CN113488187B - 一种麻醉意外案例收集分析方法及系统 - Google Patents
一种麻醉意外案例收集分析方法及系统 Download PDFInfo
- Publication number
- CN113488187B CN113488187B CN202110884773.0A CN202110884773A CN113488187B CN 113488187 B CN113488187 B CN 113488187B CN 202110884773 A CN202110884773 A CN 202110884773A CN 113488187 B CN113488187 B CN 113488187B
- Authority
- CN
- China
- Prior art keywords
- feature
- case
- analysis
- information
- anesthesia
- 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
Links
- 206010002091 Anaesthesia Diseases 0.000 title claims abstract description 196
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 259
- 238000003066 decision tree Methods 0.000 claims abstract description 86
- 230000003444 anaesthetic effect Effects 0.000 claims description 87
- 238000012797 qualification Methods 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000010835 comparative analysis Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000007812 deficiency Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 239000003814 drug Substances 0.000 description 9
- 229940079593 drug Drugs 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000036407 pain Effects 0.000 description 4
- 206010040030 Sensory loss Diseases 0.000 description 3
- 210000003169 central nervous system Anatomy 0.000 description 3
- 230000009454 functional inhibition Effects 0.000 description 3
- 210000001428 peripheral nervous system Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002695 general anesthesia Methods 0.000 description 1
- 238000002690 local anesthesia Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Urology & Nephrology (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种麻醉意外案例收集分析方法及系统，其中，所述方法包括：采集第一科室的麻醉手术案例数据集；对所述麻醉手术案例数据集进行无监督学习分类，生成第一正常案例数据集和第一意外案例数据集；分别对其进行特征提取，生成第一正常案例特征集合、第一意外案例特征集合；依次构建正常案例特征分析决策树和意外案例特征分析决策树；对第一正常案例数据集和第一意外案例数据集进行对比分析，生成第一分析结果；生成第一麻醉注意事项集合，并上传至所述麻醉意外案例收集分析系统进行实时更新。解决了现有技术中的无法对麻醉意外案例进行较为细致的对比分析，使得无法进行查漏补缺，对患者的生命安全造成潜在威胁的技术问题。
Description
技术领域
本发明涉及案例分析领域，具体地，涉及一种麻醉意外案例收集分析方法及系统。
背景技术
麻醉是由药物或其他方法产生的一种中枢神经和(或)周围神经系统的可逆性功能抑制，这种抑制的特点主要是感觉特别是痛觉的丧失，以达到无痛的目的进行手术治疗，同时保障围手术期患者的生命安全。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中存在无法对麻醉意外案例进行较为细致的对比分析，使得无法进行查漏补缺，对患者的生命安全造成潜在威胁的技术问题。
发明内容
针对现有技术中的缺陷，本申请实施例的目的是，通过提供一种麻醉意外案例收集分析方法及系统，解决了现有技术中无法对麻醉意外案例进行较为细致的对比分析，使得无法进行查漏补缺，对患者的生命安全造成潜在威胁的技术问题。通过对麻醉意外案例进行收集分析，使得基于麻醉关键特征对成功案例和意外案例进行交叉分析，进而避免同类意外情况的发生，并对麻醉意外案例收集分析系统进行实时更新，达到了确保第一麻醉注意事项集合有良好的纠错性、实时更新性，使得分析结果有助于后续麻醉手术的顺利进行，提高麻醉手术成功率的技术效果。
一方面，本申请实施例提供一种麻醉意外案例收集分析方法，其中，所述方法应用于麻醉意外案例收集分析系统，所述方法包括：基于大数据，采集第一科室的麻醉手术案例数据集；对所述麻醉手术案例数据集进行无监督学习分类，生成第一正常案例数据集和第一意外案例数据集；对所述第一正常案例数据集进行特征提取，生成第一正常案例特征集合，对所述第一意外案例数据集进行特征提取，生成第一意外案例特征集合；分别基于所述第一正常案例特征集合和所述第一意外案例特征集合，依次构建正常案例特征分析决策树和意外案例特征分析决策树；根据所述正常案例特征分析决策树和所述意外案例特征分析决策树，对所述第一正常案例数据集和第一意外案例数据集进行对比分析，生成第一分析结果；根据所述第一分析结果，生成第一麻醉注意事项集合，并上传至所述麻醉意外案例收集分析系统进行实时更新。
另一方面，本申请还提供了一种麻醉意外案例收集分析系统，其中，所述系统包括：第一采集单元：所述第一采集单元用于基于大数据，采集第一科室的麻醉手术案例数据集；第一分类单元：所述第一分类单元用于对所述麻醉手术案例数据集进行无监督学习分类，生成第一正常案例数据集和第一意外案例数据集；第一提取单元：所述第一提取单元用于对所述第一正常案例数据集进行特征提取，生成第一正常案例特征集合，对所述第一意外案例数据集进行特征提取，生成第一意外案例特征集合；第一构建单元：所述第一构建单元用于分别基于所述第一正常案例特征集合和所述第一意外案例特征集合，依次构建正常案例特征分析决策树和意外案例特征分析决策树；第一分析单元：所述第一分析单元用于根据所述正常案例特征分析决策树和所述意外案例特征分析决策树，对所述第一正常案例数据集和第一意外案例数据集进行对比分析，生成第一分析结果；第一生成单元：所述第一生成单元用于根据所述第一分析结果，生成第一麻醉注意事项集合，并上传至麻醉意外案例收集分析系统进行实时更新。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过采集第一科室的麻醉手术案例数据集；对其进行无监督学习分类，生成第一正常案例数据集和第一意外案例数据集；分别对其进行特征提取，生成第一正常案例特征集合、第一意外案例特征集合；依次构建正常案例特征分析决策树和意外案例特征分析决策树；对第一正常案例数据集和第一意外案例数据集进行对比分析，生成第一分析结果；生成第一麻醉注意事项集合，并上传至所述麻醉意外案例收集分析系统进行实时更新。通过对麻醉意外案例进行收集分析，使得基于麻醉关键特征对成功案例和意外案例进行交叉分析，进而避免同类意外情况的发生，并对麻醉意外案例收集分析系统进行实时更新，达到了确保第一麻醉注意事项集合有良好的纠错性、实时更新性，使得分析结果有助于后续麻醉手术的顺利进行，提高麻醉手术成功率的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过阅读参照以下附图对非限制性实施例所做的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本申请实施例一种麻醉意外案例收集分析方法的流程示意图；
图2为本申请实施例一种麻醉意外案例收集分析方法的获得所述第一分析结果的流程示意图；
图3为本申请实施例一种麻醉意外案例收集分析方法的构建所述正常案例特征分析决策树和意外案例特征分析决策树的流程示意图；
图4为本申请实施例一种麻醉意外案例收集分析方法的对所述第一正常案例关键特征匹配信息和所述第一意外案例关键特征匹配信息进行交叉分析的流程示意图；
图5为本申请实施例一种麻醉意外案例收集分析方法的对所述第一分析结果进行修正的流程示意图；
图6为本申请实施例一种麻醉意外案例收集分析方法的将所述用户免疫差异关键特征作为第四分类特征的流程示意图；
图7为本申请实施例一种麻醉意外案例收集分析方法的对所述麻醉手术案例数据集进行无监督学习分类的流程示意图；
图8为本申请实施例一种麻醉意外案例收集分析系统的结构示意图；
图9为本申请实施例示例性电子设备的结构示意图。
具体实施方式
本申请实施例通过提供一种麻醉意外案例收集分析方法及系统，解决了现有技术中无法对麻醉意外案例进行较为细致的对比分析，使得无法进行查漏补缺，对患者的生命安全造成潜在威胁的技术问题。通过对麻醉意外案例进行收集分析，使得基于麻醉关键特征对成功案例和意外案例进行交叉分析，进而避免同类意外情况的发生，并对麻醉意外案例收集分析系统进行实时更新，达到了确保第一麻醉注意事项集合有良好的纠错性、实时更新性，使得分析结果有助于后续麻醉手术的顺利进行，提高麻醉手术成功率的技术效果。
下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
麻醉是由药物或其他方法产生的一种中枢神经和(或)周围神经系统的可逆性功能抑制，这种抑制的特点主要是感觉特别是痛觉的丧失，以达到无痛的目的进行手术治疗，同时保障围手术期患者的生命安全。现有技术中存在无法对麻醉意外案例进行较为细致的对比分析，使得无法进行查漏补缺，对患者的生命安全造成潜在威胁的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供一种麻醉意外案例收集分析方法，其中，所述方法应用于麻醉意外案例收集分析系统，所述方法包括：基于大数据，采集第一科室的麻醉手术案例数据集；对所述麻醉手术案例数据集进行无监督学习分类，生成第一正常案例数据集和第一意外案例数据集；对所述第一正常案例数据集进行特征提取，生成第一正常案例特征集合，对所述第一意外案例数据集进行特征提取，生成第一意外案例特征集合；分别基于所述第一正常案例特征集合和所述第一意外案例特征集合，依次构建正常案例特征分析决策树和意外案例特征分析决策树；根据所述正常案例特征分析决策树和所述意外案例特征分析决策树，对所述第一正常案例数据集和第一意外案例数据集进行对比分析，生成第一分析结果；根据所述第一分析结果，生成第一麻醉注意事项集合，并上传至所述麻醉意外案例收集分析系统进行实时更新。
为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例一
如图1所示，本申请实施例提供了一种麻醉意外案例收集分析方法，其中，所述方法应用于麻醉意外案例收集分析系统，所述方法包括：
步骤S100：基于大数据，采集第一科室的麻醉手术案例数据集；
具体而言，麻醉是由药物或其他方法产生的一种中枢神经和(或)周围神经系统的可逆性功能抑制，这种抑制的特点主要是感觉特别是痛觉的丧失，以达到无痛的目的进行手术治疗，同时保障围手术期患者的生命安全。通过对患者进行手术前的局部麻醉或全麻醉，有效抑制了患者的疼痛感，对手术的顺利进行至关重要，然而，现有麻醉案例中，或多或少出现了各种麻醉中意外情况的发生，包括麻醉设备无法正常显示工作参数、无法对紧急情况进行及时报警等，为了避免此类问题的再发生，本申请实施例中通过对麻醉意外案例进行收集分析，以达到对成功案例和意外案例进行交叉分析，进而避免同类意外情况的发生，其中，所述第一科室包括麻醉手术覆盖的任一科室，在此以肾脏科室为例进行说明，所述麻醉手术案例数据集为对肾脏科室中的尿毒症病人进行麻醉手术的案例收集。
步骤S200：对所述麻醉手术案例数据集进行无监督学习分类，生成第一正常案例数据集和第一意外案例数据集；
具体而言，所述麻醉手术案例数据集中不仅包括意外案例，还包括成功案例，因此，为了对意外案例进行有效分析，可将其与成功案例进行交叉分析对比，通过对所述麻醉手术案例数据集进行无监督学习分类，使得所述麻醉手术案例数据集被分为第一正常案例数据集和第一意外案例数据集，所述第一正常案例数据集为正常情况的案例集合，所述第一意外案例数据集为发生意外情况的案例集合，进而对各案例集合关键特征进行对比分析，实现对意外案例的分析。
步骤S300：对所述第一正常案例数据集进行特征提取，生成第一正常案例特征集合，对所述第一意外案例数据集进行特征提取，生成第一意外案例特征集合；
步骤S400：分别基于所述第一正常案例特征集合和所述第一意外案例特征集合，依次构建正常案例特征分析决策树和意外案例特征分析决策树；
具体而言，为了对各案例集合关键特征进行对比分析，可对所述第一正常案例数据集进行特征提取，生成第一正常案例特征集合，对所述第一意外案例数据集进行特征提取，生成第一意外案例特征集合，举例而言，在对尿毒症病人的麻醉手术案例分析的过程中，如果麻醉手术正常进行，所述第一正常案例特征集合即为保障手术顺利进行的关键特征，包括麻醉设备的正常工作、麻醉药物用量适中以及麻醉医生的准确操作等，同理，所述第一意外案例特征集合即为麻醉手术中出现意外情况的关键特征，包括设备不正常工作、麻醉药物用量不合理以及医生操作失误等。
进而基于所述第一正常案例特征集合和所述第一意外案例特征集合，依次构建正常案例特征分析决策树和意外案例特征分析决策树，使得进一步基于所述正常案例特征分析决策树和意外案例特征分析决策树，对各案例集合关键特征进行对比分析。
步骤S500：根据所述正常案例特征分析决策树和所述意外案例特征分析决策树，对所述第一正常案例数据集和第一意外案例数据集进行对比分析，生成第一分析结果；
步骤S600：根据所述第一分析结果，生成第一麻醉注意事项集合，并上传至所述麻醉意外案例收集分析系统进行实时更新。
具体而言，为了对所述第一正常案例数据集和第一意外案例数据集进行对比分析，更具体的，可基于所述正常案例特征分析决策树获得各关键特征的重要程度配比，即成功的麻醉手术案例的决定性特征、重要特征以及其他影响特征，同理，基于所述意外案例特征分析决策树获得麻醉手术出现意外的影响特征，通过对正常案例与意外案例的关键特征进行对比分析，获得所述第一分析结果，进而生成第一麻醉注意事项集合，即通过对比分析，查漏补缺，根据所述第一麻醉注意事项集合，对后面的麻醉手术进行标定，避免意外情况的再发生，同时，将所述第一麻醉注意事项集合上传至所述麻醉意外案例收集分析系统进行实时更新，确保所述第一麻醉注意事项集合有良好的纠错性、实时更新性等。
进一步的，如图2所示，所述生成第一分析结果，步骤S500还包括：
步骤S510：对所述第一正常案例特征集合和所述第一意外案例特征集合进行遍历分析，获得麻醉关键特征集合；
步骤S520：根据所述麻醉关键特征集合，获得麻醉药物用量信息，作为第一分类特征，获得麻醉设备工作信息，作为第二分类特征，获得麻醉医师资质信息，作为第三分类特征；
步骤S530：基于所述第一分类特征、所述第二分类特征以及所述第三分类特征，分别对所述第一正常案例特征集合和所述第一意外案例特征集合进行分类，依次构建所述正常案例特征分析决策树和所述意外案例特征分析决策树；
步骤S540：根据所述正常案例特征分析决策树，获得第一正常案例关键特征匹配信息，根据所述意外案例特征分析决策树，获得第一意外案例关键特征匹配信息；
步骤S550：对所述第一正常案例关键特征匹配信息和所述第一意外案例关键特征匹配信息进行交叉分析，获得所述第一分析结果。
具体而言，为了基于决策树对麻醉案例进行交叉分析，更具体的，可对所述第一正常案例特征集合和所述第一意外案例特征集合进行遍历分析，获得麻醉关键特征集合，即获得所述第一正常案例特征集合和所述第一意外案例特征集合的公有特征集合，所述麻醉关键特征集合即包含了麻醉药物用量信息、麻醉设备工作信息、麻醉医师资质信息，进而基于所述第一分类特征、所述第二分类特征以及所述第三分类特征，分别对所述第一正常案例特征集合和所述第一意外案例特征集合进行分类，依次构建所述正常案例特征分析决策树和所述意外案例特征分析决策树，进而所述第一正常案例关键特征匹配信息可理解为麻醉设备的正常工作、麻醉药物用量适中以及麻醉医生的准确操作等，第一意外案例关键特征匹配信息可理解为麻醉手术中出现意外情况的关键特征，包括设备不正常工作、麻醉药物用量不合理以及医生操作失误等，继而对所述第一正常案例关键特征匹配信息和所述第一意外案例关键特征匹配信息进行交叉分析，获得所述第一分析结果，实现了基于决策树对麻醉案例进行交叉分析。
进一步的，如图3所示，本申请实施例还包括：
步骤S531：对所述第一分类特征进行信息论编码运算，获得第一特征信息熵，对所述第二分类特征进行信息论编码运算，获得第二特征信息熵，对所述第三分类特征进行信息论编码运算，获得第三特征信息熵；
步骤S532：将所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵输入数据大小比对模型进行训练，获得第一根节点特征信息；
步骤S533：基于所述第一根节点特征信息和所述第一正常案例特征集合、所述第一意外案例特征集合的递归算法，分别构建所述正常案例特征分析决策树和意外案例特征分析决策树。
具体而言，为了分别构建所述正常案例特征分析决策树和意外案例特征分析决策树，可分别对所述第一分类特征、所述第二分类特征以及所述第三分类特征进行信息熵的运算，即通过信息论编码中的信息熵计算公式：
,
其中，t表示随机变量，与之相对应的是所有可能输出的集合，定义为符号集，随机变量的输出用t表示，表示输出概率函数，变量的不确定性越大，熵也就越大。
对其进行信息熵数值的具体计算，进而获得对应的所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵，进一步，基于所述数据大小比对模型对所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵进行大小数值的比对，继而获得熵值最小的特征，即第一根节点特征信息，通过对熵值最小的特征进行优先分类，继而按照熵值由小到大的顺序，依次对各特征进行递归算法的分类，最终分别构建所述正常案例特征分析决策树和意外案例特征分析决策树，在决策树存在差异的基础上对其进行对比分析。
进一步，决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法，这种分类器能够对新出现的对象给出正确的分类，由根节点、内部节点以及叶节点组成。所述第一分类特征、所述第二分类特征以及所述第三分类特征可作为决策树的内部节点，通过对其进行信息熵的计算，可对熵值最小的特征进行优先分类，以此方法对决策树进行递归构建，直至无法对最后的特征叶节点进行再分，说明分类结束，以此分别构建所述正常案例特征分析决策树和意外案例特征分析决策树。
进一步的，如图4所示，所述对所述第一正常案例关键特征匹配信息和所述第一意外案例关键特征匹配信息进行交叉分析，步骤S550还包括：
步骤S551：根据所述第一正常案例关键特征匹配信息，获得对应的第一麻醉药物用量信息、第一麻醉设备工作信息以及第一麻醉医师资质信息；
步骤S552：根据所述第一意外案例关键特征匹配信息，获得对应的第二麻醉药物用量信息、第二麻醉设备工作信息以及第二麻醉医师资质信息；
步骤S553：对所述第一麻醉药物用量信息和所述第二麻醉药物用量信息、所述第一麻醉设备工作信息和所述第二麻醉设备工作信息以及所述第一麻醉医师资质信息和所述第二麻醉医师资质信息，分别进行对比交叉分析，获得麻醉药物用量分析结果、麻醉设备工作分析结果以及麻醉医师资质分析结果；
步骤S554：分别对所述麻醉药物用量分析结果、所述麻醉设备工作分析结果以及所述麻醉医师资质分析结果进行特征标记，生成所述第一分析结果。
具体而言，为了对所述第一正常案例关键特征匹配信息和所述第一意外案例关键特征匹配信息进行交叉分析，进一步的，可分别获得所述第一正常案例关键特征匹配信息的具体各关键特征信息，即所述第一麻醉药物用量信息可理解为正常麻醉案例中的药物用量、所述第一麻醉设备工作信息可理解为正常麻醉案例中的设备正常工作时显示的工作参数，所述第一麻醉医师资质信息可理解为正常麻醉案例中的操作医师的个人资质，同理，还可进一步获得意外麻醉案例中的所述第二麻醉药物用量信息、第二麻醉设备工作信息以及第二麻醉医师资质信息，进而对二者进行纵向交叉对比，即将所述第一麻醉药物用量信息和所述第二麻醉药物用量信息、所述第一麻醉设备工作信息和所述第二麻醉设备工作信息以及所述第一麻醉医师资质信息和所述第二麻醉医师资质信息，分别进行对比交叉分析，通过对同一关键特征的不同信息进行交叉分析，可分别获得麻醉药物用量分析结果、麻醉设备工作分析结果以及麻醉医师资质分析结果，进而基于“药物用量”对所述麻醉药物用量分析结果进行标记，基于“设备工作”对所述麻醉设备工作分析结果进行标记，基于“医师资质”对所述麻醉医师资质分析结果进行标记，进一步生成所述第一分析结果，实现了对所述第一正常案例关键特征匹配信息和所述第一意外案例关键特征匹配信息进行精细化的交叉分析。
进一步的，如图5所示，本申请实施例还包括：
步骤S555：判断所述第一分析结果是否满足预设分析结果；
步骤S556：若所述第一分析结果不满足所述预设分析结果，获得第一用户体质信息和第二用户体质信息，其中，第一用户包含于所述第一正常案例数据集，第二用户包含于所述第一意外案例数据集；
步骤S557：根据所述第一用户体质信息，获得所述第一用户对麻醉药物的第一免疫特征，同理，获得所述第二用户对所述麻醉药物的第二免疫特征；
步骤S558：根据所述第一免疫特征和所述第二免疫特征，对所述第一分析结果进行修正。
具体而言，一般的，正常麻醉案例和意外麻醉案例在区别关键特征上会存在较大差异，然而也存在这特殊案例，为了对这种特殊案例同步进行分析，进一步的，可判断所述第一分析结果是否满足预设分析结果，所述预设分析结果可理解为正常麻醉案例和意外麻醉案例在区别关键特征上会存在较大差异，如果不满足，则说明存在特殊案例，即正常麻醉案例和意外麻醉案例在区别关键特征上没有较大差异，可获得第一用户体质信息和第二用户体质信息，其中，第一用户包含于所述第一正常案例数据集，第二用户包含于所述第一意外案例数据集，因用户的体质可能会对麻醉药物产生不同程度的反应，进一步的，可获得所述第一用户对麻醉药物的第一免疫特征，获得所述第二用户对所述麻醉药物的第二免疫特征，进而基于所述第一免疫特征和所述第二免疫特征的差异，对所述第一分析结果进行修正，用以确保对特殊案例同步进行分析，使得分析结果更具准确性、纠错性。
进一步的，如图6所示，所述对所述第一分析结果进行修正，步骤S558还包括：
步骤S5581：基于所述第一免疫特征和所述第二免疫特征，生成用户免疫差异关键特征；
步骤S5582：将所述用户免疫差异关键特征作为第四分类特征，对所述第一正常案例特征集合和所述第一意外案例特征集合进行二次分类。
具体而言，为了对所述第一分析结果进行修正，进一步的，可对特殊案例进行特殊分析，即基于所述第一免疫特征和所述第二免疫特征，生成用户免疫差异关键特征，所述用户免疫差异关键特征即为进行特殊所在，通过将所述用户免疫差异关键特征作为第四分类特征，与所述第一分类特征、所述第二分类特征、所述第三分类特征一起对所述第一正常案例特征集合和所述第一意外案例特征集合进行二次分类，在原有的数据基础上，对所述第四分类特征进行增量学习，进而对所述第一分析结果进行修正，确保正常案例特征分析决策树和意外案例特征分析决策树具备实时纠错性、更新性。
进一步的，如图7所示，所述对所述麻醉手术案例数据集进行无监督学习分类，步骤S200还包括：
步骤S210：将所述麻醉手术案例数据集定义为N个样本点；
步骤S220：基于所述N个样本点，随机选取K个中心点；
步骤S230：对所述N个样本点与所述K个中心点进行距离计算，获得欧式距离数据集；
步骤S240：根据所述欧式距离数据集，获得麻醉手术案例分类数据集，所述麻醉手术案例分类数据集为所述欧式距离数据集中最短距离；
步骤S250：根据所述麻醉手术案例分类数据集，获得第一分类结果，对所述麻醉手术案例数据集进行无监督学习分类。
具体而言，为了对所述麻醉手术案例数据集进行无监督学习分类，进一步的，对所述麻醉手术案例数据集进行特征分类，将每个麻醉手术案例数据定义为样本点，共计N个样本点，样本点在地图上是零散分布的，在样本点中选取K个中心点，K小于或等于N，基于欧式距离，计算N个样本点与所述K各中心点的距离。所述欧氏距离是指两点之间的直线距离，即最短距离。将到第一个K中心点最短的距离保存在在栅格数据里，并将距离第一个K中心点最短距离的麻醉手术案例数据进行整理，形成第一特征数据集合，以此类推，计算每一个样本点到K中心点的距离，根据欧式距离数据集，将所有麻醉手术案例数据都进行分类，从而获得第二特征数据集合直至第M特征数据集合，实现了对麻醉手术案例数据的管理分类，使得通过无监督学习分类的方式，将所述麻醉手术案例数据集分为第一正常案例数据集和第一意外案例数据集。
与现有技术相比，本发明具有如下的有益效果：
1、通过采集第一科室的麻醉手术案例数据集；对其进行无监督学习分类，生成第一正常案例数据集和第一意外案例数据集；分别对其进行特征提取，生成第一正常案例特征集合、第一意外案例特征集合；依次构建正常案例特征分析决策树和意外案例特征分析决策树；对第一正常案例数据集和第一意外案例数据集进行对比分析，生成第一分析结果；生成第一麻醉注意事项集合，并上传至所述麻醉意外案例收集分析系统进行实时更新。通过对麻醉意外案例进行收集分析，使得基于麻醉关键特征对成功案例和意外案例进行交叉分析，进而避免同类意外情况的发生，并对麻醉意外案例收集分析系统进行实时更新，达到了确保第一麻醉注意事项集合有良好的纠错性、实时更新性，使得分析结果有助于后续麻醉手术的顺利进行，提高麻醉手术成功率的技术效果。
实施例二
基于与前述实施例中一种麻醉意外案例收集分析方法同样发明构思，本发明还提供了一种麻醉意外案例收集分析系统，如图8所示，所述系统包括：
第一采集单元11：所述第一采集单元11用于基于大数据，采集第一科室的麻醉手术案例数据集；
第一分类单元12：所述第一分类单元12用于对所述麻醉手术案例数据集进行无监督学习分类，生成第一正常案例数据集和第一意外案例数据集；
第一提取单元13：所述第一提取单元13用于对所述第一正常案例数据集进行特征提取，生成第一正常案例特征集合，对所述第一意外案例数据集进行特征提取，生成第一意外案例特征集合；
第一构建单元14：所述第一构建单元14用于分别基于所述第一正常案例特征集合和所述第一意外案例特征集合，依次构建正常案例特征分析决策树和意外案例特征分析决策树；
第一分析单元15：所述第一分析单元15用于根据所述正常案例特征分析决策树和所述意外案例特征分析决策树，对所述第一正常案例数据集和第一意外案例数据集进行对比分析，生成第一分析结果；
第一生成单元16：所述第一生成单元16用于根据所述第一分析结果，生成第一麻醉注意事项集合，并上传至麻醉意外案例收集分析系统进行实时更新。
进一步的，所述系统还包括：
第二分析单元：所述第二分析单元用于对所述第一正常案例特征集合和所述第一意外案例特征集合进行遍历分析，获得麻醉关键特征集合；
第一获得单元：所述第一获得单元用于根据所述麻醉关键特征集合，获得麻醉药物用量信息，作为第一分类特征，获得麻醉设备工作信息，作为第二分类特征，获得麻醉医师资质信息，作为第三分类特征；
第二分类单元：所述第二分类单元用于基于所述第一分类特征、所述第二分类特征以及所述第三分类特征，分别对所述第一正常案例特征集合和所述第一意外案例特征集合进行分类，依次构建所述正常案例特征分析决策树和所述意外案例特征分析决策树；
第二获得单元：所述第二获得单元用于根据所述正常案例特征分析决策树，获得第一正常案例关键特征匹配信息，根据所述意外案例特征分析决策树，获得第一意外案例关键特征匹配信息；
第三分析单元：所述第三分析单元用于对所述第一正常案例关键特征匹配信息和所述第一意外案例关键特征匹配信息进行交叉分析，获得所述第一分析结果。
进一步的，所述系统还包括：
第一运算单元：所述第一运算单元用于对所述第一分类特征进行信息论编码运算，获得第一特征信息熵，对所述第二分类特征进行信息论编码运算，获得第二特征信息熵，对所述第三分类特征进行信息论编码运算，获得第三特征信息熵；
第一输入单元：所述第一输入单元用于将所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵输入数据大小比对模型进行训练，获得第一根节点特征信息；
第二构建单元：所述第二构建单元用于基于所述第一根节点特征信息和所述第一正常案例特征集合、所述第一意外案例特征集合的递归算法，分别构建所述正常案例特征分析决策树和意外案例特征分析决策树。
进一步的，所述系统还包括：
第三获得单元：所述第三获得单元用于根据所述第一正常案例关键特征匹配信息，获得对应的第一麻醉药物用量信息、第一麻醉设备工作信息以及第一麻醉医师资质信息；
第四获得单元：所述第四获得单元用于根据所述第一意外案例关键特征匹配信息，获得对应的第二麻醉药物用量信息、第二麻醉设备工作信息以及第二麻醉医师资质信息；
第四分析单元：所述第四分析单元用于对所述第一麻醉药物用量信息和所述第二麻醉药物用量信息、所述第一麻醉设备工作信息和所述第二麻醉设备工作信息以及所述第一麻醉医师资质信息和所述第二麻醉医师资质信息，分别进行对比交叉分析，获得麻醉药物用量分析结果、麻醉设备工作分析结果以及麻醉医师资质分析结果；
第一标记单元：所述第一标记单元用于分别对所述麻醉药物用量分析结果、所述麻醉设备工作分析结果以及所述麻醉医师资质分析结果进行特征标记，生成所述第一分析结果。
进一步的，所述系统还包括：
第一判断单元：所述第一判断单元用于判断所述第一分析结果是否满足预设分析结果；
第五获得单元：所述第五获得单元用于若所述第一分析结果不满足所述预设分析结果，获得第一用户体质信息和第二用户体质信息，其中，第一用户包含于所述第一正常案例数据集，第二用户包含于所述第一意外案例数据集；
第六获得单元：所述第六获得单元用于根据所述第一用户体质信息，获得所述第一用户对麻醉药物的第一免疫特征，同理，获得所述第二用户对所述麻醉药物的第二免疫特征；
第一修正单元：所述第一修正单元用于根据所述第一免疫特征和所述第二免疫特征，对所述第一分析结果进行修正。
进一步的，所述系统还包括：
第二生成单元：所述第二生成单元用于基于所述第一免疫特征和所述第二免疫特征，生成用户免疫差异关键特征；
第三分类单元：所述第三分类单元用于将所述用户免疫差异关键特征作为第四分类特征，对所述第一正常案例特征集合和所述第一意外案例特征集合进行二次分类。
进一步的，所述系统还包括：
第七获得单元：所述第七获得单元用于将所述麻醉手术案例数据集定义为N个样本点；
第一选取单元：所述第一选取单元用于基于所述N个样本点，随机选取K个中心点；
第八获得单元：所述第八获得单元用于对所述N个样本点与所述K个中心点进行距离计算，获得欧式距离数据集；
第九获得单元：所述第九获得单元用于根据所述欧式距离数据集，获得麻醉手术案例分类数据集，所述麻醉手术案例分类数据集为所述欧式距离数据集中最短距离；
第十获得单元：所述第十获得单元用于根据所述麻醉手术案例分类数据集，获得第一分类结果，对所述麻醉手术案例数据集进行无监督学习分类。
前述图1实施例一中的一种麻醉意外案例收集分析方法的各种变化方式和具体实例同样适用于本实施例的一种麻醉意外案例收集分析系统，通过前述对一种麻醉意外案例收集分析方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种麻醉意外案例收集分析系统的实施方法，所以为了说明书的简洁，再次不再详述。
实施例三
下面参考图9来描述本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实例施中一种麻醉意外案例收集分析方法的发明构思，本发明还提供一种麻醉意外案例收集分析系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种麻醉意外案例收集分析系统的任一方法的步骤。
其中，在图9中，总线架构（用总线300来代表），总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请实施例提供一种麻醉意外案例收集分析方法，其中，所述方法应用于麻醉意外案例收集分析系统，所述方法包括：基于大数据，采集第一科室的麻醉手术案例数据集；对所述麻醉手术案例数据集进行无监督学习分类，生成第一正常案例数据集和第一意外案例数据集；对所述第一正常案例数据集进行特征提取，生成第一正常案例特征集合，对所述第一意外案例数据集进行特征提取，生成第一意外案例特征集合；分别基于所述第一正常案例特征集合和所述第一意外案例特征集合，依次构建正常案例特征分析决策树和意外案例特征分析决策树；根据所述正常案例特征分析决策树和所述意外案例特征分析决策树，对所述第一正常案例数据集和第一意外案例数据集进行对比分析，生成第一分析结果；根据所述第一分析结果，生成第一麻醉注意事项集合，并上传至所述麻醉意外案例收集分析系统进行实时更新。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种麻醉意外案例收集分析方法，其中，所述方法应用于麻醉意外案例收集分析系统，所述方法包括：
基于大数据，采集第一科室的麻醉手术案例数据集；
对所述麻醉手术案例数据集进行无监督学习分类，生成第一正常案例数据集和第一意外案例数据集；
对所述第一正常案例数据集进行特征提取，生成第一正常案例特征集合，对所述第一意外案例数据集进行特征提取，生成第一意外案例特征集合；
分别基于所述第一正常案例特征集合和所述第一意外案例特征集合，依次构建正常案例特征分析决策树和意外案例特征分析决策树；
根据所述正常案例特征分析决策树和所述意外案例特征分析决策树，对所述第一正常案例数据集和第一意外案例数据集进行对比分析，生成第一分析结果；
根据所述第一分析结果，生成第一麻醉注意事项集合，并上传至所述麻醉意外案例收集分析系统进行实时更新；
其中，所述生成第一分析结果，还包括：
对所述第一正常案例特征集合和所述第一意外案例特征集合进行遍历分析，获得麻醉关键特征集合；
根据所述麻醉关键特征集合，获得麻醉药物用量信息，作为第一分类特征，获得麻醉设备工作信息，作为第二分类特征，获得麻醉医师资质信息，作为第三分类特征；
基于所述第一分类特征、所述第二分类特征以及所述第三分类特征，分别对所述第一正常案例特征集合和所述第一意外案例特征集合进行分类，依次构建所述正常案例特征分析决策树和所述意外案例特征分析决策树；
根据所述正常案例特征分析决策树，获得第一正常案例关键特征匹配信息，根据所述意外案例特征分析决策树，获得第一意外案例关键特征匹配信息；
对所述第一正常案例关键特征匹配信息和所述第一意外案例关键特征匹配信息进行交叉分析，获得所述第一分析结果；
其中，所述对所述第一正常案例关键特征匹配信息和所述第一意外案例关键特征匹配信息进行交叉分析，还包括：
根据所述第一正常案例关键特征匹配信息，获得对应的第一麻醉药物用量信息、第一麻醉设备工作信息以及第一麻醉医师资质信息；
根据所述第一意外案例关键特征匹配信息，获得对应的第二麻醉药物用量信息、第二麻醉设备工作信息以及第二麻醉医师资质信息；
对所述第一麻醉药物用量信息和所述第二麻醉药物用量信息、所述第一麻醉设备工作信息和所述第二麻醉设备工作信息以及所述第一麻醉医师资质信息和所述第二麻醉医师资质信息，分别进行对比交叉分析，获得麻醉药物用量分析结果、麻醉设备工作分析结果以及麻醉医师资质分析结果；
分别对所述麻醉药物用量分析结果、所述麻醉设备工作分析结果以及所述麻醉医师资质分析结果进行特征标记，生成所述第一分析结果；
其中，所述方法还包括：
判断所述第一分析结果是否满足预设分析结果；
若所述第一分析结果不满足所述预设分析结果，获得第一用户体质信息和第二用户体质信息，其中，第一用户包含于所述第一正常案例数据集，第二用户包含于所述第一意外案例数据集；
根据所述第一用户体质信息，获得所述第一用户对麻醉药物的第一免疫特征，同理，获得所述第二用户对所述麻醉药物的第二免疫特征；
根据所述第一免疫特征和所述第二免疫特征，对所述第一分析结果进行修正；
其中，所述对所述第一分析结果进行修正，还包括：
基于所述第一免疫特征和所述第二免疫特征，生成用户免疫差异关键特征；
将所述用户免疫差异关键特征作为第四分类特征，对所述第一正常案例特征集合和所述第一意外案例特征集合进行二次分类。
2.如权利要求1所述的方法，其中，所述方法还包括：
对所述第一分类特征进行信息论编码运算，获得第一特征信息熵，对所述第二分类特征进行信息论编码运算，获得第二特征信息熵，对所述第三分类特征进行信息论编码运算，获得第三特征信息熵；
将所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵输入数据大小比对模型进行训练，获得第一根节点特征信息；
基于所述第一根节点特征信息和所述第一正常案例特征集合、所述第一意外案例特征集合的递归算法，分别构建所述正常案例特征分析决策树和意外案例特征分析决策树。
3.如权利要求1所述的方法，其中，所述对所述麻醉手术案例数据集进行无监督学习分类，还包括：
将所述麻醉手术案例数据集定义为N个样本点；
基于所述N个样本点，随机选取K个中心点；
对所述N个样本点与所述K个中心点进行距离计算，获得欧式距离数据集；
根据所述欧式距离数据集，获得麻醉手术案例分类数据集，所述麻醉手术案例分类数据集为所述欧式距离数据集中最短距离；
根据所述麻醉手术案例分类数据集，获得第一分类结果，对所述麻醉手术案例数据集进行无监督学习分类。
4.一种麻醉意外案例收集分析系统，其中，所述系统包括：
第一采集单元：所述第一采集单元用于基于大数据，采集第一科室的麻醉手术案例数据集；
第一分类单元：所述第一分类单元用于对所述麻醉手术案例数据集进行无监督学习分类，生成第一正常案例数据集和第一意外案例数据集；
第一提取单元：所述第一提取单元用于对所述第一正常案例数据集进行特征提取，生成第一正常案例特征集合，对所述第一意外案例数据集进行特征提取，生成第一意外案例特征集合；
第一构建单元：所述第一构建单元用于分别基于所述第一正常案例特征集合和所述第一意外案例特征集合，依次构建正常案例特征分析决策树和意外案例特征分析决策树；
第一分析单元：所述第一分析单元用于根据所述正常案例特征分析决策树和所述意外案例特征分析决策树，对所述第一正常案例数据集和第一意外案例数据集进行对比分析，生成第一分析结果；
第一生成单元：所述第一生成单元用于根据所述第一分析结果，生成第一麻醉注意事项集合，并上传至麻醉意外案例收集分析系统进行实时更新；
所述系统还包括：
第二分析单元：所述第二分析单元用于对所述第一正常案例特征集合和所述第一意外案例特征集合进行遍历分析，获得麻醉关键特征集合；
第一获得单元：所述第一获得单元用于根据所述麻醉关键特征集合，获得麻醉药物用量信息，作为第一分类特征，获得麻醉设备工作信息，作为第二分类特征，获得麻醉医师资质信息，作为第三分类特征；
第二分类单元：所述第二分类单元用于基于所述第一分类特征、所述第二分类特征以及所述第三分类特征，分别对所述第一正常案例特征集合和所述第一意外案例特征集合进行分类，依次构建所述正常案例特征分析决策树和所述意外案例特征分析决策树；
第二获得单元：所述第二获得单元用于根据所述正常案例特征分析决策树，获得第一正常案例关键特征匹配信息，根据所述意外案例特征分析决策树，获得第一意外案例关键特征匹配信息；
第三分析单元：所述第三分析单元用于对所述第一正常案例关键特征匹配信息和所述第一意外案例关键特征匹配信息进行交叉分析，获得所述第一分析结果；
第三获得单元：所述第三获得单元用于根据所述第一正常案例关键特征匹配信息，获得对应的第一麻醉药物用量信息、第一麻醉设备工作信息以及第一麻醉医师资质信息；
第四获得单元：所述第四获得单元用于根据所述第一意外案例关键特征匹配信息，获得对应的第二麻醉药物用量信息、第二麻醉设备工作信息以及第二麻醉医师资质信息；
第四分析单元：所述第四分析单元用于对所述第一麻醉药物用量信息和所述第二麻醉药物用量信息、所述第一麻醉设备工作信息和所述第二麻醉设备工作信息以及所述第一麻醉医师资质信息和所述第二麻醉医师资质信息，分别进行对比交叉分析，获得麻醉药物用量分析结果、麻醉设备工作分析结果以及麻醉医师资质分析结果；
第一标记单元：所述第一标记单元用于分别对所述麻醉药物用量分析结果、所述麻醉设备工作分析结果以及所述麻醉医师资质分析结果进行特征标记，生成所述第一分析结果；
第一判断单元：所述第一判断单元用于判断所述第一分析结果是否满足预设分析结果；
第五获得单元：所述第五获得单元用于若所述第一分析结果不满足所述预设分析结果，获得第一用户体质信息和第二用户体质信息，其中，第一用户包含于所述第一正常案例数据集，第二用户包含于所述第一意外案例数据集；
第六获得单元：所述第六获得单元用于根据所述第一用户体质信息，获得所述第一用户对麻醉药物的第一免疫特征，同理，获得所述第二用户对所述麻醉药物的第二免疫特征；
第一修正单元：所述第一修正单元用于根据所述第一免疫特征和所述第二免疫特征，对所述第一分析结果进行修正；
第二生成单元：所述第二生成单元用于基于所述第一免疫特征和所述第二免疫特征，生成用户免疫差异关键特征；
第三分类单元：所述第三分类单元用于将所述用户免疫差异关键特征作为第四分类特征，对所述第一正常案例特征集合和所述第一意外案例特征集合进行二次分类。
5.一种麻醉意外案例收集分析系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1-3任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110884773.0A CN113488187B (zh) | 2021-08-03 | 2021-08-03 | 一种麻醉意外案例收集分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110884773.0A CN113488187B (zh) | 2021-08-03 | 2021-08-03 | 一种麻醉意外案例收集分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113488187A CN113488187A (zh) | 2021-10-08 |
| CN113488187B true CN113488187B (zh) | 2024-02-20 |
Family
ID=77945218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110884773.0A Active CN113488187B (zh) | 2021-08-03 | 2021-08-03 | 一种麻醉意外案例收集分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113488187B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115148327B (zh) * | 2022-07-08 | 2023-07-28 | 徐州医科大学 | 一种面向麻醉智能决策的多方协同原型系统及其方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108269012A (zh) * | 2018-01-12 | 2018-07-10 | 中国平安人寿保险股份有限公司 | 风险评分模型的构建方法、装置、存储介质及终端 |
| CN109741826A (zh) * | 2018-12-13 | 2019-05-10 | 华中科技大学鄂州工业技术研究院 | 麻醉评估决策树构建方法及设备 |
| WO2019091111A1 (zh) * | 2017-11-10 | 2019-05-16 | 平安科技（深圳）有限公司 | 管控药物的特征获取方法、电子装置及计算机可读存储介质 |
| CN110311902A (zh) * | 2019-06-21 | 2019-10-08 | 北京奇艺世纪科技有限公司 | 一种异常行为的识别方法、装置及电子设备 |
| CN111105032A (zh) * | 2019-11-28 | 2020-05-05 | 华南师范大学 | 基于gan的染色体结构异常检测方法、系统及存储介质 |
| CN111178407A (zh) * | 2019-12-19 | 2020-05-19 | 中国平安人寿保险股份有限公司 | 路况数据筛选方法、装置、计算机设备及存储介质 |
| CN112288025A (zh) * | 2020-11-03 | 2021-01-29 | 中国平安财产保险股份有限公司 | 基于树结构的异常案件识别方法、装置、设备及存储介质 |
| KR20210066271A (ko) * | 2019-11-28 | 2021-06-07 | 엠텍글로벌 주식회사 | 마취 분야에서의 의료 딥러닝을 활용한 처방 시스템 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5538749B2 (ja) * | 2009-06-03 | 2014-07-02 | キヤノン株式会社 | 診断支援システム及びその診断支援方法、プログラム |
| US20130073300A1 (en) * | 2011-09-21 | 2013-03-21 | Lex WOLF | Apparatus and Method Pertaining to Anesthesiology-Related-Event Information Processing |
-
2021
- 2021-08-03 CN CN202110884773.0A patent/CN113488187B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019091111A1 (zh) * | 2017-11-10 | 2019-05-16 | 平安科技（深圳）有限公司 | 管控药物的特征获取方法、电子装置及计算机可读存储介质 |
| CN108269012A (zh) * | 2018-01-12 | 2018-07-10 | 中国平安人寿保险股份有限公司 | 风险评分模型的构建方法、装置、存储介质及终端 |
| CN109741826A (zh) * | 2018-12-13 | 2019-05-10 | 华中科技大学鄂州工业技术研究院 | 麻醉评估决策树构建方法及设备 |
| CN110311902A (zh) * | 2019-06-21 | 2019-10-08 | 北京奇艺世纪科技有限公司 | 一种异常行为的识别方法、装置及电子设备 |
| CN111105032A (zh) * | 2019-11-28 | 2020-05-05 | 华南师范大学 | 基于gan的染色体结构异常检测方法、系统及存储介质 |
| KR20210066271A (ko) * | 2019-11-28 | 2021-06-07 | 엠텍글로벌 주식회사 | 마취 분야에서의 의료 딥러닝을 활용한 처방 시스템 |
| CN111178407A (zh) * | 2019-12-19 | 2020-05-19 | 中国平安人寿保险股份有限公司 | 路况数据筛选方法、装置、计算机设备及存储介质 |
| CN112288025A (zh) * | 2020-11-03 | 2021-01-29 | 中国平安财产保险股份有限公司 | 基于树结构的异常案件识别方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 基于基因表达谱的肿瘤样本分类规则提取;李颖新 等;南京大学学报(自然科学);第45卷(第05期);613-619 * |
| 基于样本熵与决策树的麻醉意识深度评价指数的研究;刘军 等;生物医学工程学杂志;第32卷(第02期);434-439 * |
| 李颖新 等.基于基因表达谱的肿瘤样本分类规则提取.南京大学学报(自然科学).2009,第45卷(第05期),613-619. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113488187A (zh) | 2021-10-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2020333132B2 (en) | Method and system for disease classification coding based on deep learning, and device and medium | |
| Zhang et al. | Multivariate time series missing data imputation using recurrent denoising autoencoder | |
| CN112765370B (zh) | 知识图谱的实体对齐方法、装置、计算机设备和存储介质 | |
| US20200285807A1 (en) | Complex system anomaly detection based on discrete event sequences | |
| CN113488187B (zh) | 一种麻醉意外案例收集分析方法及系统 | |
| CN115130656A (zh) | 异常检测模型的训练方法、装置、设备及存储介质 | |
| CN113095365A (zh) | 医疗保险违规数据识别方法及装置 | |
| CN115497616A (zh) | 一种感染性疾病辅助决策的方法、系统、设备及存储介质 | |
| Huamaní et al. | Analysis and prediction of recorded COVID-19 infections in the constitutional departments of Peru using specialized machine learning techniques | |
| CN113807728A (zh) | 基于神经网络的绩效考核方法、装置、设备及存储介质 | |
| CN110808095B (zh) | 诊断结果识别、模型训练的方法、计算机设备及存储介质 | |
| Broekstra | On the representation and identification of structure systems | |
| Bai et al. | Versatile weight attack via flipping limited bits | |
| CN111967581A (zh) | 分群模型的解释方法、装置、计算机设备和存储介质 | |
| CN116166999A (zh) | 异常交易数据识别方法、装置、计算机设备及存储介质 | |
| CN116468043A (zh) | 嵌套实体识别方法、装置、设备及存储介质 | |
| CN116383766A (zh) | 基于多模态数据的辅诊方法、装置、设备及存储介质 | |
| WO2023134087A1 (zh) | 问诊模板生成方法、装置、电子设备及存储介质 | |
| McCulloch et al. | On comparing and selecting approaches to model interval-valued data as fuzzy sets | |
| CN112927152B (zh) | Ct图像去噪处理方法、装置、计算机设备及介质 | |
| CN113298160B (zh) | 三元组的校验方法、装置、设备和介质 | |
| CN113205053A (zh) | 一种癫痫患者病房安全监测方法及系统 | |
| WO2021114626A1 (zh) | 一种病历数据的质量检测方法和相关装置 | |
| Jiang et al. | Optimal design methods for a digital human–computer interface based on human reliability in a nuclear power plant part 1: Optimization method for monitoring unit layout | |
| CN109614854B (zh) | 视频数据处理方法及装置、计算机装置及可读存储介质 |
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 |