CN113808724B - 数据分析方法及装置、存储介质及电子终端 - Google Patents
数据分析方法及装置、存储介质及电子终端 Download PDFInfo
- Publication number
- CN113808724B CN113808724B CN202111360544.5A CN202111360544A CN113808724B CN 113808724 B CN113808724 B CN 113808724B CN 202111360544 A CN202111360544 A CN 202111360544A CN 113808724 B CN113808724 B CN 113808724B
- Authority
- CN
- China
- Prior art keywords
- data
- analyzed
- diagnosis
- state
- treatment process
- 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
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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开涉及计算机技术领域,具体涉及数据分析方法及装置、存储介质、电子终端。所述方法包括:获取待分析对象的待分析数据;其中,所述待分析数据包括:基础信息、第一状态数据、第二状态数据以及诊疗过程数据;对所述待分析数据进行预处理,以获取核心特征数据;将所述待分析数据和所述核心特征数据,输入已训练的若干个评价模型,以获取各所述评价模型输出的所述待分析对象的诊疗过程评估结果;根据各所述评价模型输出的所述待分析对象的诊疗过程评估结果,计算综合评价结果。本方法能够得到待分析对象的某一种疾病的诊疗过程的合理性的准确的评估结果。并能够实现针对不同的患者做出准确的评估。
Description
技术领域
本公开涉及计算机技术领域,具体涉及一种数据分析方法、一种云数据分析装置、一种存储介质以及一种电子终端。
背景技术
近年来,随着机器学习相关技术的快速发展,机器学习能够被应用到多种不同的领域,并面对不同的应用场景。在医疗领域中,患者在住院诊疗的过程中,在面对诊疗过程是否合理,以及当前的状态是否符合出院要求这一问题时,需要依靠医生通过阅读、分析病例,再做出判断。并且,不同的医院具有不同的评价机制,评价的标准差异也较大,并不能通用。缺乏有效的数据分析策略为医生提供分析的数据支持。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种数据分析方法、一种数据分析装置、一种存储介质以及一种电子终端,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供一种数据分析方法,包括:
获取待分析对象的待分析数据;其中,所述待分析数据包括:基础信息、第一状态数据、第二状态数据以及诊疗过程数据;
对所述待分析数据进行预处理,以获取核心特征数据;
将所述待分析数据和所述核心特征数据,输入已训练的若干个评价模型,以获取各所述评价模型输出的所述待分析对象的诊疗过程评估结果;
根据各所述评价模型输出的所述待分析对象的诊疗过程评估结果,计算综合评价结果。
在本公开的一种示例性实施例中,所述核心特征数据包括所述待分析对象进入目标状态的实际时间参数;
所述对所述待分析数据进行预处理,以获取核心特征数据,包括:
获取预设时间段内第一特征的对应的连续若干个第一特征值,根据连续若干个第一特征值的均值和方差的计算结果判断所述待分析对象是否进入目标状态;
在判断所述待分析对象进入所述目标状态时,确定根据所述第一特征值确定对应的目标状态时间;
根据所述目标状态时间结合所述第一状态数据对应的第一状态时间,计算所述实际时间参数。
在本公开的一种示例性实施例中,所述根据连续若干个第一特征值的均值和方差的计算结果判断所述待分析对象是否进入目标状态,包括:
获取所述待分析对象对应的稳态区间参数;其中,所述待分析对象对应的稳态区间参数依据所述待分析对象的第一特征历史数据结合第一特征标准参数确定;
将所述连续若干个第一特征值的均值和方差的计算结果与所述稳态区间参数进行比对,以判断所述待分析对象是否进入目标状态。
在本公开的一种示例性实施例中,所述方法还包括:预先训练所述评价模型,包括:
获取目标项目对应的已标记的项目数据,并将所述项目数据按预设规则划分为训练数据集和测试数据集;其中所述项目数据包括:基础信息、诊疗过程数据、第一状态数据和第二状态数据;
对所述已标记的项目数据进行预处理,以筛选符合预设规则的各类型特征数据;其中,所述特征数据包括核心特征数据;
利用交叉验证的方式使用预处理后的所述训练数据集对基于机器学习的评价模型进行训练,以获取训练后的所述评价模型。
在本公开的一种示例性实施例中,所述对所述已标记的项目数据进行预处理时,所述方法还包括:
对所述项目数据进行解析以获取各类型特征数据;
对各类型的特征数据进行缺失值分析,以确定对应缺失率;
对缺失率大于预设阈值的特征数据进行删除操作;以及,对缺失率小于预设阈值的特征数据进行缺失值填充操作。
在本公开的一种示例性实施例中,所述评价模型包括:
基于随机森林的评价模型、基于梯度下降树的评价模型以及基于极端梯度提升的评价模型中的至少一项。
在本公开的一种示例性实施例中,所述方法还包括:
在所述待分析对象的诊疗过程对应的综合评价结果不符合预设规则时,创建对应的诊疗过程数据分析任务;
执行所述诊疗过程数据分析任务,以获取所述诊疗过程数据中的异常数据。
根据本公开的第二方面,提供一种数据分析装置,包括:
数据采集模块,用于获取待分析对象的待分析数据;其中,所述待分析数据包括:基础信息、第一状态数据、第二状态数据以及诊疗过程数据;
核心特征数据分析模块,用于对所述待分析数据进行预处理,以获取核心特征数据;
模型处理模块,用于将所述待分析数据和所述核心特征数据,输入已训练的若干个评价模型,以获取各所述评价模型输出的所述待分析对象的诊疗过程评估结果;
综合评价结果输出模块,用于根据各所述评价模型输出的所述待分析对象的诊疗过程评估结果,计算综合评价结果。
根据本公开的第三方面,提供一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的数据分析方法。
根据本公开的第四方面,提供一种电子终端,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述的数据分析方法。
本公开的一种实施例所提供的数据分析方法,可以针对待分析对象的指定疾病类型,利用该指定疾病类型对应的待分析数据,利用已训练的评价模型,对待分析数据进行分析和计算,获取待分析对象的诊疗过程的评估结果。通过将待分析对象的诊疗过程数据,以及第一状态数据和第二状态数据作为输入数据,可以得到待分析对象的某一种疾病的诊疗过程的合理性的准确的评估结果。并能够实现针对不同的患者做出准确的评估。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出本公开示例性实施例中一种数据分析方法的流程示意图;
图2示意性示出本公开示例性实施例中一种系统架构的示意图;
图3示意性示出本公开示例性实施例中一种计算实际时间参数的方法流程示意图;
图4示意性示出本公开示例性实施例中另一种评价模型训练方法的流程示意图;
图5示意性示出本公开示例性实施例中一种数据分析装置的组成示意图;
图6示意性示出本公开示例性实施例中一种电子设备的组成示意图;
图7示意性示出本公开示例性实施例中一种程序产品的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
在相关技术中,二型糖尿病临床诊疗过程是指,二型糖尿病患者从入院开始经过“临床医生的经验及医学判断给出治疗方案并伴随患者身体指标情况实时调整”到最终“达到出院标准”完成出院的全过程。在现有的相关技术中,住院病人能否出院,主要依靠科室主任或者住院医生以人工的方式进行分析和评价。医生需要花费大量的时间来阅读病历,分析患者病情。并且,由于不同患者之间存在身体状态、用药等方面存在一定的差异,也无法提供一种通用的评价方法。
针对现有技术中存在的上述缺陷,本示例实施方式中首先提供了一种数据分析方法,可以针对二型糖尿病的临床诊断过程,对诊断过程的合理性进行准确的评估。参考图1中所示,上述的数据分析方法可以包括以下步骤:
步骤S11,获取待分析对象的待分析数据;其中,所述待分析数据包括:基础信息、第一状态数据、第二状态数据以及诊疗过程数据;
步骤S12,对所述待分析数据进行预处理,以获取核心特征数据;
步骤S13,将所述待分析数据和所述核心特征数据,输入已训练的若干个评价模型,以获取各所述评价模型输出的所述待分析对象的诊疗过程评估结果;
步骤S14,根据各所述评价模型输出的所述待分析对象的诊疗过程评估结果,计算综合评价结果。
本示例实施方式所提供的数据分析方法,一方面,可以针对待分析对象的指定疾病类型,利用该指定疾病类型对应的待分析数据,利用已训练的评价模型,对待分析数据进行分析和计算,获取待分析对象的诊疗过程的评估结果。通过将待分析对象的诊疗过程数据,以及第一状态数据和第二状态数据作为输入数据,可以得到待分析对象的某一种疾病的诊疗过程的合理性的准确的评估结果。另一方面,能够实现针对不同的患者做出准确的评估。
下面,将结合附图及实施例对本示例实施方式中的数据分析方法中各个步骤进行更详细的说明。
在步骤S11中,获取待分析对象的待分析数据;其中,所述待分析数据包括:基础信息、第一状态数据、第二状态数据以及诊疗过程数据。
本示例实施方式中,参考图2所示的系统架构,可以包括:用户侧移动终端设备201、用户侧智能终端设备204和服务器203等。括:用户侧移动终端设备201、用户侧智能终端设备204和服务器203之间,均可以通过网络202进行数据传输。网络可以包括各种连接类型,例如有线通信链路、无线通信链路等等。上述的数据分析方法可以执行在服务器端或者由用户侧的终端设备与服务器端协作执行。以上述的方法执行在服务器端为例,用户可以在终端设备侧向服务器端上传数据分析请求;在数据分析请求中可以包含待分析对象对应的完整待分析数据。或者,也可以在数据分析请求中包含待分析对象对应的身份标识信息,例如姓名、证件号码,以及住院编号等唯一的身份标识;服务器端可以利用该身份标识向医疗数据库中查询待分析对象对应的医疗数据,作为待分析数据。
具体而言,上述的待分析对象的待分析数据可以是指患者的某一指定类型疾病的相关医疗数据。举例来说,可以是患者针对二型糖尿病的医疗数据。具体的,待分析数据可以包括患者的基础信息,例如年龄、性别、身高、体重、血压、疾病、腰围、臀围、糖尿病年限、胰岛素使用年限等基础信息,以及日常自我管理过程中低血糖发生频率、是否发生过酮症酸中毒等信息。其中,上述的第一状态数据可以是患者入院时状态数据,例如体重下降情况、症状(如,口干多饮多尿等)、空腹血糖、餐后血糖、随机血糖、糖化血红蛋白、当前用药情况等信息。上述的第二状态数据可以是患者出院时时身体状态数据,例如体重、血压、血糖值等出院时必须要满足规定的相关参数。上述的诊疗过程数据可以是住院诊疗过程中涉及的每天的血糖情况(每日7次,三餐前后加夜间血糖)、血压等每日的监测数据;还可以包括用药情况,例如药品名称、用药方法,以及调整情况等信息,出院时间,等等;还可以包括基于入、出院时间计算出的住院天数、基于血糖情况计算出的血糖均值、方差等计算量信息。
当然,在本公开的其他示例性实施方式中,上述的数据分析方法也可以是针对其他的疾病,例如心脏病,或者其他器官的疾病。对应的,患者的待分析数据中,可以是针对该疾病的相关数据。
在步骤S12中,对所述待分析数据进行预处理,以获取核心特征数据。
本示例实施方式中,针对二型糖尿病而言,核心特征数据可以是待分析对象进入目标状态的实际时间参数。具体的,上述的目标状态可以是患者进入血糖的稳定状态。上述的实际时间参数可以是指患者入院时间,至患者调理至稳态所花费的时间。此外,上述的核心特征数据还可以包括患者在不同阶段的血糖监测值。
本示例实施方式中,具体来说,参考图3所示,上述的步骤S12可以包括:
步骤S121,获取预设时间段内第一特征的对应的连续若干个第一特征值,根据连续若干个第一特征值的均值和方差的计算结果判断所述待分析对象是否进入目标状态;
步骤S122,在判断所述待分析对象进入所述目标状态时,确定根据所述第一特征值确定对应的目标状态时间;
步骤S123,根据所述目标状态时间结合所述第一状态数据对应的第一状态时间,计算所述实际时间参数。
具体的,在获取待分析对象对应的待分析数据后,可以首先对其进行预处理。具体的,预处理可以包括对待分析数据按数据类型进行数据分类,并根据数据分类结果提取指定类型的特征参数。例如,上述的第一特征可以是指血糖检测项目,对应的第一特征值为每一次的血糖检测值。如上述实施例方式中,每天可以对患者进行3次、6次或者7次血糖检测,对应的能在每天得到3个、6个或7个血糖检测值。根据每天的血糖检测值,可以计算连续3天的血糖值的均值、方差,在血糖检测值的均值处于正常血糖值范围,且方差计算结果小于预设阈值时,则判断待分析对象当前进入目标状态,即患者的血糖调整至合理的稳定状态;对应的,上述的目标状态时间可以为待分析对象进入目标状态的时间,即患者血糖调理至稳定状态的时间。例如,如上述的连续多天的测量中,将连续3天的最后一天的日期作为血糖调理至稳定状态的时间;根据连续3天中的最后一天的日期,与患者入院的日期进行比较,计算患者入院至血糖调理至稳态的消耗时间,即上述的实际时间参数。如上述实施例中,将患者入院时的数据作为第一状态数据,则将患者入院时间作为第一状态时间。
在一些示例性实施方式中,还可以对每个待分析对象分别配置对应的稳态区间参数。具体来说,上述的步骤S121可以包括:
获取所述待分析对象对应的稳态区间参数;其中,所述待分析对象对应的稳态区间参数依据所述待分析对象的第一特征历史数据结合第一特征标准参数确定;将所述连续若干个第一特征值的均值和方差的计算结果与所述稳态区间参数进行比对,以判断所述待分析对象是否进入目标状态。
具体而言,对于待分析对象而言,由于其可能具有不同的体重、年龄、糖尿病年限、降糖药种类、用药量,相对标准的正常血糖参数范围,每个患者实际的正常血糖参数范围可能存在一定的差异。针对该种情况,在进行数据预处理时,可以提取待分析对象对应的上述的各类特征的历史数据,以及历史数据中患者血糖稳定时的血糖数据并进行分析,结合标准的正常血糖参数范围,配置当前的待分析对象对应的稳态区间参数。例如,在患者年龄偏大,在第一年龄区间,体重偏中,在第二重量区间,其对应的稳态区间可以被配置为数值相比标准的正常血糖参数范围较高的数值范围。
或者,在一些示例性实施方式中,可以预先利用医疗数据库中全体二型糖尿病患者的医疗数据进行分析,得到不同年龄段、不同体重、不同性别、不同用药情况,以及不同并发症状态下,对应的稳态区间参数之间的对应关系,并创建关系列表。从而可以在获取当前的待分析对象的待分析数据后,可以提取上述各类型的特征数值,并对该关系列表进行比对,从而获取针对当前待分析对象的稳态区间参数。从而提升数据分析速度。
在步骤S13中,将所述待分析数据和所述核心特征数据,输入已训练的若干个评价模型,以获取各所述评价模型输出的所述待分析对象的诊疗过程评估结果。
本示例实施方式中,在计算并获取核心特征数据后,便可以将待分析数据和核心特征数据作为输入参数,输入已训练的基于机器学习的评价模型,从而获得评价模型输出的诊疗过程评估结果。其中,上述的评价模型可以采用基于随机森林的评价模型、基于梯度下降树的评价模型以及基于极端梯度提升的评价模型中的至少一项。
在一些示例性实时方式中,可以预先对评估模型进行训练。具体的,参考图4所示,评价模型的训练方法可以包括:
步骤S21,获取目标项目对应的已标记的项目数据,并将所述项目数据按预设规则划分为训练数据集和测试数据集;其中所述项目数据包括:基础信息、诊疗过程数据、第一状态数据和第二状态数据;
步骤S22,对所述已标记的项目数据进行预处理,以筛选符合预设规则的各类型特征数据;其中,所述特征数据包括核心特征数据;
步骤S23,利用交叉验证的方式使用预处理后的所述训练数据集对基于机器学习的评价模型进行训练,以获取训练后的所述评价模型。
举例而言,上述的目标项目可以是用户创建的针对具体的某一疾病类型的数据分析任务;对应的,其项目数据可以包括从不同数据源获取的关于该疾病类型的医疗数据。例如,可以从不同的医院或数据库来获取二型糖尿病的相关医疗数据,对诊疗过程相关的核心特征数据进行人工评价,配置对应的诊疗过程评分值。在获取二型糖尿病的相关的各类型的医疗数据后,可以利用唯一的标识信息对其进行关联。举例来说,项目数据可以包括从不同数据源获取的二型糖尿病患者的基础信息、诊疗过程数据、患者入院时的第一状态数据。其中,患者的基础信息包括但不限于年龄、性别、身高、体重、血压、疾病、腰围、臀围、糖尿病年限、胰岛素使用年限等基础信息,以及日常自我管理过程中低血糖发生频率、是否发生过酮症酸中毒等信息。上述的第一状态信息可以包括但不限于患者入院时的体重下降情况、症状(如,口干多饮多尿等)、空腹血糖、餐后血糖、随机血糖、糖化血红蛋白、当前用药情况等信息。诊疗过程数据可以包括但不限于二型糖尿病患者在住院期间的每天的血糖情况(每日7次,三餐前后加夜间血糖)、用药及调整情况等信息,同时包括基于入出院时间计算出的住院天数、基于血糖情况计算出的血糖均值、方差等计算量信息。其中,上述的核心特征数据可以是如上述实施方式中计算的所述的患者入院后进入血糖稳态所消耗的时长。
此外,在一些示例性实施方式中,上述的核心特征数据还可以是患者的部分特征之间的关联关系,例如,血糖下降至稳态所需的时间,与并发症、患病时长、年龄、药品类型、用药方式等特征之间的关联关系。例如,对于并发症比较多的患者,或发病很久的患者,身体机能受糖毒性影响较久,将其血糖降下来所需要的时间会相对长;相对的,对于新发患者,身体各项机能还比较良好,血糖降下来就比较快。再比如:考虑患者承受能力,年纪大的患者降糖比年轻的患者更慢,治疗方式和过程会相对更保守。在模型训练时,将相关信息之间的关联性以及具体的特征值作为训练样本,可以在训练过程中体现出相关联的特征数据对诊疗过程时长的影响。用于判断治疗效果,能够实现这些特质的特异化。
在一些示例性实施方式中,在获取项目数据后,还可以对其进行缺失值填充处理。具体来说,可以包括:
步骤S31,对所述项目数据进行解析以获取各类型特征数据;
步骤S32,对各类型的特征数据进行缺失值分析,以确定对应缺失率;
步骤S33,对缺失率大于预设阈值的特征数据进行删除操作;以及,对缺失率下雨预设阈值的特征数据缺失值填充操作。
举例来说,可以对项目数据按预设的数据类型进行分类,对各类型的数据进行数据缺失率的计算。若缺失率高于80%,则可以舍弃该部分缺失率过高的特征;以及,对其余的各类型特征的数据缺失率进行排序,从缺失率最低的开始填充,直至所有特征完成缺失值填充。例如,可以利用随机森林模型进行填充缺失值。
在一些示例性实施方式中,还可以对项目数据进行划分,得到二型糖尿病对应的训练数据集和测试数据集。在一些示例性实施方式中,可以是在对项目数据进行预处理之后,再进行数据集的划分。或者,也可以是对项目数据划分为训练数据集和测试数据集之后,再分别进行预处理。
在一些示例性实施方式中,可以通过交叉验证的方式使用训练集训练机器学习模型。举例来说,评价模型可以包括基于随机森林的评价模型、基于梯度下降树的评价模型以及基于极端梯度提升的评价模型中的至少一项。以基于随机森林的评价模型为例,进行训练时,可以从训练数据集中使用Bootstraping方法选择样本并训练多颗决策树,在训练决策树时,随机选择k个特征按照信息增益比Gain(S,A)=Entropy(S|A)-∑v∈Values(A)Sv/S*Entropy(Sv)进行分裂,其中S当前分类节点中所有数据的集合,A为某个待选特征,Sv为按照特征A对集合S进行划分后属于特征A的新集合;若特征具有相同的表现,则在具有最好表现的特征中随机选取一个特征;在预测时使用多数投票机制输出状态结果。举例来说,对于分类模型,其评价结果可以是0或1,即不合格或合格;对于回归模型,其评价结果可以是1-5的评价分数。在模型训练完成后,并可以将训练好的模型用于实际应用。
在对各模型进行训练时,可以配置不同的训练数据,保持训练数据之间的差异性。
在步骤S14中,根据各所述评价模型输出的所述待分析对象的诊疗过程评估结果,计算综合评价结果。
本示例实施方式中,在获取多个评价模型输出的针对当前待分析对象的诊疗过程评估结果后,可以根据多个评估结果的分支计算综合评价结果。举例来说,可以疾病种类的不同,各模型的效果和准确性,可以为各评价模型配置不同的权重,来计算综合评价结果。例如,可以为基于随机森林的评价模型、基于梯度下降树的评价模型以及基于极端梯度提升的评价模型分别配置权重系数为0.4、0.3、0.3。或者,在面对其他疾病时,也可以配置其他的权重系数。例如,在面对心脏病的诊疗过程评估的场景中,可以为基于随机森林的评价模型、基于梯度下降树的评价模型以及基于极端梯度提升的评价模型分别配置权重系数为0.5、0.3和0.2;等等。
基于以上内容,在本示例性实施方式中,上述方法还可以包括:
步骤S41,在所述待分析对象的诊疗过程对应的综合评价结果不符合预设规则时,创建对应的诊疗过程数据分析任务;
步骤S42,执行所述诊疗过程数据分析任务,以获取所述诊疗过程数据中的异常数据。
具体来说,在获取待分析对象的诊疗过程评价结果为不合格,或者评分值低于预设值时,便可以创建对应的数据分析任务。对诊疗过程中的核心特征数据进行提取,并进行分析,从而识别出其中的异常数据或者可能存在问题的数据。例如,可以提取诊疗过程中的用药特征数据、血糖监测数据、体重、年龄、并发症、用药数据,以及历史治疗记录等数据,便于用户对各类特征数据之间的关联性强度进行分析,从而提取出其中的异常数据。便于用户对诊疗过程进行更详细的分析,获取诊疗过程中的改进点,例如为患者配置的药品以及药品的剂量。还可以利用该写数据作为新的样本数据去更新评价模型。
本公开所提供的数据分析方法中,通过预先利用样本数据训练二型糖尿病的诊断过程的评价模型,在获取患者的待分析数据后,可以利用各已训练的评价模型对患者的待分析数据进行分析和运算,生成对该患者的诊疗过程的评价结果。通过利用诊疗过程中诊疗时长、血糖检测值参数、年龄、体重、并发症等核心特征,并构建各特征之间的关联关系,可以实现对不同的患者进行有针对性的诊疗过程评价,输出更加准确的诊疗过程评价结果。进而能够获取血糖控制稳定的方法。提供了一种统一的、低成本的评价方式,可以作为各级医院,尤其基层医院对院内、科室内医生考核的一个参考指标;可以通过对不合格治疗过程的研究,提升基层医院或特定医生的医疗水平。
需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
进一步的,参考图5所示,本示例的实施方式中还提供了一种数据分析装置40,包括:数据采集模块401、核心特征数据分析模块402、模型处理模块403以及综合评价结果输出模块404。其中:
所述数据采集模块401可以用于获取待分析对象的待分析数据;其中,所述待分析数据包括:基础信息、第一状态数据、第二状态数据以及诊疗过程数据。
所述核心特征数据分析模块402可以用于对所述待分析数据进行预处理,以获取核心特征数据。
所述模型处理模块403可以用于将所述待分析数据和所述核心特征数据,输入已训练的若干个评价模型,以获取各所述评价模型输出的所述待分析对象的诊疗过程评估结果。
所述综合评价结果输出模块404可以用于根据各所述评价模型输出的所述待分析对象的诊疗过程评估结果,计算综合评价结果。
本示例实施方式中,所述核心特征数据包括所述待分析对象进入目标状态的实际时间参数。
所述核心特征数据分析模块402可以包括:获取预设时间段内第一特征的对应的连续若干个第一特征值,根据连续若干个第一特征值的均值和方差的计算结果判断所述待分析对象是否进入目标状态;在判断所述待分析对象进入所述目标状态时,确定根据所述第一特征值确定对应的目标状态时间;根据所述目标状态时间结合所述第一状态数据对应的第一状态时间,计算所述实际时间参数。
本示例实施方式中,所述核心特征数据分析模块402还可以包括:获取所述待分析对象对应的稳态区间参数;其中,所述待分析对象对应的稳态区间参数依据所述待分析对象的第一特征历史数据结合第一特征标准参数确定;将所述连续若干个第一特征值的均值和方差的计算结果与所述稳态区间参数进行比对,以判断所述待分析对象是否进入目标状态。
本示例实施方式中,所述装置40还可以包括:模型训练模块。
所述模型训练模块可以用于获取目标项目对应的已标记的项目数据,并将所述项目数据按预设规则划分为训练数据集和测试数据集;其中所述项目数据包括:基础信息、诊疗过程数据、第一状态数据;对所述已标记的项目数据进行预处理,以筛选符合预设规则的各类型特征数据;其中,所述特征数据包括核心特征数据;利用交叉验证的方式使用预处理后的所述训练数据集对基于机器学习的评价模型进行训练,以获取训练后的所述评价模型。
本示例实施方式中,所述装置还包括:数据预处理模块。
所述数据预处理模块可以用于对所述项目数据进行解析以获取各类型特征数据;对各类型的特征数据进行缺失值分析,以确定对应缺失率;对缺失率大于预设阈值的特征数据进行删除操作;以及,对缺失率小于预设阈值的特征数据进行缺失值填充操作。
本示例实施方式中,所述评价模型包括:基于随机森林的评价模型、基于梯度下降树的评价模型以及基于极端梯度提升的评价模型中的至少一项。
本示例实施方式中,所述装置40还可以包括:数据分析任务创建模块。
所述数据分析任务创建模块可以用于在所述待分析对象的诊疗过程对应的综合评价结果不符合预设规则时,创建对应的诊疗过程数据分析任务;执行所述诊疗过程数据分析任务,以获取所述诊疗过程数据中的异常数据。
上述的数据分析装置40中各模块的具体细节已经在对应的数据分析方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本发明的这种实施方式的电子设备500。图6显示的电子设备500仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元510执行,使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元510可以执行如图1中所示的方法。
存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202,还可以进一步包括只读存储单元(ROM)5203。
存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204,这样的程序模块5205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备500交互的设备通信,和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且,电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器560通过总线530与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图7所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (8)
1.一种数据分析方法,其特征在于,包括:
获取待分析对象的待分析数据;其中,所述待分析数据包括:基础信息、第一状态数据、第二状态数据以及诊疗过程数据;
对所述待分析数据进行预处理,以获取核心特征数据,包括:获取预设时间段内第一特征的对应的连续若干个第一特征值,获取所述待分析对象对应的稳态区间参数;其中,所述待分析对象对应的稳态区间参数依据所述待分析对象的第一特征历史数据结合第一特征标准参数确定;将所述连续若干个第一特征值的均值方差计算结果与所述稳态区间参数进行比对,以判断所述待分析对象是否进入目标状态;在判断所述待分析对象进入所述目标状态时,确定根据所述第一特征值确定对应的目标状态时间;根据所述目标状态时间结合所述第一状态数据对应的第一状态时间,计算实际时间参数;其中,所述核心特征数据包括所述待分析对象进入目标状态的实际时间参数;
将所述待分析数据和所述核心特征数据,输入已训练的若干个评价模型,以获取各所述评价模型输出的所述待分析对象的诊疗过程评估结果;
根据各所述评价模型输出的所述待分析对象的诊疗过程评估结果,计算综合评价结果。
2.根据权利要求1所述的数据分析方法,其特征在于,所述方法还包括:预先训练所述评价模型,包括:
获取目标项目对应的已标记的项目数据,并对所述项目数据按预设规则划分训练数据集和测试数据集;其中所述项目数据包括:基本信息、诊疗过程数据、第一状态数据和第二状态数据;
对所述已标记的项目数据进行预处理,以筛选符合预设规则的各类型特征数据;其中,所述特征数据包括核心特征数据;
利用交叉验证的方式使用预处理后的所述训练数据集对基于机器学习的评价模型进行训练,以获取训练后的所述评价模型。
3.根据权利要求1或2所述的数据分析方法,其特征在于,所述对所述已标记的项目数据进行预处理时,所述方法还包括:
对所述项目数据进行解析以获取各类型特征数据;
对各类型的特征数据进行缺失值分析,以确定对应缺失率;
将缺失率大于预设阈值的特征数据进行删除操作;以及,对缺失率小于预设阈值的特征数据进行缺失值填充操作。
4.根据权利要求1或2所述的数据分析方法,其特征在于,所述评价模型包括:
基于随机森林的评价模型、基于梯度下降树的评价模型以及基于极端梯度提升的评价模型中的至少一项。
5.根据权利要求1所述的数据分析方法,其特征在于,所述方法还包括:
在所述待分析对象的诊疗过程对应的综合评价结果不符合预设规则时,创建对应的诊疗过程数据分析任务;
执行所述诊疗过程数据分析任务,以获取所述诊疗过程数据中的异常数据。
6.一种数据分析装置,其特征在于,包括:
数据采集模块,用于获取待分析对象的待分析数据;其中,所述待分析数据包括:基础信息、第一状态数据、第二状态数据以及诊疗过程数据;
核心特征数据分析模块,用于对所述待分析数据进行预处理,以获取核心特征数据,包括:获取预设时间段内第一特征的对应的连续若干个第一特征值,获取所述待分析对象对应的稳态区间参数;其中,所述待分析对象对应的稳态区间参数依据所述待分析对象的第一特征历史数据结合第一特征标准参数确定;将所述连续若干个第一特征值的均值方差计算结果与所述稳态区间参数进行比对,以判断所述待分析对象是否进入目标状态;在判断所述待分析对象进入所述目标状态时,确定根据所述第一特征值确定对应的目标状态时间;根据所述目标状态时间结合所述第一状态数据对应的第一状态时间,计算实际时间参数;其中,所述核心特征数据包括所述待分析对象进入目标状态的实际时间参数;
模型处理模块,用于将所述待分析数据和所述核心特征数据,输入已训练的若干个评价模型,以获取各所述评价模型输出的所述待分析对象的诊疗过程评估结果;
综合评价结果输出模块,用于根据各所述评价模型输出的所述待分析对象的诊疗过程评估结果,计算综合评价结果。
7.一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现根据权利要求1至5中任一项所述的数据分析方法。
8.一种电子终端,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行如权利要求1至5中任一项所述的数据分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111360544.5A CN113808724B (zh) | 2021-11-17 | 2021-11-17 | 数据分析方法及装置、存储介质及电子终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111360544.5A CN113808724B (zh) | 2021-11-17 | 2021-11-17 | 数据分析方法及装置、存储介质及电子终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113808724A CN113808724A (zh) | 2021-12-17 |
CN113808724B true CN113808724B (zh) | 2022-03-08 |
Family
ID=78898669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111360544.5A Active CN113808724B (zh) | 2021-11-17 | 2021-11-17 | 数据分析方法及装置、存储介质及电子终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113808724B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100331A (zh) * | 2020-09-14 | 2020-12-18 | 泰康保险集团股份有限公司 | 医疗数据分析方法及装置、存储介质、电子设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6013438B2 (ja) * | 2014-12-09 | 2016-10-25 | 株式会社Nttデータ・アイ | 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム |
CN107563657A (zh) * | 2017-09-12 | 2018-01-09 | 北京金风科创风电设备有限公司 | 风电场的评估方法及装置 |
CN108335748A (zh) * | 2018-01-18 | 2018-07-27 | 中山大学 | 一种鼻咽癌人工智能辅助诊疗决策服务器集群 |
CN113130021B (zh) * | 2019-12-31 | 2023-04-28 | 贵州医渡云技术有限公司 | 一种临床数据的分析方法、装置、可读介质及电子设备 |
CN112258019A (zh) * | 2020-10-19 | 2021-01-22 | 佛山众陶联供应链服务有限公司 | 一种煤耗的评估方法 |
-
2021
- 2021-11-17 CN CN202111360544.5A patent/CN113808724B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100331A (zh) * | 2020-09-14 | 2020-12-18 | 泰康保险集团股份有限公司 | 医疗数据分析方法及装置、存储介质、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113808724A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220254493A1 (en) | Chronic disease prediction system based on multi-task learning model | |
US11037070B2 (en) | Diagnostic test planning using machine learning techniques | |
García-Gallo et al. | A machine learning-based model for 1-year mortality prediction in patients admitted to an Intensive Care Unit with a diagnosis of sepsis | |
CN110051324B (zh) | 一种急性呼吸窘迫综合征死亡率预测方法及系统 | |
WO2019008798A1 (en) | DEVICE FOR PREDICTING DISEASE APPEARANCE, METHOD FOR PREDICTING DISEASE DISEASE, AND PROGRAM | |
CN111164705A (zh) | 预测从总群体中任意选择的亚群体中测试对象的不利健康状况的风险、发生或发展的医学设备和计算机实施的方法 | |
US20220044809A1 (en) | Systems and methods for using deep learning to generate acuity scores for critically ill or injured patients | |
CN111553478B (zh) | 基于大数据的社区老年人心血管疾病预测系统与方法 | |
Magid et al. | Health-related quality of life predicts emergency department utilization for patients with asthma | |
Deutsch et al. | UTOPIA: a consultation system for visit-by-visit diabetes management | |
CN112786203A (zh) | 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 | |
US8538778B2 (en) | Methods and systems for integrated health systems | |
CN113488166A (zh) | 糖尿病数据分析模型训练及数据管理方法、装置和设备 | |
CN112447270A (zh) | 一种用药推荐方法、装置、设备及存储介质 | |
CN116864139A (zh) | 疾病风险评估方法、装置、计算机设备及可读存储介质 | |
CN112183572A (zh) | 一种生成预测肺炎严重程度的预测模型的方法及装置 | |
CN114023440A (zh) | 可解释分层老年mods早期死亡风险评估模型、装置及其建立方法 | |
CN117672443A (zh) | 体检数据分析方法、装置、电子设备及存储介质 | |
CN113808724B (zh) | 数据分析方法及装置、存储介质及电子终端 | |
Wang et al. | Method of non-invasive parameters for predicting the probability of early in-hospital death of patients in intensive care unit | |
CN115547483A (zh) | 用于监测患慢性炎症性疾病的患者的远程监测方法和系统 | |
RU2733077C1 (ru) | Способ диагностики острого коронарного синдрома | |
Shickel et al. | DeepSOFA: a real-time continuous acuity score framework using deep learning | |
CN114783587A (zh) | 严重急性肾损伤智能预测系统 | |
Olsen et al. | Statistical Packages and Algorithms for the Analysis of Continuous Glucose Monitoring Data: A Systematic Review |
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 |