互相连接,从而生成多个病例长链;
长链筛选单元60,用于根据预设的长链筛选规则,从所述多个病例长链中筛选出多个指定病例长链,并将所述多个指定病例长链记为对应于虚拟人的多个虚拟病例长链,再将所述多个虚拟病例长链封装为警示模型;
生理数据采集单元70,用于采用预设的生理数据采集工具,对预设的待分析自然人在治疗前进行数据采集处理和在治疗后进行数据采集处理,以分别得到治疗前数据和治疗后数据,并获取所述待分析自然人的治疗方案,将所述治疗方案、所述治疗前数据和治疗后数据合并为所述待分析自然人的真实数据集;
指定虚拟病例长链生成单元80,用于将所述真实数据集输入所述警示模型中,从而采用所述警示模型从所述多个虚拟病例长链中选出指定虚拟病例长链,并对所述指定虚拟病例长链标记上警示标识;
自然人病例生成单元90,用于根据所述真实数据集和所述指定虚拟病例长链,生成与所述待分析自然人对应的自然人病例。
进一步地,所述病例划分单元,包括:
病例排除模块,用于调取预设的病例库中的多个病例,并进行病例排除处理,以排除出非自然病例;其中,所述非自然病例指不是由于人的生理演变导致的病例;
病例划分模块,用于将排除出非自然病例的多个病例按照年龄段进行病例划分处理,以得到多个第一病例集。
进一步地,所述相似病例合并单元,包括:
前数据向量集生成模块,用于对每个第一病例集均按照患病类型进行划分为多个病例子集,获取所述多个病例子集中的所有病例的治疗前数据,并映射为多个前数据向量,从而得到与所述多个病例子集分别对应的多个前数据向量集;
标准向量映射模块,用于调取与所述多个病例子集分别对应的多个标准病例,并将所述多个标准病例的治疗前数据映射为多个标准向量;其中,所述多个标准病例的数量等于所述多个病例子集的数量,所述多个标准向量与所述多个前数据向量集一一对应;
相似度值计算模块,用于根据公式:
,计算出相互对应的标准向量与前数据向量之间的相似度值L,从而得到与所述多个前数据向量集对应的多个第一相似度值集;其中,标准向量与前数据向量均只有m个分向量,A为标准向量,B为前数据向量,Ai为标准向量的第i个分向量,Bi为前数据向量的第i个分向量,p与k均为预设的参数值,p为大于1的正数,k为大于1的正数;
第二相似度值集生成模块,用于根据数值大于预设的相似度阈值的规则,对所述多个第一相似度值集分别进行相似度值计算处理,以分别构成多个第二相似度值集;
治疗前数据集构建模块,用于根据相似度值与治疗前数据的对应关系,构建与所述多个第二相似度集分对别应的多个治疗前数据集;
第三相似度集生成模块,用于对每个治疗前数据集中的数据均进行两两相似度计算处理,以得到多个第三相似度集;
聚类模块,用于采用预设的聚类方法,以所述多个第三相似度集为依据,对所述多个治疗前数据集分别进行聚类处理,从而将每个治疗前数据集均划分为多个簇;
折叠病例生成模块,用于将属于同一个簇的所有病例合并为折叠病例,并将除折叠病例外的其他病例记为非折叠病例,从而将所述多个第一病例集转化为多个第二病例集。
进一步地,所述长链筛选单元,包括:
第一黑色折线生成模块,用于将所述多个病例长链分别映射入预先建立的平面直角坐标系中,以生成多个第一黑色折线;其中,所述平面直角坐标系以时间为横轴,以病例评分为纵轴,并且不同病例对应的病例评分不同;
亮度设置模块,用于对所述多个第一黑色折线进行亮度设置处理,以使每个第一黑色折线的亮度均被设置为第一亮度值;
指定黑色线段保留模块,用于根据保留亮度值大于预设的亮度阈值的线段的规则,使所述平面直角坐标系中仅留下指定黑色线段;其中,所述亮度阈值大于所述第一亮度值的n倍,n为大于1的正数;
第二黑色折线生成模块,用于将相互连接的指定黑色线段依次连接,以得到多个第二黑色折线;
指定病例长链标记模块,用于将所述多个第二黑色折线记为多个指定病例长链。
其中上述单元或模块分别用于执行的操作与前述实施方式的基于虚拟人虚拟病例的自然人病例生成方法的步骤一一对应,在此不再赘述。
本申请的基于虚拟人虚拟病例的自然人病例生成系统,调取预设的病例库中的多个病例,并按照年龄段进行病例划分处理,以得到多个第一病例集;进行相似病例合并处理,以将所述多个第一病例集转化为多个第二病例集;生成多个病例短链;从所述多个病例短链中选出多个病例短链对;执行病例短链对连接操作,从而生成多个病例长链;筛选出多个指定病例长链,封装为警示模型;在治疗前进行数据采集处理和在治疗后进行数据采集处理,合并为所述待分析自然人的真实数据集;选出指定虚拟病例长链,并对所述指定虚拟病例长链标记上警示标识;生成与所述待分析自然人对应的自然人病例,从而提供了具有长期医疗指导效果的病例生成方案,实现了病例的数据利用程度的提高,并提高了患者的长期健康程度。
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或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、系统、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、系统、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、系统、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)
1.一种基于虚拟人虚拟病例的自然人病例生成方法,其特征在于,包括:
S1、调取预设的病例库中的多个病例,并按照年龄段进行病例划分处理,以得到多个第一病例集;其中,同一个第一病例集中的病例对应的病人处于同一年龄段;
S2、根据预设的相似度计算方法,对每个第一病例集中的病例进行相似度计算,再以相似度计算结果为依据,进行相似病例合并处理,以将所述多个第一病例集转化为多个第二病例集;其中,所述第二病例集中包括折叠病例与非折叠病例,折叠病例由多个相似病例构成,非折叠病例不存在相似病例;
S3、根据所述多个第二病例集,采用预设的病例短链生成方法,生成多个病例短链;其中,每个病例短链仅由两个相连的病例构成,并且同一个病例短链的患者相同,每个病例短链的前端病例早于后端病例;
S4、从所述多个病例短链中选出多个病例短链对;其中,每个病例短链对均包括一号病例短链和二号病例短链,所述一号病例短链的后端病例与所述二号病例短链的前端病例均为同一个折叠病例;
S5、执行病例短链对连接操作,以使每个病例短链对中的一号病例短链与二号病例短链互相连接,从而生成多个病例长链;
S6、根据预设的长链筛选规则,从所述多个病例长链中筛选出多个指定病例长链,并将所述多个指定病例长链记为对应于虚拟人的多个虚拟病例长链,再将所述多个虚拟病例长链封装为警示模型;
S7、采用预设的生理数据采集工具,对预设的待分析自然人在治疗前进行数据采集处理和在治疗后进行数据采集处理,以分别得到治疗前数据和治疗后数据,并获取所述待分析自然人的治疗方案,将所述治疗方案、所述治疗前数据和治疗后数据合并为所述待分析自然人的真实数据集;
S8、将所述真实数据集输入所述警示模型中,从而采用所述警示模型从所述多个虚拟病例长链中选出指定虚拟病例长链,并对所述指定虚拟病例长链标记上警示标识;
S9、根据所述真实数据集和所述指定虚拟病例长链,生成与所述待分析自然人对应的自然人病例。
2.根据权利要求1所述的基于虚拟人虚拟病例的自然人病例生成方法,其特征在于,所述调取预设的病例库中的多个病例,并按照年龄段进行病例划分处理,以得到多个第一病例集的步骤S1,包括:
S101、调取预设的病例库中的多个病例,并进行病例排除处理,以排除出非自然病例;其中,所述非自然病例指不是由于人的生理演变导致的病例;
S102、将排除出非自然病例的多个病例按照年龄段进行病例划分处理,以得到多个第一病例集。
3.根据权利要求1所述的基于虚拟人虚拟病例的自然人病例生成方法,其特征在于,所述根据预设的相似度计算方法,对每个第一病例集中的病例进行相似度计算,再以相似度计算结果为依据,进行相似病例合并处理,以将所述多个第一病例集转化为多个第二病例集的步骤S2,包括:
S201、对每个第一病例集均按照患病类型进行划分为多个病例子集,获取所述多个病例子集中的所有病例的治疗前数据,并映射为多个前数据向量,从而得到与所述多个病例子集分别对应的多个前数据向量集;
S202、调取与所述多个病例子集分别对应的多个标准病例,并将所述多个标准病例的治疗前数据映射为多个标准向量;其中,所述多个标准病例的数量等于所述多个病例子集的数量,所述多个标准向量与所述多个前数据向量集一一对应;
S203、根据公式:
,计算出相互对应的标准向量与前数据向量之间的相似度值L,从而得到与所述多个前数据向量集对应的多个第一相似度值集;其中,标准向量与前数据向量均只有m个分向量,A为标准向量,B为前数据向量,Ai为标准向量的第i个分向量,Bi为前数据向量的第i个分向量,p与k均为预设的参数值,p为大于1的正数,k为大于1的正数;
S204、根据数值大于预设的相似度阈值的规则,对所述多个第一相似度值集分别进行相似度值计算处理,以分别构成多个第二相似度值集;
S205、根据相似度值与治疗前数据的对应关系,构建与所述多个第二相似度集分对别应的多个治疗前数据集;
S206、对每个治疗前数据集中的数据均进行两两相似度计算处理,以得到多个第三相似度集;
S207、采用预设的聚类方法,以所述多个第三相似度集为依据,对所述多个治疗前数据集分别进行聚类处理,从而将每个治疗前数据集均划分为多个簇;
S208、将属于同一个簇的所有病例合并为折叠病例,并将除折叠病例外的其他病例记为非折叠病例,从而将所述多个第一病例集转化为多个第二病例集。
4.根据权利要求1所述的基于虚拟人虚拟病例的自然人病例生成方法,其特征在于,所述根据预设的长链筛选规则,从所述多个病例长链中筛选出多个指定病例长链的步骤S6,包括:
S601、将所述多个病例长链分别映射入预先建立的平面直角坐标系中,以生成多个第一黑色折线;其中,所述平面直角坐标系以时间为横轴,以病例评分为纵轴,并且不同病例对应的病例评分不同;
S602、对所述多个第一黑色折线进行亮度设置处理,以使每个第一黑色折线的亮度均被设置为第一亮度值;
S603、根据保留亮度值大于预设的亮度阈值的线段的规则,使所述平面直角坐标系中仅留下指定黑色线段;其中,所述亮度阈值大于所述第一亮度值的n倍,n为大于1的正数;
S604、将相互连接的指定黑色线段依次连接,以得到多个第二黑色折线;
S605、将所述多个第二黑色折线记为多个指定病例长链。
5.根据权利要求1所述的基于虚拟人虚拟病例的自然人病例生成方法,其特征在于,所述将所述真实数据集输入所述警示模型中,从而采用所述警示模型从所述多个虚拟病例长链中选出指定虚拟病例长链的步骤S8,包括:
S801、将所述真实数据集输入所述警示模型中,并采用所述警示模型以预设的欧氏距离算法,进行所述真实数据集与节点之间的距离计算处理,从而得到与所述多个虚拟病例长链中的所有节点分别对应的多个距离数值;
S802、从所述多个距离数值中选出最小的距离数值,并根据距离数值与节点的对应关系,获取与所述最小的距离数值对应的指定节点;
S803、将具有所述指定节点的虚拟病例长链记为指定虚拟病例长链。
6.根据权利要求1所述的基于虚拟人虚拟病例的自然人病例生成方法,其特征在于,所述根据所述真实数据集和所述指定虚拟病例长链,生成与所述待分析自然人对应的自然人病例的步骤S9,包括:
S901、调用预设的病例模板,并将所述真实数据集填入所述病例模板中,以得到初始病例;
S902、在所述初始病例后叠加所述指定虚拟病例长链,从而生成与所述待分析自然人对应的自然人病例。
7.一种基于虚拟人虚拟病例的自然人病例生成系统,其特征在于,包括:
病例划分单元,用于调取预设的病例库中的多个病例,并按照年龄段进行病例划分处理,以得到多个第一病例集;其中,同一个第一病例集中的病例对应的病人处于同一年龄段;
相似病例合并单元,用于根据预设的相似度计算方法,对每个第一病例集中的病例进行相似度计算,再以相似度计算结果为依据,进行相似病例合并处理,以将所述多个第一病例集转化为多个第二病例集;其中,所述第二病例集中包括折叠病例与非折叠病例,折叠病例由多个相似病例构成,非折叠病例不存在相似病例;
病例短链生成单元,用于根据所述多个第二病例集,采用预设的病例短链生成方法,生成多个病例短链;其中,每个病例短链仅由两个相连的病例构成,并且同一个病例短链的患者相同,每个病例短链的前端病例早于后端病例;
病例短链对选取单元,用于从所述多个病例短链中选出多个病例短链对;其中,每个病例短链对均包括一号病例短链和二号病例短链,所述一号病例短链的后端病例与所述二号病例短链的前端病例均为同一个折叠病例;
病例短链对连接单元,用于执行病例短链对连接操作,以使每个病例短链对中的一号病例短链与二号病例短链互相连接,从而生成多个病例长链;
长链筛选单元,用于根据预设的长链筛选规则,从所述多个病例长链中筛选出多个指定病例长链,并将所述多个指定病例长链记为对应于虚拟人的多个虚拟病例长链,再将所述多个虚拟病例长链封装为警示模型;
生理数据采集单元,用于采用预设的生理数据采集工具,对预设的待分析自然人在治疗前进行数据采集处理和在治疗后进行数据采集处理,以分别得到治疗前数据和治疗后数据,并获取所述待分析自然人的治疗方案,将所述治疗方案、所述治疗前数据和治疗后数据合并为所述待分析自然人的真实数据集;
指定虚拟病例长链生成单元,用于将所述真实数据集输入所述警示模型中,从而采用所述警示模型从所述多个虚拟病例长链中选出指定虚拟病例长链,并对所述指定虚拟病例长链标记上警示标识;
自然人病例生成单元,用于根据所述真实数据集和所述指定虚拟病例长链,生成与所述待分析自然人对应的自然人病例。
8.根据权利要求7所述的基于虚拟人虚拟病例的自然人病例生成系统,其特征在于,所述病例划分单元,包括:
病例排除模块,用于调取预设的病例库中的多个病例,并进行病例排除处理,以排除出非自然病例;其中,所述非自然病例指不是由于人的生理演变导致的病例;
病例划分模块,用于将排除出非自然病例的多个病例按照年龄段进行病例划分处理,以得到多个第一病例集。
9.根据权利要求7所述的基于虚拟人虚拟病例的自然人病例生成系统,其特征在于,所述相似病例合并单元,包括:
前数据向量集生成模块,用于对每个第一病例集均按照患病类型进行划分为多个病例子集,获取所述多个病例子集中的所有病例的治疗前数据,并映射为多个前数据向量,从而得到与所述多个病例子集分别对应的多个前数据向量集;
标准向量映射模块,用于调取与所述多个病例子集分别对应的多个标准病例,并将所述多个标准病例的治疗前数据映射为多个标准向量;其中,所述多个标准病例的数量等于所述多个病例子集的数量,所述多个标准向量与所述多个前数据向量集一一对应;
相似度值计算模块,用于根据公式:
,计算出相互对应的标准向量与前数据向量之间的相似度值L,从而得到与所述多个前数据向量集对应的多个第一相似度值集;其中,标准向量与前数据向量均只有m个分向量,A为标准向量,B为前数据向量,Ai为标准向量的第i个分向量,Bi为前数据向量的第i个分向量,p与k均为预设的参数值,p为大于1的正数,k为大于1的正数;
第二相似度值集生成模块,用于根据数值大于预设的相似度阈值的规则,对所述多个第一相似度值集分别进行相似度值计算处理,以分别构成多个第二相似度值集;
治疗前数据集构建模块,用于根据相似度值与治疗前数据的对应关系,构建与所述多个第二相似度集分对别应的多个治疗前数据集;
第三相似度集生成模块,用于对每个治疗前数据集中的数据均进行两两相似度计算处理,以得到多个第三相似度集;
聚类模块,用于采用预设的聚类方法,以所述多个第三相似度集为依据,对所述多个治疗前数据集分别进行聚类处理,从而将每个治疗前数据集均划分为多个簇;
折叠病例生成模块,用于将属于同一个簇的所有病例合并为折叠病例,并将除折叠病例外的其他病例记为非折叠病例,从而将所述多个第一病例集转化为多个第二病例集。
10.根据权利要求7所述的基于虚拟人虚拟病例的自然人病例生成系统,其特征在于,所述长链筛选单元,包括:
第一黑色折线生成模块,用于将所述多个病例长链分别映射入预先建立的平面直角坐标系中,以生成多个第一黑色折线;其中,所述平面直角坐标系以时间为横轴,以病例评分为纵轴,并且不同病例对应的病例评分不同;
亮度设置模块,用于对所述多个第一黑色折线进行亮度设置处理,以使每个第一黑色折线的亮度均被设置为第一亮度值;
指定黑色线段保留模块,用于根据保留亮度值大于预设的亮度阈值的线段的规则,使所述平面直角坐标系中仅留下指定黑色线段;其中,所述亮度阈值大于所述第一亮度值的n倍,n为大于1的正数;
第二黑色折线生成模块,用于将相互连接的指定黑色线段依次连接,以得到多个第二黑色折线;
指定病例长链标记模块,用于将所述多个第二黑色折线记为多个指定病例长链。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110675150.2A CN113257431B (zh) | 2021-06-18 | 2021-06-18 | 一种基于虚拟人虚拟病例的自然人病例生成方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110675150.2A CN113257431B (zh) | 2021-06-18 | 2021-06-18 | 一种基于虚拟人虚拟病例的自然人病例生成方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113257431A true CN113257431A (zh) | 2021-08-13 |
CN113257431B CN113257431B (zh) | 2021-09-28 |
Family
ID=77188583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110675150.2A Active CN113257431B (zh) | 2021-06-18 | 2021-06-18 | 一种基于虚拟人虚拟病例的自然人病例生成方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113257431B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003122845A (ja) * | 2001-10-09 | 2003-04-25 | Shinkichi Himeno | 医療情報の検索システム及びそのシステムを実行するためのプログラム |
US20060292535A1 (en) * | 2005-04-19 | 2006-12-28 | O'connor Patrick | Disease treatment simulation |
US20080015418A1 (en) * | 2005-01-28 | 2008-01-17 | Bruce Jarrell | Techniques for Implementing Virtual Persons in a System to Train Medical Personnel |
US20100274776A1 (en) * | 2008-09-25 | 2010-10-28 | Canon Kabushiki Kaisha | Data search apparatus, control method therefor, and data search system |
CN102958425A (zh) * | 2011-06-30 | 2013-03-06 | 松下电器产业株式会社 | 类似病例检索装置以及类似病例检索方法 |
KR20140024533A (ko) * | 2012-08-20 | 2014-03-03 | 현대중공업 주식회사 | 유사도와 중요도를 이용한 통합 플랜트 사례기반 추론 방법 |
WO2015146520A1 (ja) * | 2014-03-27 | 2015-10-01 | 富士フイルム株式会社 | 類似症例検索装置、類似症例検索方法、及び類似症例検索プログラム |
CN108053886A (zh) * | 2018-01-05 | 2018-05-18 | 上海嘉奕医学科技有限公司 | 基于人工智能的标准化病人模拟系统 |
CN109599182A (zh) * | 2019-02-18 | 2019-04-09 | 湖南金特尔信息技术有限公司 | 一种基因靶向治疗方案推荐系统及相关系统 |
CN111403040A (zh) * | 2020-06-04 | 2020-07-10 | 成都泰盟软件有限公司 | 基于虚拟标准病人的治疗模拟系统 |
CN111861822A (zh) * | 2020-06-03 | 2020-10-30 | 四川大学华西医院 | 病人模型构建方法、设备和医学教育系统 |
CN112542243A (zh) * | 2020-12-05 | 2021-03-23 | 大连东软教育科技集团有限公司 | 一种icu电子病历知识图谱构建方法、系统和存储介质 |
-
2021
- 2021-06-18 CN CN202110675150.2A patent/CN113257431B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003122845A (ja) * | 2001-10-09 | 2003-04-25 | Shinkichi Himeno | 医療情報の検索システム及びそのシステムを実行するためのプログラム |
US20080015418A1 (en) * | 2005-01-28 | 2008-01-17 | Bruce Jarrell | Techniques for Implementing Virtual Persons in a System to Train Medical Personnel |
US20060292535A1 (en) * | 2005-04-19 | 2006-12-28 | O'connor Patrick | Disease treatment simulation |
US20100274776A1 (en) * | 2008-09-25 | 2010-10-28 | Canon Kabushiki Kaisha | Data search apparatus, control method therefor, and data search system |
CN102958425A (zh) * | 2011-06-30 | 2013-03-06 | 松下电器产业株式会社 | 类似病例检索装置以及类似病例检索方法 |
KR20140024533A (ko) * | 2012-08-20 | 2014-03-03 | 현대중공업 주식회사 | 유사도와 중요도를 이용한 통합 플랜트 사례기반 추론 방법 |
WO2015146520A1 (ja) * | 2014-03-27 | 2015-10-01 | 富士フイルム株式会社 | 類似症例検索装置、類似症例検索方法、及び類似症例検索プログラム |
JP2015191286A (ja) * | 2014-03-27 | 2015-11-02 | 富士フイルム株式会社 | 類似症例検索装置、類似症例検索方法、及び類似症例検索プログラム |
CN108053886A (zh) * | 2018-01-05 | 2018-05-18 | 上海嘉奕医学科技有限公司 | 基于人工智能的标准化病人模拟系统 |
CN109599182A (zh) * | 2019-02-18 | 2019-04-09 | 湖南金特尔信息技术有限公司 | 一种基因靶向治疗方案推荐系统及相关系统 |
CN111861822A (zh) * | 2020-06-03 | 2020-10-30 | 四川大学华西医院 | 病人模型构建方法、设备和医学教育系统 |
CN111403040A (zh) * | 2020-06-04 | 2020-07-10 | 成都泰盟软件有限公司 | 基于虚拟标准病人的治疗模拟系统 |
CN112542243A (zh) * | 2020-12-05 | 2021-03-23 | 大连东软教育科技集团有限公司 | 一种icu电子病历知识图谱构建方法、系统和存储介质 |
Non-Patent Citations (1)
Title |
---|
CAROL SAUNDERS,BLAKE IVES: "DxR Case Study", 《COMMUNICATIONS OF THE ASSOCIATION FOR INFORMATION SYSTEMS》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113257431B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lorca-Puls et al. | The impact of sample size on the reproducibility of voxel-based lesion-deficit mappings | |
US11430140B2 (en) | Medical image generation, localizaton, registration 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 | |
Ahmed et al. | Single volume image generator and deep learning-based ASD classification | |
Ben Rabeh et al. | Segmentation of brain MRI using active contour model | |
CN109509551A (zh) | 一种常见疾病智能诊断方法及系统 | |
CN112509119B (zh) | 针对颞骨的空间数据处理及定位方法、装置及电子设备 | |
US11790279B2 (en) | System and method for class specific deep learning | |
CN110717905B (zh) | 脑部图像检测方法、计算机设备和存储介质 | |
CN113096137B (zh) | 一种oct视网膜图像领域适应分割方法及系统 | |
CN110414481A (zh) | 一种基于Unet和LSTM的3D医学影像识别和分割方法 | |
Chan et al. | Quasi-conformal statistical shape analysis of hippocampal surfaces for Alzheimer׳ s disease analysis | |
CN114663715A (zh) | 医学图像质控、分类模型训练方法、装置及计算机设备 | |
CN114005514B (zh) | 医学影像诊断方法、系统及装置 | |
Wang et al. | Let the data speak about the cut-off values for multidimensional index: Classification of human development index with machine learning | |
CN113257431B (zh) | 一种基于虚拟人虚拟病例的自然人病例生成方法和系统 | |
CN113052236A (zh) | 一种基于NASNet的肺炎图像分类方法 | |
CN108197539A (zh) | 一种颅骨性别鉴定方法 | |
CN112071431A (zh) | 基于深度学习和知识图谱的临床路径自动生成方法及系统 | |
Goutham et al. | Brain tumor classification using Efficientnet-B0 model | |
CN111210414B (zh) | 医学图像分析方法、计算机设备和可读存储介质 | |
Giorgi et al. | Morphological Analysis of 3D Faces for Weight Gain Assessment. | |
CN113012807B (zh) | 一种ecg信号标记方法、系统、装置及计算机可读存储介质 | |
Oliveira et al. | Towards an intelligent systems to predict nosocomial infections in intensive care | |
CN115481681B (zh) | 一种基于人工智能的乳腺采样数据的处理方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method and system of natural person case generation based on virtual human virtual case Effective date of registration: 20220923 Granted publication date: 20210928 Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd. Pledgor: WUHAN TALENT INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2022420000308 |