CN114238630A - 一种不良事件影响因素分析系统及方法 - Google Patents
一种不良事件影响因素分析系统及方法 Download PDFInfo
- Publication number
- CN114238630A CN114238630A CN202111474365.4A CN202111474365A CN114238630A CN 114238630 A CN114238630 A CN 114238630A CN 202111474365 A CN202111474365 A CN 202111474365A CN 114238630 A CN114238630 A CN 114238630A
- Authority
- CN
- China
- Prior art keywords
- data
- adverse event
- model
- clinical
- event
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000002411 adverse Effects 0.000 title claims abstract description 21
- 238000000556 factor analysis Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000003908 quality control method Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000003759 clinical diagnosis Methods 0.000 claims abstract description 7
- 206010060933 Adverse event Diseases 0.000 claims description 98
- 238000012549 training Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000006872 improvement Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims description 2
- 238000003058 natural language processing Methods 0.000 claims description 2
- 230000008676 import Effects 0.000 claims 2
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 230000036541 health Effects 0.000 claims 1
- 238000001303 quality assessment method Methods 0.000 claims 1
- 230000008451 emotion Effects 0.000 description 5
- 239000003814 drug Substances 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 208000030453 Drug-Related Side Effects and Adverse reaction Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000000968 medical method and process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/313—Selection or weighting of terms for indexing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/358—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种不良事件影响因素分析系统及方法，所述系统获取临床诊断不良事件对应的原因数据，并根据对临床数据的质控、标准化及分组处理后，建立得到每个临床主题的不良事件影响因素分析模型。当所述系统接收到获取携带患者的临床数据的不良事件相关影响因素的分析请求时，根据患者的临床数据匹配得到对应临床主题的不良事件种类影响因素分析模型，获取其中的不良事件分类信息、影响因素具体信息及和影响因子的计算结果及影响因素的排名结果，根据所述各不良事件原因分析信息进行综合评估得到输出可行化建议。本发明实现了对临床数据的统一管理，且依据主题库提供的导致不良事件原因数据的影响因素输出分析结果。
Description
技术领域
本发明涉及医疗行业的临床数据处理系统及方法，特别是涉及一种不良事件风险原因影响因素分析系统及方法。
背景技术
近年来，随着计算机技术和业务拓展在医疗行业的高速发展，在医疗系统领域采用计算机对医疗过程中的临床数据进行管理成为了发展趋势，尤其是医疗行业所存在的医疗相关不良事件问题，针对其处理所产生的大量的患者及其遗嘱诊断数据只是单纯的存储在计算机中，无法得到合理的二次的应用及处理，从某种意义上是一种资源的浪费。现有医疗行业的数据系统仅仅是单一的存储数据的管理系统，并没有为不良事件的发生及预防做到实质性的帮助及应用。
其存在的缺陷主要在于：首先，由对不良事件进行相关登记及处理的数据没有得到统一化管理分析，没有形成单独的原因数据库，不能为后期的风险分析做好数据支撑。再者，数据都是未经整理，杂乱无章，没有对数据进行相应数据预处理及相关数据筛查工作。最后，临床数据未被用来做模型分析及反馈，无法实时的、高效的对不良事件的本质进行原因分析，更未做到对下一次事件的预防做到充分反馈。
因此，发明人在研究后发现，如何创建一个具有整理不良事件医嘱数据，且能够根据临床数据生成的对不良事件发生的原因影响因素进行相关深度分析的统一化医疗系统成为了一个亟待解决的技术问题。
发明内容
本发明所要解决的技术问题是提供一种不良事件原因影响因素分析系统及方法，能够实现对不良事件处理后临床产生的医嘱信息进行统一管理，且依据临床数据提供医院对未知不良事件进行预防的不良事件原因影响因素分析结果。
本发明为解决上述技术问题而采用的技术方案是提供一种不良事件原因影响因素分析系统，包括：事件原因主题库生成模块，用于对输入的各类临床诊断的事件发生原因文本化数据进行标识及提取；主成分特征提取器，用于对提交的文本化原因数据进行分析，输出相关特征原因结果；对特征结果进行权值概率计算，并进行关键词提取；数据质控及标准化模块，用于对关联后的各主题库下的临床数据进行质量控制，以及标准化处理；影响因子提取模块，用于解析临床数据结果，提取相关影响因素属性，并通过词频相关权值计算进行筛选；分类模型生成模块，用于生成各事件原因主题库提取的不良事件影响因素分析模型；模型选择器，用于根据对输入的新增的临床数据匹配得到对应临床主题及所对应的不良事件影响因素分析模型，获取其中的不良事件影响因素权值占比及排名，并发送至事件影响因素综合分析模块；事件因素综合分析模块，用于接收携带新增患者的临床数据的不良事件影响因素分析请求，将患者的临床数据发送给模型选择器，并接收模型选择器返回的与所述新增对应的不良事件影响因素特征提取信息，获取与该新增不良事件对应的影响因素对应的权值计算结果，同时携带在获取不良事件影响因素分析响应中发送。
进一步地，所述事件原因主题库生成模块中的文本化数据包括：患者对应其不良事件风险种类划分及风险数值区间信息，医生对其患者医嘱建议信息数据，病历单临床路径、发生时间及上报时间信息。
进一步地，所述数据质控及标准化处理模块包括：数据质控单元，用于对所述主题库内关联的临床数据进行异常数据筛查及数据清洗，并进行相关异常数据的标记操作；数据标准化单元，用于对所述主题库内关联的临床数据集合进行数据向量化处理并标准化，包含的子模块如下：
数据分箱子模块，用于根据设置的待预测的不良事件风险类型对关联后的临床数据集合进行自适应分箱；数据向量化子模块，用于对读取的患者的不良事件类型及事件原因文本数据向量化处理，输出计算机可处理的量化数据类型；异常数据处理子模块，用于将数据质控单元标记的异常数据进行相关数据预处理操作，包含对异常数据的筛查及异常值的剔除，针对异常值的空白进行补全操作，针对生成的异常数据进行数据属性统计，并生成表格。
进一步地，所述主成分特征提取器包括：影响因子主动提取模块，用于对主题库中筛选分析后的影响特征因素进行文本化提取；属性权值计算单元，用于对风险影响因子文本的相关系数进行计算，及不良事件安全风险的分类；文本自然语言处理单元，用于对获取的患者数据进行标签化处理，对数据集进行对比历史模型的训练进行因子识别排查，实现AI智能文本分类；
进一步地，所述分类模型生成模块包括：数据集训练单元，用于获取主题库所属不良事件原因数据的安全风险等级及类型；模型生成器单元，用于生成与所述模型数据集训练单元对应的不良事件风险影响因素分析模型，其主要流程是对数据进行标记处理进而针对获取的数据集进行训练集和测试集的划分，针对数据集的具体分布情况，采用逻辑回归算法、卷积神经网络算法、决策树算法等进行模型的训练及验证，基于测试集的验证结果，对模型准确率进行评估，通过对不同的算法模型训练结果对比，进而对模型的选择做出决策。
进一步地，所述模型生成器单元，还用于根据不良事件风险影响因素分析系统模型结果，采用有效性验证维度及其重要程度依次为平均水平准确性
显著性水平
及拟合程度
模型影响程度权值w1、w2、w3分别设置为0.5、0.3、0.2，则模型评估选择的定量标准N为：
通过对比迭代计算，评出达到预期值的不良事件影响因素分析算法模型结果。
进一步地，所述综合不良事件风险影响因素分析模块包括：单一不良事件影响因素分析单元，用于接收所述模型选择器发送的新增的具体不良事件类型发生原因数据信息，及不良事件相关影响因素信息，并对不良事件原因数据进行智能分析，分别得到所述新增详情不良事件的具体影响因素权值计算结果以及影响因素排名信息，并进行可视化展示；综合不良事件影响因素分析单元，用于对接收的新增不良事件类型进行类型识别并进而对其原因进行分析处理，最终得到具体的识别的不良事件类型信息及各影响因子的权值信息，并对其权值计算结果进行可视化排名展示。
本发明为解决上述技术问题还提供一种不良事件原因影响因素分析方法，在医疗系统网络侧搭建上述的不良事件原因影响因素分析系统，包括如下步骤：先获取原因主题库数据，包含数据更新及数据接口的数据倒入，更新数据内容主要包含更新历史未获取数据和实时更新数据；对所获取的数据进行数据预处理、数据指控管理及数据标准化处理；对临床医嘱数据进行主成分提取及权值计算；针对处理后的临床医嘱数据集进行训练集：测试集＝7：3的划分，在选择模型的类型后接受数据的导入，针对训练集进行模型的训练，输出影响因子的相关性权值排序结果及事件类型，并针对结果给出可视化表图及可行化改进建议。
进一步地，倒入及更新数据包含本院数据统计、有关其关联分院相关临床诊断数据、与其相关的医联体内部记录的数据。
进一步地，所述数据预处理包含对原始临床数据的缺失值处理、离散点处理以及对数据的归一化处理；主要通过填补缺失值、光滑噪声数据、平滑或删除离群点，来解决数据的不一致性；所述数据指控管理主要是对临床数据进行数据质量评估流程，度量维度分为规范评估、数据指标是否满足卫健委质控标准；并对通过数据指控管理的不良事件发生原因数据进行归一化处理，其中包含对事件类型进行合理分类操作及风险分类处理；对临床医嘱数据权值的计算公式为：
本发明对比现有技术有如下的有益效果：本发明提供的不良事件原因影响因素分析系统及方法，能够实现对不良事件处理后临床产生的医嘱信息进行统一管理，且依据算法模型训练结果可以快速准确地提供给医院影响因素的分析结果信息及可行化改进措施建议。
附图说明
图1为本发明实施例提供的不良事件原因影响因素分析系统结构示意图；
图2为本发明实施例提供的不良原因影响因素分析方法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
本发明实施例在医疗系统平台侧搭建不良事件影响因素分析系统，所述系统获取不良事件发生原因数据，并根据对数据的质控、标准化及分组处理后，建立对不同类型的不良事件所属原因的影响因素相关性分类模型。当所述系统接收到获取携带患者的临床数据的不良事件风险预测请求时，根据主题库提供的数据匹配得到对应历史训练的不良事件影响因素分析模型，获取其中的不良事件影响因素信息，及获取到各影响因子的权值，根据所述各影响因子的相关性数值排名进行综合评估得啊到分析结果，并提供可行化改进建议。以此，本发明实施例则提供了一种对不良事件原因处理数据进行统一化管理，且依据算法模型训练结果提供给医院影响因素的分析结果信息及可行化改进措施建议。
图1为本发明实施例提供的不良事件影响因素分析系统结构示意图，包括：事件原因主题库生成模块、数据质控及标准化模块、主成分特征提取器、分类模型生成模块、分类模型选择模块及事件因素综合分析模块；各模块的主要功能及实现如下。
事件原因主题库生成模块，用于对输入的各类临床诊断的事件发生原因文本化数据进行标识及提取；
主成分特征提取器，用于对提交的原因文本化数据进行主成分情感分析，输出相关特征原因结果。并对特征结果进行权值概率计算，进行关键词提取；
数据质控及标准化模块，用于对关联后的各主题库下的临床数据进行质量控制，及标准化处理；
影响因子提取模块，用于解析分析的临床数据结果提取相关影响因素属性，并进行词频相关权值计算进行二次筛选。
分类模型生成模块，用于生成所述各事件原因主题库提取的不良事件影响因素分析模型；
模型选择器，用于根据对输入的新增的临床数据匹配得到对应临床主题及所对应的不良事件影响因素分析模型，获取其中的不良事件影响因素权值占比及排名，并发送至事件因素综合分析模块；
事件因素综合分析模块，用于接收携带新增患者的临床数据的不良事件影响因素分析请求，将患者的临床数据发送给模型选择器，并接收模型选择器返回的与所述新增对应的不良事件影响因素特征提取信息，获取与该新增不良事件对应的影响因素对应的权值计算结果，同时携带在获取不良事件影响因素分析响应中发送。
在该系统中，所述原因数据主题库模块，用于在于收录不良事件在经过处理产生的医临床数据，数据内容囊括已经分类好的具体的不良事件临床数据和未被分类好的临床数据，且数据接口可连接于其关联的医联体建设下的数据主题库。基于该主题库下可实时更新医疗人员的原因诊断数据及智能评判的不良事件诊断结果。
在该系统中，主题类型的含义针对的是不良事件类型，例如药品不良安全事件、医疗器械不良事件类型等等。
在该系统中，主成分特征提取器包括影响因子主动提取模块，用于对主题库中筛选分析后的影响特征因素进行文本化提取；例如药品不良事件的原始影响因素数据，包含药品生产年限、药品种类、药品出厂商等影响因素条件。主成分特征提取器还包括属性权值计算单元，用于对风险影响因子文本的相关系数(例如皮尔逊相关系数p，spearman相关系数)进行计算，及不良事件安全风险的分类。
在该系统中，所述主题生成模块的临床数据更新时，所述系统的其他模块的处理临床数据过程也相应更新。
在该系统中，所述主题生成模块中相关联的临床数据实时更新，在更新时，更新数据内容主要包含更新历史未获取数据和实时更新数据，其中历史数据包含本院数据统计、有关其关联分院相关临床诊断数据、与其相关的医联体内部记录的数据，其中包含已上报及未上报和已上报未处理的数据。
在该系统中，其特征提取模块，包含对原始原因数据的类情感分析模型分析，提取与不良事件相关的影响因素情感词典，将特征影响因素设置情感词典标签类型，用于影响因素主题库词典的储备。当特征提取模型再次接受特征提取命令时，可通过匹配词典库所有词典类型标签，再次进行因素的一次提取。二次提取通过计算词典权值大小，进行合理提取，影响因素词典低于一定占有率可以舍弃。
分类模型生成模块，用于生成与所述模型数据集单元对应的不良事件影响因素分析模型，所述模型生成器单元针对各不良事件原因类型；主要流程包含数据集划分单元及模型选择单元：
数据集训练单元，确切地说在数据集划分层面，根据设定比例，进行模型训练的预备条件，训练集与测试集的比值不唯一，其主要设定依据历史模型评估结果来选择。
模型生成器单元，对训练集的数据分别进行基于不同算法生成建立当前所述主题库的不良事件影响因素分析模型，所用算法包括但不局限于决策树算法、逻辑回归算法、神经网络算法，算法选择接口主要来自个文献所用算法类型及分类模型主流算法库。
所述模型生成器单元，还用于根据不良事件风险影响因素分析系统模型结果，采用有效性验证维度及其重要程度依次为平均水平准确性
显著性水平
及拟合程度
模型影响程度权值w1、w2、w3分别设置为0.5、0.3、0.2，则模型评估选择的定量标准N为：
N数值的取值范围0-1之间，N数值用于对模型对数据训练测试的准确率评估，N数值高说明模型测试的得到各类因素分析结果准确率较高，说明具备一定的现实参考意义，反之则没有。通过对比迭代计算，评出达到预期值的不良事件影响因素分析算法模型结果。
图2为本发明实施例提供的不良事件影响因素方法流程图，在医疗系统网络侧搭建不良事件影响因素分析系统，其具体步骤为：
(1)先对原因主题库数据的获取操作，其中包含数据更新及数据接口的数据倒入，更新数据内容主要包含更新历史未获取数据和实时更新数据，其中历史数据包含本院数据统计、有关其关联分院相关临床诊断数据、与其相关的医联体内部记录的数据，其中包含已上报及未上报和已上报未处理的数据。
(2)在对所获取的数据进行处理，其中包含数据预处理、数据指控管理及数据标准化处理。
a)数据预处理包含对原始临床数据的缺失值处理、离散点处理以及对数据的归一化处理。主要通过填补缺失值、光滑噪声数据，平滑或删除离群点，并解决数据的不一致性来“清理”数据。
b)数据指控管理主要是对临床数据进行数据质量评估流程，度量维度分为规范评估、数据指标是否满足卫健委质控标准。对数据质量进行二次监督判断。
c)最后对通过数据指控管理的不良事件发生原因数据进行归一化处理，其中包含对事件类型进行合理分类操作及风险分类处理。
(3)对临床医嘱数据进行主成分提取，其中包含情感分析，及权值的计算，其中权值的计算公式为：
X1、X2、……、Xn为具体不良事件影响因素，即自变量，例如：日期、温度、生产地等；W1、W2、……、Wn表示各因素平均占比率。
(4)模型的训练
如果训练集的比例比较大，可能会导致训练出的模型更接近于用D训练出的模型，同时T较小，评价结果又不够准确；若T的比例比较大，则有可能导致评估的模型与之前有较大的差别，从而降低了评估的保真性。申请人通过反复试验，针对处理后的临床数据集进行训练集：测试集＝7：3的划分，系统在选择模型的类型后接受数据的导入，针对训练集进行模型的训练，并输出影响因子的相关性权值排序结果及事件类型，并针对结果系统给出可视化表图及可行化改进建议。
虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。
Claims (10)
1.一种不良事件影响因素分析系统，其特征在于，包括：
事件原因主题库生成模块，用于对输入的各类临床诊断的事件发生原因文本化数据进行标识及提取；
主成分特征提取器，用于对提交的文本化原因数据进行分析，输出相关特征原因结果；对特征结果进行权值概率计算，并进行关键词提取；
数据质控及标准化模块，用于对关联后的各主题库下的临床数据进行质量控制，以及标准化处理；
影响因子提取模块，用于解析临床数据结果，提取相关影响因素属性，并通过词频相关权值计算进行筛选；
分类模型生成模块，用于生成各事件原因主题库提取的不良事件影响因素分析模型；
模型选择器，用于根据对输入的新增的临床数据匹配得到对应临床主题及所对应的不良事件影响因素分析模型，获取其中的不良事件影响因素权值占比及排名，并发送至事件影响因素综合分析模块；
事件因素综合分析模块，用于接收携带新增患者的临床数据的不良事件影响因素分析请求，将患者的临床数据发送给模型选择器，并接收模型选择器返回的与所述新增对应的不良事件影响因素特征提取信息，获取与该新增不良事件对应的影响因素对应的权值计算结果，同时携带在获取不良事件影响因素分析响应中发送。
2.根据权利要求1所述的不良事件风险影响因素系统，其特征在于，所述事件原因主题库生成模块中的文本化数据包括：患者对应其不良事件风险种类划分及风险数值区间信息，医生对其患者医嘱建议信息数据，病历单临床路径、发生时间及上报时间信息。
3.根据权利要求1所述的不良事件风险影响因素分析系统，其特征在于，所述数据质控及标准化处理模块包括：
数据质控单元，用于对所述主题库内关联的临床数据进行异常数据筛查及数据清洗，并进行相关异常数据的标记操作；
数据标准化单元，用于对所述主题库内关联的临床数据集合进行数据向量化处理并标准化，包含的子模块如下：
数据分箱子模块，用于根据设置的待预测的不良事件风险类型对关联后的临床数据集合进行自适应分箱；
数据向量化子模块，用于对读取的患者的不良事件类型及事件原因文本数据向量化处理，输出计算机可处理的量化数据类型；
异常数据处理子模块，用于将数据质控单元标记的异常数据进行相关数据预处理操作，包含对异常数据的筛查及异常值的剔除，针对异常值的空白进行补全操作，针对生成的异常数据进行数据属性统计，并生成表格。
4.根据权利要求1所述的不良事件风险影响因素分析系统，其特征在于，所述主成分特征提取器包括：
影响因子主动提取模块，用于对主题库中筛选分析后的影响特征因素进行文本化提取；
属性权值计算单元，用于对风险影响因子文本的相关系数进行计算，及不良事件安全风险的分类；
文本自然语言处理单元，用于对获取的患者数据进行标签化处理，对数据集进行对比历史模型的训练进行因子识别排查，实现AI智能文本分类。
5.如权利要求1所述的不良事件风险影响因素分析系统，其特征在于，所述分类模型生成模块包括：
数据集训练单元，用于获取主题库所属不良事件原因数据的安全风险等级及类型；
模型生成器单元，用于生成与所述模型数据集训练单元对应的不良事件风险影响因素分析模型，其主要流程是对数据进行标记处理进而针对获取的数据集进行训练集和测试集的划分，针对数据集的具体分布情况，采用逻辑回归算法、卷积神经网络算法、决策树算法等进行模型的训练及验证，基于测试集的验证结果，对模型准确率进行评估，通过对不同的算法模型训练结果对比，进而对模型的选择做出决策。
6.如权利要求5所述的不良事件风险影响因素分析系统，其特征在于，所述模型生成器单元，还用于根据不良事件风险影响因素分析系统模型结果，采用有效性验证维度及其重要程度依次为平均水平准确性
显著性水平
及拟合程度
模型影响程度权值w1、w2、w3分别设置为0.5、0.3、0.2，则模型评估选择的定量标准N为：
通过对比迭代计算，评出达到预期值的不良事件影响因素分析算法模型结果。
7.如权利要求1所述的不良事件风险影响因素分析系统，其特征在于，所述综合不良事件风险影响因素分析模块包括：
单一不良事件影响因素分析单元，用于接收所述模型选择器发送的新增的具体不良事件类型发生原因数据信息，及不良事件相关影响因素信息，并对不良事件原因数据进行智能分析，分别得到所述新增详情不良事件的具体影响因素权值计算结果以及影响因素排名信息，并进行可视化展示；
综合不良事件影响因素分析单元，用于对接收的新增不良事件类型进行类型识别并进而对其原因进行分析处理，最终得到具体的识别的不良事件类型信息及各影响因子的权值信息，并对其权值计算结果进行可视化排名展示。
8.一种不良事件原因影响因素分析方法，其特征在于，在医疗系统网络侧搭建如权利要求1-7任一项所述的不良事件原因影响因素分析系统，该方法包括如下步骤：
先获取原因主题库数据，包含数据更新及数据接口的数据倒入，更新数据内容主要包含更新历史未获取数据和实时更新数据；
对所获取的数据进行数据预处理、数据指控管理及数据标准化处理；
对临床医嘱数据进行主成分提取及权值计算；
针对处理后的临床医嘱数据集进行训练集：测试集＝7：3的划分，在选择模型的类型后接受数据的导入，针对训练集进行模型的训练，输出影响因子的相关性权值排序结果及事件类型，并针对结果给出可视化表图及可行化改进建议。
9.如权利要求8所述的不良事件原因影响因素分析方法，其特征在于，倒入及更新数据包含本院数据统计、有关其关联分院相关临床诊断数据、与其相关的医联体内部记录的数据。
10.如权利要求8所述的不良事件原因影响因素分析方法，其特征在于，所述数据预处理包含对原始临床数据的缺失值处理、离散点处理以及对数据的归一化处理；主要通过填补缺失值、光滑噪声数据、平滑或删除离群点，来解决数据的不一致性；
所述数据指控管理主要是对临床数据进行数据质量评估流程，度量维度分为规范评估、数据指标是否满足卫健委质控标准；并对通过数据指控管理的不良事件发生原因数据进行归一化处理，其中包含对事件类型进行合理分类操作及风险分类处理；
对临床医嘱数据权值的计算公式为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111474365.4A CN114238630B (zh) | 2021-12-03 | 2021-12-03 | 一种不良事件影响因素分析系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111474365.4A CN114238630B (zh) | 2021-12-03 | 2021-12-03 | 一种不良事件影响因素分析系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114238630A true CN114238630A (zh) | 2022-03-25 |
| CN114238630B CN114238630B (zh) | 2024-12-06 |
Family
ID=80753260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111474365.4A Active CN114238630B (zh) | 2021-12-03 | 2021-12-03 | 一种不良事件影响因素分析系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114238630B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060173663A1 (en) * | 2004-12-30 | 2006-08-03 | Proventys, Inc. | Methods, system, and computer program products for developing and using predictive models for predicting a plurality of medical outcomes, for evaluating intervention strategies, and for simultaneously validating biomarker causality |
| CN110175697A (zh) * | 2019-04-25 | 2019-08-27 | 胡盛寿 | 一种不良事件风险预测系统及方法 |
-
2021
- 2021-12-03 CN CN202111474365.4A patent/CN114238630B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060173663A1 (en) * | 2004-12-30 | 2006-08-03 | Proventys, Inc. | Methods, system, and computer program products for developing and using predictive models for predicting a plurality of medical outcomes, for evaluating intervention strategies, and for simultaneously validating biomarker causality |
| CN110175697A (zh) * | 2019-04-25 | 2019-08-27 | 胡盛寿 | 一种不良事件风险预测系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 毛秋云;祁芬;赵伯莲;张伟;: "临床护士不良事件风险感知调查及影响因素分析", 中华全科医学, no. 10, 8 October 2016 (2016-10-08) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114238630B (zh) | 2024-12-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Milovic et al. | Prediction and decision making in health care using data mining | |
| Niaksu | CRISP data mining methodology extension for medical domain | |
| CN115579104B (zh) | 一种基于人工智能的肝癌全病程数字化管理方法及系统 | |
| CN113886716B (zh) | 食品安全突发事件的应急处置推荐方法及系统 | |
| US20150220868A1 (en) | Evaluating Data Quality of Clinical Trials | |
| CN112233736A (zh) | 一种知识库的构建方法和系统 | |
| CN110910991B (zh) | 一种医用自动图像处理系统 | |
| CN117829291B (zh) | 一种全过程咨询知识集成管理系统及方法 | |
| CN114005530A (zh) | 区域内医学重复检查、检验智能提醒与监管方法及系统 | |
| CN117854659A (zh) | 一种临床试验用ai交互方法及系统 | |
| Bozhenko et al. | Application of Data Preprocessing in Medical Research | |
| CN113284577B (zh) | 药品预测方法、装置、设备及存储介质 | |
| CN118194097B (zh) | 一种智慧实验室的管理方法、装置、设备及存储介质 | |
| CN112786124B (zh) | 一种问题排查方法、装置、存储介质及设备 | |
| CN118538429A (zh) | 一种基于医学知识图谱的临床检验结果分析方法 | |
| CN114238630B (zh) | 一种不良事件影响因素分析系统及方法 | |
| CN118398246A (zh) | 一种基于人工智能的患者随访方法、装置、终端及介质 | |
| CN116578677A (zh) | 一种针对医疗检验信息的检索系统和方法 | |
| CN117435489A (zh) | 基于需求文档自动分析软件功能点方法及系统 | |
| CN113780713A (zh) | 人员风险评估方法、终端以及存储装置 | |
| Chen et al. | Process Mining to Discover and Preserve Infrequent Relations in Event Logs: An Application to Understand the Laboratory Test Ordering Process Using the MIMIC-III Dataset | |
| CN112017064B (zh) | 适用于辅助生殖保险的投保建议评估方法及装置 | |
| CN117012379A (zh) | 目标对象的健康管理系统、方法、设备、介质及程序产品 | |
| CN117315694A (zh) | 基于深度学习的药品通用名自动识别与分类系统 | |
| CN115458109A (zh) | 一种基于卷积神经网络的医疗辅助诊断方法及系统 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20241104 Address after: 201306 building C, No. 888, Huanhu West 2nd Road, Lingang New District, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Applicant after: Shanghai Taiyi Ruijing Computer Technology Co.,Ltd. Country or region after: China Address before: 201306 building C, No. 888, Huanhu West 2nd Road, Lingang New District, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Applicant before: Shanghai Taiyi Health Technology Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |