CN113851220A - 基于时序医疗健康数据的病情趋势预测方法和系统 - Google Patents
基于时序医疗健康数据的病情趋势预测方法和系统 Download PDFInfo
- Publication number
- CN113851220A CN113851220A CN202110944079.3A CN202110944079A CN113851220A CN 113851220 A CN113851220 A CN 113851220A CN 202110944079 A CN202110944079 A CN 202110944079A CN 113851220 A CN113851220 A CN 113851220A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- case
- health data
- medical health
- chart
- 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
- 230000036541 health Effects 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 54
- 201000010099 disease Diseases 0.000 title claims abstract description 35
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 35
- 230000000007 visual effect Effects 0.000 claims abstract description 100
- 238000012800 visualization Methods 0.000 claims abstract description 44
- 238000011282 treatment Methods 0.000 claims abstract description 35
- 238000011161 development Methods 0.000 claims abstract description 32
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 23
- 238000003745 diagnosis Methods 0.000 claims description 29
- 230000003068 static effect Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 208000024891 symptom Diseases 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000013079 data visualisation Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011269 treatment regimen Methods 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种基于时序医疗健康数据的病情趋势预测方法、系统、存储介质和电子设备，涉及医疗健康数据处理技术领域。本发明根据关键特征信息分类储存预处理后的时序医疗健康数据，构建时序数据案例库；根据时序案例库，采用双向异构LSTM网络模型获取当前案例的相似案例；可视化当前案例、相似案例对应的时序医疗健康数据，分别获取第一可视化图表、第二可视化图表，完成当前案例和相似案例的可视化对比。本发明按照时间顺序收集、储存时序医疗健康数据；利用双向异构LSTM网络，查找与当前患者相似的案例提供参考；使用数据可视化技术，基于案例数据提供可视化图表，方便确定患者的病情阶段性发展走向，以及获取治疗方案，缩短对案例的分析时间。
Description
技术领域
本发明涉及医疗健康数据处理技术领域，具体涉及一种基于时序医疗健康数据的病情趋势预测方法、系统、存储介质和电子设备。
背景技术
随着信息技术的快速发展与推广，人们日常生活越来越依赖于电子产品，各大中小型医院顺应时代的发展，纷纷建立了用于业务信息化发展的医院管理信息系统。电子化信息系统使得收集数据十分便利，大量医疗信息以电子形式存储于各类医疗系统中。经过不断积累，产生了海量的医疗大数据，收集到的数据不仅记录了患者的姓名、性别、年龄等基本资料，还记录了患者的各项生理指标、药物处方等重要信息，组成了完整的电子病历，这些数据为日后的数据处理、挖掘与分析提供了可靠的基础。
因此，传统的医疗数据拥有数据量大，种类多的特点。传统的医疗健康数据处理方法在数据处理上具有一定局限性，难以对海量医疗数据中的深层信息进行充分挖掘，导致了海量的医疗大数据利用率低。通常，有经验的医生能快速准确地为患者做出合理的诊疗决策，而这对于缺乏临床经验的年轻医生和基层医生而言十分困难，挖掘电子病历数据找到相似案例，辅助医生制定决策方案迫在眉睫。
此外，一般的医疗数据系统仅提供医疗信息和数据的列表，不提供可视化图形分析的功能。如果医疗人员希望使用可视化图形，那么就必须手动对可视化图表进行创建，耗时耗力；或放弃图的诊疗形式，这将失去图形直观易理解的优点，带来极大不便。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于时序医疗健康数据的病情趋势预测方法、系统、存储介质和电子设备，解决了无法充分挖掘海量医疗数据中的深层信息，更无法快速直观获取患者的病情发展情况的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于时序医疗健康数据的病情趋势预测方法，包括：
S1、收集并预处理时序医疗健康数据；
S2、根据预处理后的时序医疗健康数据，获取关键特征信息，根据所述关键特征信息分类储存所述预处理后的时序医疗健康数据，构建时序数据案例库；
S3、根据所述时序案例库，采用双向异构LSTM网络模型获取当前案例的相似案例；
S4、可视化所述当前案例、相似案例对应的时序医疗健康数据，分别获取第一可视化图表、第二可视化图表；
S5、根据所述第一可视化图表和第二可视化图表，完成当前案例和相似案例的可视化对比。
S6、根据可视化对比结果，预测所述当前案例中患者的病情阶段性发展走向，根据所述发展走向获取相应的治疗方案。
优选的，所述方法还包括S7、根据所述第一可视化图表和第二可视化图表，选择图表类型，为医生提供可视化图表推荐，所述可视化图表推荐包括单个案例数据变化趋势图和相似案例相同指标对比图。
优选的，所述S1具体包括：
S11、采集患者的医疗健康数据，所述医疗健康数据来源于患者的电子病历、电子健康档案、可穿戴设备或者非接触式传感设备实时采集的大规模健康数据，具体包括静态人口统计学信息、症状信息、实验室生理特征指标和诊断信息；
S12、将所述医疗健康数据进行数据清洗；
S13、根据数据清洗后的医疗健康数据，按照时间顺序进行排列，获取时序医疗健康数据。
优选的，所述S2中根据预处理后的时序医疗健康数据，获取关键特征信息，包括：
根据所述预处理后的时序医疗健康数据，选取临床概念作为特征信息，获取关键特征信息，为案例打上特征标签，所述临床概念指静态人口统计学信息、症状信息、实验室生理特征指标和诊断信息。
优选的，所述双向异构LSTM网络模型包括前向和后向LSTM结构，所述S3具体包括：
S31、根据所述时序案例库，将患者的实验室生理特征指标和诊断信息表示均输入所述前向和后向LSTM结构，获取所述前向LSTM结构对应的第一当前单元状态Ct、第一输出ht，以及所述后向LSTM结构对应的第二当前单元状态C′t、第二输出h′t；
S32、根据所述第一当前单元状态Ct、第一输出ht、第二当前单元状态C′t和第二输出h′t，获取所述时序案例库中第i个患者表示Pi；
其中，
为静态人口统计学信息表示；
S33、根据Pi和当前案例对应的时序医疗健康数据，计算当前患者与所述第i个患者之间的相似度；
Similar<Pi，Pj＞＝||Pi-Pj||2
其中，Pj为当前患者表示，采用同上述步骤S31～S32获取；
S34、根据相似度将查找出的相似案例进行排序，提取各个所述相似案例的时序医疗健康数据。
优选的，所述S4具体包括：
S41、根据关键特征信息与所述当前案例、相似案例对应的时序医疗健康数据，判断数据类别，基于统计分析图表类型，将可视化元素拆分为若干视觉编码通道，不同编码通道对应不同视觉呈现元素，预设若干种视图绘制方法；
S42、根据可视化编码通道内容，获取可视化视觉编码；
S43、在自定义可视化配置模块选择需要可视化的数据与可视化图表模型，根据可视化视觉编码的配置格式，获取自定义配置结果；所述配置格式通过对所述S13中获取的时序医疗健康数据进行数据拼接、数据类映射方式处理获取；
S44、根据所述自定义配置结果，获取所述第一可视化图表、第二可视化图表。
一种基于时序医疗健康数据的病情趋势预测系统，包括：
预处理模块，用于收集并预处理时序医疗健康数据；
构建模块，用于根据预处理后的时序医疗健康数据，获取关键特征信息，根据所述关键特征信息分类储存所述预处理后的时序医疗健康数据，构建时序数据案例库；
获取模块，用于根据所述时序案例库，采用双向异构LSTM网络模型获取当前案例的相似案例；
可视化模块，用于可视化所述当前案例、相似案例对应的时序医疗健康数据，分别获取第一可视化图表、第二可视化图表；
对比模块，用于根据所述第一可视化图表和第二可视化图表，完成当前案例和相似案例的可视化对比；
预测模块，用于根据可视化对比结果，预测所述当前案例中患者的病情阶段性发展走向，根据所述发展走向获取相应的治疗方案。
优选的，所述系统还包括：
推荐模块，用于所述第一可视化图表和第二可视化图表，选择图表类型，为医生提供可视化图表推荐，所述可视化图表推荐包括单个案例数据变化趋势图和相似案例相同指标对比图。
一种存储介质，其存储有用于基于时序医疗健康数据的病情趋势预测的计算机程序，其中，所述计算机程序使得计算机执行如上所述的病情趋势预测方法。
一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的病情趋势预测方法。
(三)有益效果
本发明提供了一种基于时序医疗健康数据的病情趋势预测方法、系统、存储介质和电子设备。与现有技术相比，具备以下有益效果：
本发明根据关键特征信息分类储存所述预处理后的时序医疗健康数据，构建时序数据案例库；根据所述时序案例库，采用双向异构LSTM网络模型获取当前案例的相似案例；可视化所述当前案例、相似案例对应的时序医疗健康数据，分别获取第一可视化图表、第二可视化图表，完成当前案例和相似案例的可视化对比；根据可视化对比结果，预测所述当前案例中患者的病情阶段性发展走向，并获取相应的治疗方案。本发明按照时间顺序收集、储存时序医疗健康数据，重视时序对辅助诊疗的作用；利用双向异构LSTM网络，查找与当前患者相似的案例，提供参考，不再完全依托于医生的临床经验；使用数据可视化技术，基于案例数据提供可视化图表，方便确定患者的病情阶段性发展走向以及获取治疗方案，缩短对案例的分析时间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例提供的一种基于时序医疗健康数据的病情趋势预测方法的流程示意图；
图2为本发明实施例提供的一种双向异构LSTM网络模型示意图；
图3为本发明实施例提供的一种基于时序医疗健康数据的病情趋势预测系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例通过提供一种基于时序医疗健康数据的病情趋势预测方法、系统、存储介质和电子设备，解决了无法充分挖掘海量医疗数据中的深层信息，更无法快速直观获取患者的病情发展情况的技术问题。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
本发明实施例根据关键特征信息分类储存所述预处理后的时序医疗健康数据，构建时序数据案例库；根据所述时序案例库，采用双向异构LSTM网络模型获取当前案例的相似案例；可视化所述当前案例、相似案例对应的时序医疗健康数据，分别获取第一可视化图表、第二可视化图表，完成当前案例和相似案例的可视化对比；根据可视化对比结果，预测所述当前案例中患者的病情阶段性发展走向，并获取相应的治疗方案。本发明实施例按照时间顺序收集、储存时序医疗健康数据，重视时序对辅助诊疗的作用；利用双向异构LSTM网络，查找与当前患者相似的案例，提供参考，不再完全依托于医生的临床经验；使用数据可视化技术，基于案例数据提供可视化图表，方便确定患者的病情阶段性发展走向，以及获取治疗方案，缩短对案例的分析时间。
为了更好的理解上述技术方案，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：
如图1所示，本发明实施例提供了一种基于时序医疗健康数据的病情趋势预测方法，包括：
S1、收集并预处理时序医疗健康数据；
S2、根据预处理后的时序医疗健康数据，获取关键特征信息，根据所述关键特征信息分类储存所述预处理后的时序医疗健康数据，构建时序数据案例库；
S3、根据所述时序案例库，采用双向异构LSTM网络模型获取当前案例的相似案例；
S4、可视化所述当前案例、相似案例对应的时序医疗健康数据，分别获取第一可视化图表、第二可视化图表；
S5、根据所述第一可视化图表和第二可视化图表，完成当前案例和相似案例的可视化对比；
S6、根据可视化对比结果，预测所述当前案例中患者的病情阶段性发展走向，根据所述发展走向获取相应的治疗方案；
S7、根据所述第一可视化图表和第二可视化图表，选择图表类型，为医生提供可视化图表推荐，所述可视化图表推荐包括单个案例数据变化趋势图和相似案例相同指标对比图。
本发明实施例按照时间顺序收集、储存时序医疗健康数据，重视时序对辅助诊疗的作用；利用双向异构LSTM网络，查找与当前患者相似的案例，提供参考，不再完全依托于医生的临床经验；使用数据可视化技术，基于案例数据提供可视化图表，方便确定患者的病情阶段性发展走向，以及获取治疗方案，缩短对案例的分析时间。
下面将结合具体内容详细介绍上述方案的各个步骤：
S1、收集并预处理时序医疗健康数据；具体包括：
S11、采集患者的医疗健康数据，所述医疗健康数据来源于患者的电子病历、电子健康档案、可穿戴设备或者非接触式传感设备实时采集的大规模健康数据，具体包括静态人口统计学信息、症状信息、实验室生理特征指标和诊断信息。
需要说明的是，所述静态人口统计学信息是指患者首次进入医院时，由医院信息系统记录的信息，有助于医生针对区域性疾病的诊断、年龄对药品剂量与使用方式选择的影响等做出更好的诊疗决策。
所述症状信息是指疾病引起患者的主观不适、异常感觉、功能变化或明显的病态改变，并以文本的形式记录在主诉和现病史。主诉是患者自述自己的病症信息。现病史是记录患者病后的全过程，即发生、发展、演变和诊治经过。
所述实验室生理特征指标是指患者入院后会进行一系列实验室检查，得到各个指标的数值，并与其正常范围值比较，以帮助医生评估其疾病类型、严重程度或治疗结果。特别地，对于进入重症监护室的患者，定期的实验室检查使得指标呈现时间序列的特征。
所述诊断信息是指医生根据患者的人口统计学、症状与实验室检查信息做出的疾病确诊记录，以疾病编码的形式记录在患者的电子病历数据中。
S12、将所述医疗健康数据进行数据清洗；具体包括：
由于步骤S11中获取的原始医疗健康数据较繁杂，部分数据出现特征缺失、有噪声等缺点，剔除特征值缺失较多的数据，对于缺失较少的数据可根据相关数据进行填补；对有噪声的数据进行去噪。
S13、根据数据清洗后的医疗健康数据，按照时间顺序进行排列，获取时序医疗健康数据。
该步骤中将清洗后的医疗健康数据按照时间顺序进行排列，构建时序医疗健康数据序列；通过数据拼接、数据类映射方式处理时序医疗数据为规定的标准格式。
S2、根据预处理后的时序医疗健康数据，获取关键特征信息，根据所述关键特征信息分类储存所述预处理后的时序医疗健康数据，构建时序数据案例库。
根据预处理后的时序医疗健康数据，获取关键特征信息，包括：
根据所述预处理后的时序医疗健康数据，选取临床概念作为特征信息，获取关键特征信息，为案例打上特征标签，所述临床概念指静态人口统计学信息、症状信息、实验室生理特征指标和诊断信息。
此外，本步骤还可以包括异值处理环节。对所述预处理后的时序医疗健康数据进行检测，当检测到数据值超过该检测的范围值时，说明该数据值异常，将该数据值打上异常标签，便于在后续可视化中特别标注。
因此，本发明实施例能够获取时序医疗健康数据的关键特征信息，用于后续相似案例匹配；检测、标注异常数据，辅助医生进行案例查看；构建时序数据案例库，为医生提供丰富的案例知识。同时，构建完善的时序医疗数据库。按照时间顺序收集、储存医疗数据，重视时序对辅助诊疗的作用；对案例数据进行处理，构建完整的案例标签体系，大大缩短相似案例的查找过程。
S3、根据所述时序案例库，采用双向异构LSTM网络模型获取当前案例的相似案例。
如图2所示，所述双向异构LSTM网络模型包括前向和后向LSTM结构。
所述前向LSTM结构具体包括：
ft＝σ(Wf[Chechupt，ht-1]+bf) (1)
it＝σ(Wi[Chechupt，ht-1]+bi) (2)
ot＝σ(Wo[Chechupt，ht-1]+bo) (3)
dt＝σ(WdCt-1+bd) (4)
ht＝ot*tanh(Ct) (8)
其中，σ为Sigmoid函数
tanh为tanh函数
relu为ReLu函数：f(x)＝max(0，x)；W为各个权重矩阵；b表示偏差项，W、b是模型网络要学习的参数；Chechupt、Diagnosist分别为t时刻的实验室生理特征指标和诊断信息表示；i，f，o，C和h，分别为输入门，遗忘门，输出门，存储器单元和隐藏状态，使用单元状态Ct-1构造分解门dt，用于控制所添加信息的量；由遗忘门ft控制，将附加候选值
和上一时刻单元状态Ct-1添加到当前单元状态Ct；由输入门it控制新状态信息
的更新程度，将
添加到当前单元状态Ct。
所述后向LSTM结构具体包括：
f′t＝σ(W′f[Chechupt，h′t-1]+b′f) (9)
i′t＝σ(Wi′[Chechupt，h′t-1]+b′i) (10)
o′t＝σ(Wo′[Chechupt，h′t-1]+b′o) (11)
d′t＝σ(W′dC′t+1+b′d) (12)
h′t＝o′t*tanh(C′t) (16)
D＝relu(Wdense[ht，h′t]+WstaticPStatic+bdense) (17)
后向LSTM结构和上述前向LSTM结构相同，使用没有上标“′”表示前向LSTM网络，有上标“′”表示后向LSTM网络；添加一个完全连接层D来操作静态的人口统计信息pStatic与前向和后向LSTM的输出ht，h′t，前向和后向LSTM的输出的密集连接的权重为Wdense，Wstatic为静态信息的权重，bdense为这一层的偏差项；然后输入到sigmoid层，固化训练后的双向异构LSTM网络的结构和参数。
所述S3具体包括：
S31、根据所述时序案例库，将患者的实验室生理特征指标和诊断信息表示均输入所述前向和后向LSTM结构，获取所述前向LSTM结构对应的第一当前单元状态Ct、第一输出ht，以及所述后向LSTM结构对应的第二当前单元状态C′t、第二输出h′t；
S32、根据所述第一当前单元状态Ct、第一输出ht、第二当前单元状态C′t和第二输出h′t，获取所述时序案例库中第i个患者表示Pi；
其中，
为静态人口统计学信息表示；
S33、根据Pi和当前案例对应的时序医疗健康数据，计算当前患者与所述第i个患者之间的相似度；
Similar<Pi，Pj>＝||Pi-Pj||2
其中，Pj为当前患者表示，采用同上述步骤S31～S32获取；
S34、根据相似度将查找出的相似案例进行排序，提取各个所述相似案例的时序医疗健康数据。
因此，本发明实施例基于医疗数据库中标签，利用双向异构LSTM网络，查找与当前患者相似的案例，提供参考，不再完全依托于医生个人的临床经验。
S4、可视化所述当前案例、相似案例对应的时序医疗健康数据，分别获取第一可视化图表、第二可视化图表；具体包括：
S41、根据关键特征信息与所述当前案例、相似案例对应的时序医疗健康数据，判断数据类别，基于统计分析图表类型，将可视化元素拆分为若干视觉编码通道，不同编码通道对应不同视觉呈现元素，预设若干种视图绘制方法；
S42、根据可视化编码通道内容，获取可视化视觉编码；
S43、在自定义可视化配置模块选择需要可视化的数据与可视化图表模型，根据可视化视觉编码的配置格式，获取自定义配置结果；所述配置格式通过对所述S13中获取的时序医疗健康数据进行数据拼接、数据类映射方式处理获取；
S44、根据所述自定义配置结果，获取所述第一可视化图表、第二可视化图表。
本发明实施例使用数据可视化技术，根据导入数据库中的案例数据类别特征，构造不同可视化元素，为用户提供自定义可视化配置，方便用户对不同数据对比分析，缩短用户对案例的分析时间；提供的可视化图表，能够帮助医生更加直观分析患者情况，极大地解决了诊疗过程中一般的医疗数据系统提供医疗信息和数据的列表难于分析的问题。
S5、根据所述第一可视化图表和第二可视化图表，完成当前案例和相似案例的可视化对比。
例如，可以将所述第一可视化图表和第二可视化图表合并，在同一图表上采用不同颜色区分不同案例数据；或将所述第一可视化图表和第二可视化图表直接在同一界面展示；医生可根据喜好和习惯选择不同模式，调取参考案例诊断信息，为医生提供案例参考，增大诊疗把握。
S6、根据可视化对比结果，预测所述当前案例中患者的病情阶段性发展走向，根据所述发展走向获取相应的治疗方案。
具体的，可以比较第一可视化图表上当前患者的医疗健康数据，以及第二可视化图表上的相同阶段的时序医疗健康数据，获取患者的病情各个阶段的病情发展走向，结合第二可视化图表上记录的相似案例诊疗方案，并将相应的治疗方案提供给当前案例患者。
特别的，本步骤还针对患者病情可能突然恶化的情况，重点关注恶化情形下的相似案例，预备该情况下的治疗方案以提供医生参考。
常见病情发展预测模型都是根据少量已有案例进行训练，仅使用病情数据，未充分利用相似案例以往的治疗数据，只能得出一个笼统的发展预测，不能根据相似案例提供建议治疗方案，分阶段预测。而本申请不仅能根据相似病历数据对患者病情发展作出预测，还能分阶段给出治疗意见或者治疗方案，加深医生对患者情况的了解，辅助诊疗。
S7、根据所述第一可视化图表和第二可视化图表，选择常用图表类型，为医生提供可视化图表推荐，所述可视化图表推荐包括单个案例数据变化趋势图和相似案例相同指标对比图。
具体的，单个案例数据变化趋势是指将关键特征信息，输入所述第一可视化图表和第二可视化图表中，得到单个案例多维数据变化趋势图表。
具体的，相似案例的同指标对比：根据查找到的最相似案例，从数据案例库调取对应的时序医疗健康数据，提取当前案例和最相似案例的同指标数据为一组数据，输入所述第一可视化图表和第二可视化图表，得到相似案例同指标对比图表。
不同于现有方法获得数据分析的结果会受到相当一定程度的限制，且依靠人力对病例进行搜集对比分析，耗时耗力，对医疗大数据里隐含的深层信息难以充分挖掘。本发明实施例通过预先对数据进行处理，利用双向异构LSTM网络从海量医疗案例中帮助医疗人员快速高效获取相似案例，提供时序医疗健康数据可视化对比图表，简化数据分析流程，视觉图形以其直观、易于理解、易读的特点可以使医疗人员更加清楚地了解医疗数据的分布，数据的特征与相互之间的联系，查看患者异常数据，便于医生对患者情况做出诊疗。
第二方面，本发明实施例提供了一种基于时序医疗健康数据的病情趋势预测系统，包括：
预处理模块，用于收集并预处理时序医疗健康数据；
构建模块，用于根据预处理后的时序医疗健康数据，获取关键特征信息，根据所述关键特征信息分类储存所述预处理后的时序医疗健康数据，构建时序数据案例库；
获取模块，用于根据所述时序案例库，采用双向异构LSTM网络模型获取当前案例的相似案例；
可视化模块，用于可视化所述当前案例、相似案例对应的时序医疗健康数据，分别获取第一可视化图表、第二可视化图表；
对比模块，用于根据所述第一可视化图表和第二可视化图表，完成当前案例和相似案例的可视化对比；
预测模块，用于根据可视化对比结果，预测所述当前案例中患者的病情阶段性发展走向，根据所述发展走向获取相应的治疗方案；
推荐模块，用于根据所述第一可视化图表和第二可视化图表，选择图表类型，为医生提供可视化图表推荐，所述可视化图表推荐包括单个案例数据变化趋势图和相似案例相同指标对比图。
第三方面，本发明实施例提供了一种存储介质，其存储有用于基于时序医疗健康数据的病情趋势预测的计算机程序，其中，所述计算机程序使得计算机执行如上所述的病情趋势预测方法。
第四方面，本发明实施例提供了一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的病情趋势预测方法。
可理解的是，本发明实施例提供的基于时序医疗健康数据的病情趋势预测系统、存储介质和电子设备与本发明实施例提供的基于时序医疗健康数据的病情趋势预测方法相对应，其有关内容的解释、举例和有益效果等部分可以参考基于时序医疗健康数据的病情趋势预测方法中的相应部分，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
本发明实施例根据关键特征信息分类储存所述预处理后的时序医疗健康数据，构建时序数据案例库；根据所述时序案例库，采用双向异构LSTM网络模型获取当前案例的相似案例；可视化所述当前案例、相似案例对应的时序医疗健康数据，分别获取第一可视化图表、第二可视化图表，完成当前案例和相似案例的可视化对比；根据可视化对比结果，预测所述当前案例中患者的病情阶段性发展走向，并获取相应的治疗方案。本发明实施例按照时间顺序收集、储存时序医疗健康数据，重视时序对辅助诊疗的作用；利用双向异构LSTM网络，查找与当前患者相似的案例，提供参考，不再完全依托于医生的临床经验；使用数据可视化技术，基于案例数据提供可视化图表，方便确定患者的病情阶段性发展走向，以及获取治疗方案，缩短对案例的分析时间。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、方法、物品或者设备不仅包括那些要素，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、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于时序医疗健康数据的病情趋势预测方法，其特征在于，包括：
S1、收集并预处理时序医疗健康数据；
S2、根据预处理后的时序医疗健康数据，获取关键特征信息，根据所述关键特征信息分类储存所述预处理后的时序医疗健康数据，构建时序数据案例库；
S3、根据所述时序案例库，采用双向异构LSTM网络模型获取当前案例的相似案例；
S4、可视化所述当前案例、相似案例对应的时序医疗健康数据，分别获取第一可视化图表、第二可视化图表；
S5、根据所述第一可视化图表和第二可视化图表，完成当前案例和相似案例的可视化对比；
S6、根据可视化对比结果，预测所述当前案例中患者的病情阶段性发展走向，根据所述发展走向获取相应的治疗方案。
2.如权利要求1所述的病情趋势预测方法，其特征在于，还包括：
S7、根据所述第一可视化图表和第二可视化图表，选择图表类型，为医生提供可视化图表推荐，所述可视化图表推荐包括单个案例数据变化趋势图和相似案例相同指标对比图。
3.如权利要求1所述的病情趋势预测方法，其特征在于，所述S1具体包括：
S11、采集患者的医疗健康数据，所述医疗健康数据来源于患者的电子病历、电子健康档案、可穿戴设备或者非接触式传感设备实时采集的大规模健康数据，具体包括静态人口统计学信息、症状信息、实验室生理特征指标和诊断信息；
S12、将所述医疗健康数据进行数据清洗；
S13、根据数据清洗后的医疗健康数据，按照时间顺序进行排列，获取时序医疗健康数据。
4.如权利要求3所述的病情趋势预测方法，其特征在于，所述S2中根据预处理后的时序医疗健康数据，获取关键特征信息，包括：
根据所述预处理后的时序医疗健康数据，选取临床概念作为特征信息，获取关键特征信息，为案例打上特征标签，所述临床概念指静态人口统计学信息、症状信息、实验室生理特征指标和诊断信息。
5.如权利要求3所述的病情趋势预测方法，其特征在于，所述双向异构LSTM网络模型包括前向和后向LSTM结构，所述S3具体包括：
S31、根据所述时序案例库，将患者的实验室生理特征指标和诊断信息表示均输入所述前向和后向LSTM结构，获取所述前向LSTM结构对应的第一当前单元状态Ct、第一输出ht，以及所述后向LSTM结构对应的第二当前单元状态C′t、第二输出h′t；
S32、根据所述第一当前单元状态Ct、第一输出ht、第二当前单元状态C′t和第二输出h′t，获取所述时序案例库中第i个患者表示Pi；
其中，
为静态人口统计学信息表示；
S33、根据Pi和当前案例对应的时序医疗健康数据，计算当前患者与所述第i个患者之间的相似度；
Similar<Pi,Pj>＝‖Pi-Pj‖2
其中，Pj为当前患者表示，采用同上述步骤S31～S32获取；
S34、根据相似度将查找出的相似案例进行排序，提取各个所述相似案例的时序医疗健康数据。
6.如权利要求3所述的病情趋势预测方法，其特征在于，所述S4具体包括：
S41、根据关键特征信息与所述当前案例、相似案例对应的时序医疗健康数据，判断数据类别，基于统计分析图表类型，将可视化元素拆分为若干视觉编码通道，不同编码通道对应不同视觉呈现元素，预设若干种视图绘制方法；
S42、根据可视化编码通道内容，获取可视化视觉编码；
S43、在自定义可视化配置模块选择需要可视化的数据与可视化图表模型，根据可视化视觉编码的配置格式，获取自定义配置结果；所述配置格式通过对所述S13中获取的时序医疗健康数据进行数据拼接、数据类映射方式处理获取；
S44、根据所述自定义配置结果，获取所述第一可视化图表、第二可视化图表。
7.一种基于时序医疗健康数据的病情趋势预测系统，其特征在于，包括：
预处理模块，用于收集并预处理时序医疗健康数据；
构建模块，用于根据预处理后的时序医疗健康数据，获取关键特征信息，根据所述关键特征信息分类储存所述预处理后的时序医疗健康数据，构建时序数据案例库；
获取模块，用于根据所述时序案例库，采用双向异构LSTM网络模型获取当前案例的相似案例；
可视化模块，用于可视化所述当前案例、相似案例对应的时序医疗健康数据，分别获取第一可视化图表、第二可视化图表；
对比模块，用于根据所述第一可视化图表和第二可视化图表，完成当前案例和相似案例的可视化对比；
预测模块，用于根据可视化对比结果，预测所述当前案例中患者的病情阶段性发展走向，根据所述发展走向获取相应的治疗方案。
8.如权利要求7所述的可视化对比系统，其特征在于，还包括：
推荐模块，用于根据所述第一可视化图表和第二可视化图表，选择图表类型，为医生提供可视化图表推荐，所述可视化图表推荐包括单个案例数据变化趋势图和相似案例相同指标对比图。
9.一种存储介质，其特征在于，其存储有用于基于时序医疗健康数据的病情趋势预测的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～6任一项所述的病情趋势预测方法。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1～6任一项所述的病情趋势预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110944079.3A CN113851220A (zh) | 2021-08-17 | 2021-08-17 | 基于时序医疗健康数据的病情趋势预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110944079.3A CN113851220A (zh) | 2021-08-17 | 2021-08-17 | 基于时序医疗健康数据的病情趋势预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113851220A true CN113851220A (zh) | 2021-12-28 |
Family
ID=78975840
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110944079.3A Pending CN113851220A (zh) | 2021-08-17 | 2021-08-17 | 基于时序医疗健康数据的病情趋势预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113851220A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114496264A (zh) * | 2022-04-14 | 2022-05-13 | 深圳市瑞安医疗服务有限公司 | 基于多维数据的健康指数分析方法、装置、设备及介质 |
| CN116313073A (zh) * | 2023-02-14 | 2023-06-23 | 康图技术(广州)有限公司 | 一种多维度医学健康数据全息智能显示方法 |
| CN116805536A (zh) * | 2023-08-22 | 2023-09-26 | 乐陵市人民医院 | 一种基于肿瘤病例随访的数据处理方法及系统 |
| CN116959715A (zh) * | 2023-09-18 | 2023-10-27 | 之江实验室 | 一种基于时序演进过程解释的疾病预后预测系统 |
| CN117438023A (zh) * | 2023-10-31 | 2024-01-23 | 灌云县南岗镇卫生院 | 基于大数据的医院信息管理方法及系统 |
-
2021
- 2021-08-17 CN CN202110944079.3A patent/CN113851220A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114496264A (zh) * | 2022-04-14 | 2022-05-13 | 深圳市瑞安医疗服务有限公司 | 基于多维数据的健康指数分析方法、装置、设备及介质 |
| CN116313073A (zh) * | 2023-02-14 | 2023-06-23 | 康图技术(广州)有限公司 | 一种多维度医学健康数据全息智能显示方法 |
| CN116805536A (zh) * | 2023-08-22 | 2023-09-26 | 乐陵市人民医院 | 一种基于肿瘤病例随访的数据处理方法及系统 |
| CN116959715A (zh) * | 2023-09-18 | 2023-10-27 | 之江实验室 | 一种基于时序演进过程解释的疾病预后预测系统 |
| CN116959715B (zh) * | 2023-09-18 | 2024-01-09 | 之江实验室 | 一种基于时序演进过程解释的疾病预后预测系统 |
| CN117438023A (zh) * | 2023-10-31 | 2024-01-23 | 灌云县南岗镇卫生院 | 基于大数据的医院信息管理方法及系统 |
| CN117438023B (zh) * | 2023-10-31 | 2024-04-26 | 灌云县南岗镇卫生院 | 基于大数据的医院信息管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6700283B2 (ja) | 診断妥当性基準を採用することによって病態を特定するための診断検査の最適なシーケンスを決定することに適合した医用鑑別診断装置 | |
| CN113851220A (zh) | 基于时序医疗健康数据的病情趋势预测方法和系统 | |
| US11881293B2 (en) | Methods for automatic cohort selection in epidemiologic studies and clinical trials | |
| US8670997B2 (en) | Quality metric extraction and editing for medical data | |
| Lee et al. | Data mining techniques applied to medical information | |
| Huang et al. | A clinical decision support framework for heterogeneous data sources | |
| JP6574184B2 (ja) | 患者所見の所見中心の縦断的なビューの自動生成 | |
| US9002769B2 (en) | Method and system for supporting a clinical diagnosis | |
| US20060136259A1 (en) | Multi-dimensional analysis of medical data | |
| CN110291555B (zh) | 用于促进对健康状况的计算分析的系统和方法 | |
| US20190287661A1 (en) | Related systems and method for correlating medical data and diagnostic and health treatment follow-up conditions of patients monitored in real-time | |
| CN114664463A (zh) | 一种全科医生诊疗辅助系统 | |
| EP3547320A2 (en) | Related systems and method for correlating medical data and diagnostic and health treatment follow-up conditions of patients monitored in real-time | |
| US20200058408A1 (en) | Systems, methods, and apparatus for linking family electronic medical records and prediction of medical conditions and health management | |
| CN111429985B (zh) | 电子病历数据处理方法及系统 | |
| CN111180026A (zh) | 专科诊疗视图系统及方法 | |
| TW201606690A (zh) | 護理決策輔助系統 | |
| JP7315165B2 (ja) | 診断支援システム | |
| Deparis et al. | An analytical method for multimorbidity management using Bayesian networks | |
| CN116343980A (zh) | 一种基于智慧医疗复诊随访数据处理方法及系统 | |
| JP4729444B2 (ja) | 健康指導支援システム | |
| Kenei et al. | Visualizing semantic structure of a clinical text document | |
| CN112309519B (zh) | 基于多模型的电子病历用药结构化处理系统 | |
| Lee et al. | Integration and evaluation of clinical decision support Systems for Diagnosis Idopathics Pulmonary Fibrosis (IPF) | |
| GB2548627A (en) | A system and a method for assessing patient treatment risk using open data and clinician input |
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 |