CN114864086A - 一种基于肺功能报告模板的疾病预测方法 - Google Patents

一种基于肺功能报告模板的疾病预测方法 Download PDF

Info

Publication number
CN114864086A
CN114864086A CN202210293660.8A CN202210293660A CN114864086A CN 114864086 A CN114864086 A CN 114864086A CN 202210293660 A CN202210293660 A CN 202210293660A CN 114864086 A CN114864086 A CN 114864086A
Authority
CN
China
Prior art keywords
lung function
disease
classification
index
artificial
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
Application number
CN202210293660.8A
Other languages
English (en)
Inventor
杨帆
郑传胜
范文亮
聂壮
喻杰
张兰
孙文刚
金倩娜
吴绯红
陈乐庆
杨金荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji Medical College of Huazhong University of Science and Technology
Original Assignee
Tongji Medical College of Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji Medical College of Huazhong University of Science and Technology filed Critical Tongji Medical College of Huazhong University of Science and Technology
Priority to CN202210293660.8A priority Critical patent/CN114864086A/zh
Publication of CN114864086A publication Critical patent/CN114864086A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—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
    • G06N20/00—Machine learning
    • 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)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于肺功能报告模板的疾病预测方法，收集基于患者身体基本信息获得的各个检测参数的预计值，并收集实时获取的各个检测参数的实测值；处理每个检测参数实测值与预计值之间的实际百分比，建立检测参数与肺功能分类之间的匹配关系式，并确定与检测参数匹配的肺功能分类的指标等级；以每个患者的肺功能分类的指标等级和人为疾病判定结果为机器学习模型的训练值，训练得到每种人为疾病判定结果与肺功能分类的指标等级之间的关联关系式；将患者的肺功能报告导入关联关系式内预测该患者的肺部疾病；本发明将疾病预测结果与每个肺功能分类建立关联关系，且关联关系比较精准，提高疾病预测准确度。

Description

一种基于肺功能报告模板的疾病预测方法
技术领域
本发明涉及疾病预测技术领域，具体涉及一种基于肺功能报告模板的疾病预测方法。
背景技术
所谓预测，就是指依据掌握的信息，按照一定的方法对未来的事物进行推测，预先了解事情的发展和结果，疾病预测是医者依据相关的医学知识和经验，根据人们身上的症状对未来可能的患病情况作出判断，进而达到预防的目的。现有的预防方式大多为：依据专家知识和实践经验对疾病做定性预测，向专家征求相关问题的意见，经过多次汇总和反馈得到比较认可的预测结集，比如采用横糊聚类分析的方法，将预测惠者和确诊患者进行比对器后根据相似性对患者进行预测，该模型后来用于临床诊断，取得了良好的效果，定性预测主要包括概率法、Dephi法、模糊聚类分析等。但是这些方法得到的病理结论受人们主观影响较大，缺乏数量上的描述。
而肺功能测定(lung function test)是指通过测定呼吸系统某些指标评价人体肺功能状况的过程。广泛应用于人体健康状况的鉴别和工作能力的评价。常用的肺功能测定指标包括肺容量、潮气量、肺活量、余气量、功能余气量、肺通气量、呼吸频率、氧分压、二氧化碳分压、呼吸商等。一般通过肺功能测定仪或多导生理仪完成，即肺功能预测时，单个肺功能测定指标的不正常可能会导致两个或者三个疾病的发生。
采用现有的统计方法和数学模型对疾病预测进行研究，相较传统的概率法进行疾病预测来说，虽然增大了描述数据，实现批量的数据处理，但其大多仅能分析产生疾病的肺功能测定指标大致范围，而肺功能测定指标的分布范围的差距可能会产生完全不同的疾病，因此现有的统计方式的疾病预测结果不准确，误差率大。
发明内容
本发明的目的在于提供一种基于肺功能报告模板的疾病预测方法，以解决现有技术中疾病预测结果不准确，误差率大的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种基于肺功能报告模板的疾病预测方法，包括以下步骤：
步骤100、数据收集，收集基于患者身体基本信息获得的各个检测参数的预计值，并收集实时获取的各个检测参数的实测值；
步骤200、数据处理，处理每个检测参数实测值与预计值之间的实际百分比，且将实际百分比值与标准范围进行对比以确定每个检测参数是否合格，建立检测参数与肺功能分类之间的匹配关系式，并确定与检测参数匹配的肺功能分类的指标等级；
步骤300、建立机器学习模型，以每个患者的肺功能分类的指标等级和人为疾病判定结果为机器学习模型的训练值，训练得到每种人为疾病判定结果与肺功能分类的指标等级之间的关联关系式；
步骤400、疾病预测，将患者的肺功能报告模板进行数据处理，并将数据处理结果导入关联关系式内，以关联关系式为基准，对比每个肺功能分类以预测该患者的肺部疾病。
作为本发明的一种优选方案，在步骤100中，利用参数预测模型根据患者身体基本信息预先计算每个检测参数的预计值，其中，患者身体基本信息包括性别、年龄、身高和体重。
作为本发明的一种优选方案，在步骤200中，确定每个所述检测参数是否合格的实现方式为：
计算每个检测参数实测值与预计值之间的实际百分比，且将实际百分比值与标准范围进行对比，确定每个所述检测参数的偏差幅度；
设定每个所述检测参数的偏差阈值，将偏差幅度处于偏差阈值内的检测参数定义为合格参数，将偏差幅度超过偏差阈值的检测参数定义为不合格参数。
作为本发明的一种优选方案，在步骤200中，先建立检测参数与肺功能分类之间的匹配关系式，再基于与肺功能分类匹配的检测参数的偏差幅度划分所述肺功能分类的指标等级，使得所述检测参数的数值与肺功能分类的指标等级匹配关联，具体的实现方式为：
将检测参数的偏差幅度按照从小到大的顺序划分偏差区域，其中所述检测参数的偏差幅度所处的偏差区域越小，则肺功能分类的指标等级表示的肺功能越好，所述检测参数的偏差幅度所处的偏差区域越大，则肺功能分类的指标等级表示的肺功能越差；
将每个患者肺功能报告中的每个检测参数的偏差幅度、对应的肺功能分类的指标等级以及人为疾病判定结果保存在训练存储集内，并将训练存储集作为机器学习模型的训练输入数据。
作为本发明的一种优选方案，在步骤300中，每个患者的肺功能报告模板内包含相应的人为疾病判定结果，利用机器学习模型从所述训练存储集内获取所有患者的肺功能报告中的肺功能分类的指标等级以及人为疾病判定结果，创建每种人为疾病判定结果与单个肺功能分类的指标等级之间的第一关联关系式，然后建立单个肺功能分类的指标等级与两种人为疾病判定结果之间的第二关联关系式，最后建立单个肺功能分类的指标等级与三种人为疾病判定结果之间的第三关联关系式。
作为本发明的一种优选方案，所述第一关联关系式包括每种所述人为疾病判定结果与单个所述肺功能分类的指标等级之间的对应关系，创建第一关联关系式的实现方式为：
统计所述训练存储集的所有肺功能报告中的人为疾病判定结果；
在所述训练存储集中的所有肺功能报告中以单个所述人为疾病判定结果为检索值，从所述肺功能报告中检索出仅存在该人为疾病判定结果对应的单个肺功能分类以及该肺功能分类的指标等级；
将检索到的肺功能报告的肺功能分类以及每个肺功能分类的指标等级进行对比，保证所有肺功能报告中仅有该肺功能分类的指标等级不同，而其他的肺功能分类的指标等级相同；
建立单个人为疾病判定结果与单个独立的肺功能分类的不同指标等级之间的第一关联关系式。
作为本发明的一种优选方案，将建立所述第一关联关系式检索到的肺功能报告暂时移出所述训练存储集，从剩余的所述肺功能报告中检索出同一肺功能分类对应两种人为疾病判定结果的实现步骤为：
从剩下的训练存储集中筛选出包含两种人为疾病判定结果的肺功能报告；
从上述肺功能报告中判断是否含有所述第一关联关系式中的肺功能分类的指标等级，若包含，则自动跳过该肺功能报告，重新从所述训练存储集中筛选肺功能报告，直至搜索到不含有所述第一关联关系式的肺功能分类的指标等级且具有两种人为疾病判定结果的肺功能报告；
将该肺功能报告中的肺功能分类的指标等级分别并入到匹配的两种人为疾病判定结果的第一关联关系式中，形成第二关联关系式。
作为本发明的一种优选方案，将建立所述第二关联关系式检索到的肺功能报告暂时移出所述训练存储集，从剩余的所述肺功能报告中检索出同一肺功能分类对应三种人为疾病判定结果的实现步骤为：
从所述训练存储集中筛选出包含三种人为疾病判定结果的肺功能报告；
从上述肺功能报告中判断是否含有第二关联关系式中的肺功能分类的指标等级，若包含，则自动跳过该肺功能报告，重新从所述训练存储集中筛选肺功能报告，直至搜索到不含有所述第二关联关系式的肺功能分类的指标等级且具有三种人为疾病判定结果的肺功能报告；
将该肺功能报告中的肺功能分类的指标等级分别并入到匹配的两种人为疾病判定结果的第二关联关系式中，形成第三关联关系式。
作为本发明的一种优选方案，同一所述人为疾病判定结果对应两种以上的肺功能分类，将两种以上的肺功能分类并入到相应的人为疾病判定结果的第三关联关系式以更新第三关联关系式，具体的实现方式为：从剩下的训练存储集内滤除包含第三关联关系式的所有肺功能分类的指标等级的肺功能报告；
从剩下的肺功能报告中筛选出仅具有一种人为疾病判定结果的肺功能报告；
确定该人为疾病判定结果对应的至少两个肺功能分类的指标等级集合，将该指标等级集合并入到第三关联关系式内，生成最终的疾病预测关系式。
作为本发明的一种优选方案，在步骤400中，计算患者的肺功能报告模板中的检测参数，确定与检测参数匹配的肺功能分类所处的指标等级，将所述肺功能分类所处的指标等级与所述疾病预测关系式进行对比，以预测患者的肺部疾病。
本发明与现有技术相比较具有如下有益效果：
(1)本发明先对肺功能报告中的每个检测参数进行数据处理，分析每个检测参数对应的肺功能分类的指标等级，将肺功能报告中的检测数据整理为区间数值，此种方式相比于直接将每个检测参数的数据与疾病预测结果联系的方式，本实施方式更加方便进一步将疾病预测结果与每个肺功能分类建立关联关系，解决了将大量检测参数与疾病预测结果建立关联时造成的匹配困难的问题。
(2)本发明根据每个肺功能报告的人为疾病判定结果，通过大数据机器学习方确定人为疾病判定结果与肺功能分类的指标等级之间的对应关系，从而建立一种人为疾病判定结果与多个肺功能分类的指标等级之间的精准关系，先建立一种人为疾病判定结果与多个独立的肺功能分类的指标等级之间的关联关系，再建立一种人为疾病判定结果与至少两个合并的肺功能分类的指标等级之间的关联关系，以该精准的对应关系为基准，将新的肺功能报告模板的每个检测参数进行数据处理，从而来预测该肺功能报告对应的肺部疾病。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的疾病预测方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
如图1所示，本发明提供了一种基于肺功能报告模板的疾病预测方法，本实施方式先对肺功能报告中的每个检测参数进行数据处理，分析每个检测参数对应的肺功能分类的指标等级，将肺功能报告中的检测数据整理为区间数值，然后根据每个肺功能报告的人为疾病判定结果，通过大数据机器学习方确定人为疾病判定结果与肺功能分类的指标等级之间的对应关系，从而建立一种人为疾病判定结果与多个肺功能分类的指标等级之间的精准关系，以该精准的对应关系为基准，将新的肺功能报告模板的每个检测参数进行数据处理，从而来预测该肺功能报告对应的肺部疾病。
具体包括以下步骤：
步骤100、数据收集，收集基于患者身体基本信息获得的各个检测参数的预计值，并收集实时获取的各个检测参数的实测值。
在步骤100中，利用参数预测模型根据患者身体基本信息预先计算每个检测参数的预计值，其中，患者身体基本信息包括性别、年龄、身高和体重。
步骤200、数据处理，处理每个检测参数实测值与预计值之间的实际百分比，且将实际百分比值与标准范围进行对比以确定每个检测参数是否合格，建立检测参数与肺功能分类之间的匹配关系式，并确定与检测参数匹配的肺功能分类的指标等级。
在步骤200中，确定每个所述检测参数是否合格的实现方式为：
(1)计算每个检测参数实测值与预计值之间的实际百分比，且将实际百分比值与标准范围进行对比，确定每个所述检测参数的偏差幅度。
(2)设定每个所述检测参数的偏差阈值，将偏差幅度处于偏差阈值内的检测参数定义为合格参数，将偏差幅度超过偏差阈值的检测参数定义为不合格参数。
因此，在步骤200中，当检测参数的偏差幅度处于偏差阈值内，则定义该检测参数为合格参数，此时与该检测参数匹配的肺功能分类直接表示为“正常”，而当检测参数的偏差幅度超出偏差阈值内，则定义该检测参数为不合格参数，此时与该检测参数匹配的肺功能分类根据检测参数的偏差幅度所在范围确定指标等级。
因此步骤200的整体实现过程为：先建立检测参数与肺功能分类之间的匹配关系式，再基于与肺功能分类匹配的检测参数的偏差幅度划分所述肺功能分类的指标等级，使得所述检测参数的数值与肺功能分类的指标等级匹配关联，具体的实现方式为：
将检测参数的偏差幅度按照从小到大的顺序划分偏差区域，其中所述检测参数的偏差幅度所处的偏差区域越小，则肺功能分类的指标等级表示的肺功能越好，所述检测参数的偏差幅度所处的偏差区域越大，则肺功能分类的指标等级表示的肺功能越差。
将每个患者肺功能报告中的每个检测参数的偏差幅度、对应的肺功能分类的指标等级以及人为疾病判定结果保存在训练存储集内，并将训练存储集作为机器学习模型的训练输入数据。
需要补充说明的是，检测参数具体为肺功能检查报告中的VT，BF，MV……，此英文代号在本技术领域中为公知常识，因此在本实施方式中并未赘述，而肺功能分类则是将检测参数进行公式化处理，德奥弥散功能、弥散量、肺泡弥散量以及肺总量等等，而本实施方式中的人为疾病判定结果则具体为肺气肿、肺不张等具体的疾病名称。
因此本实施方式直接将每个肺功能分类进行聚类处理，利用肺功能分类的指标等级确定当前肺功能分类的损坏表征，相比于直接将每个检测参数的数据与疾病预测结果联系的方式，本实施方式更加方便进一步将疾病预测结果与每个肺功能分类建立关联关系，解决了将大量检测参数与疾病预测结果建立关联时造成的匹配困难的问题。
步骤300、建立机器学习模型，以每个患者的肺功能分类的指标等级和人为疾病判定结果为机器学习模型的训练值，训练得到每种人为疾病判定结果与肺功能分类的指标等级之间的关联关系式。
在步骤300中，每个患者的肺功能报告模板内包含相应的人为疾病判定结果，利用机器学习模型从所述训练存储集内获取所有患者的肺功能报告中的肺功能分类的指标等级以及人为疾病判定结果，创建每种人为疾病判定结果与单个肺功能分类的指标等级之间的第一关联关系式，然后建立单个肺功能分类的指标等级与两种人为疾病判定结果之间的第二关联关系式，最后建立单个肺功能分类的指标等级与三种人为疾病判定结果之间的第三关联关系式。
也就是说，本实施方式一共可以做多次的关联关系式的更新，为了方便分解每个肺功能分类的指标等级与疾病判定结果之间的对应关系，本实施方式对训练存储集中的历史肺功能报告和结果进行分析，先选择仅有一种疾病判定结果和一种肺功能分类的指标等级之间的对应关系，并建立第一关联关系式，此时每次的遍历可以得出疾病判定结果与肺功能分类一对一的匹配结果。
其后，从剩余的肺功能报告中提取出一种肺功能分类的指标等级与两种疾病判定结果之间的对应关系，并更新至第一关联关系式得到第二关联关系式，此时也是得到疾病判定结果与肺功能分类一对一的匹配结果。
最后，从剩余的肺功能报告中提取出一种肺功能分类的指标等级与三种疾病判定结果之间的对应关系，并更新至第二关联关系式得到第三关联关系式，此时也是得到疾病判定结果与肺功能分类一对一的匹配结果。
需要补充说明的是，还可以在上述的第三关联关系式中继续进行细化判定，判定的次数主要与一种肺功能分类不正常时产生的疾病判定结果个数有关，当一种肺功能分类不正常时产生的疾病判定结果个数超过3个时，还可以继续对第三关联关系式进行更新，提取一种肺功能分类的指标等级与四种疾病判定结果之间的对应关系。
具体的，所述第一关联关系式包括每种所述人为疾病判定结果与单个所述肺功能分类的指标等级之间的对应关系，创建第一关联关系式的实现方式为：
统计所述训练存储集的所有肺功能报告中的人为疾病判定结果。
在所述训练存储集中的所有肺功能报告中以单个所述人为疾病判定结果为检索值，从所述肺功能报告中检索出仅存在该人为疾病判定结果对应的单个肺功能分类以及该肺功能分类的指标等级。
将检索到的肺功能报告的肺功能分类以及每个肺功能分类的指标等级进行对比，保证所有肺功能报告中仅有该肺功能分类的指标等级不同，而其他的肺功能分类的指标等级相同。
建立单个人为疾病判定结果与单个独立的肺功能分类的不同指标等级之间的第一关联关系式。
将建立所述第一关联关系式检索到的肺功能报告暂时移出所述训练存储集，从剩余的所述肺功能报告中检索出同一肺功能分类对应两种人为疾病判定结果的实现步骤为：从剩下的训练存储集中筛选出包含两种人为疾病判定结果的肺功能报告。
从上述肺功能报告中判断是否含有所述第一关联关系式中的肺功能分类的指标等级，若包含，则自动跳过该肺功能报告，重新从所述训练存储集中筛选肺功能报告，直至搜索到不含有所述第一关联关系式的肺功能分类的指标等级且具有两种人为疾病判定结果的肺功能报告。
将该肺功能报告中的肺功能分类的指标等级分别并入到匹配的两种人为疾病判定结果的第一关联关系式中，形成第二关联关系式。
将建立所述第二关联关系式检索到的肺功能报告暂时移出所述训练存储集，从剩余的所述肺功能报告中检索出同一肺功能分类对应三种人为疾病判定结果的实现步骤为：
从所述训练存储集中筛选出包含三种人为疾病判定结果的肺功能报告；
从上述肺功能报告中判断是否含有第二关联关系式中的肺功能分类的指标等级，若包含，则自动跳过该肺功能报告，重新从所述训练存储集中筛选肺功能报告，直至搜索到不含有所述第二关联关系式的肺功能分类的指标等级且具有三种人为疾病判定结果的肺功能报告；
将该肺功能报告中的肺功能分类的指标等级分别并入到匹配的两种人为疾病判定结果的第二关联关系式中，形成第三关联关系式。
上述仅为一种肺功能分类的指标分类对于一种或者多个人为疾病判定结果之间的对应关系，当两个肺功能分类的指标等级小，但是两个肺功能分类的指标等级同时存在，即匹配的检测参数值相对于标准值存在偏差时，此时可能存在肺部疾病，因此当同一所述人为疾病判定结果对应两种以上的肺功能分类，将两种以上的肺功能分类并入到相应的人为疾病判定结果的第三关联关系式以更新第三关联关系式，具体的实现方式为：从剩下的训练存储集内滤除包含第三关联关系式的所有肺功能分类的指标等级的肺功能报告。
从剩下的肺功能报告中筛选出仅具有一种人为疾病判定结果的肺功能报告。
确定该人为疾病判定结果对应的至少两个肺功能分类的指标等级集合，将该指标等级集合并入到第三关联关系式内，生成最终的疾病预测关系式。
步骤400、疾病预测，将患者的肺功能报告模板进行数据处理，并将数据处理结果导入关联关系式内，以关联关系式为基准，对比每个肺功能分类以预测该患者的肺部疾病。
在步骤400中，计算患者的肺功能报告模板中的检测参数，确定与检测参数匹配的肺功能分类所处的指标等级，将所述肺功能分类所处的指标等级与所述疾病预测关系式进行对比，以预测患者的肺部疾病。
因此本实施方式先对肺功能报告中的每个检测参数进行数据处理，分析每个检测参数对应的肺功能分类的指标等级，将肺功能报告中的检测数据整理为区间数值，此种方式相比于直接将每个检测参数的数据与疾病预测结果联系的方式，本实施方式更加方便进一步将疾病预测结果与每个肺功能分类建立关联关系，解决了将大量检测参数与疾病预测结果建立关联时造成的匹配困难的问题。
然后根据每个肺功能报告的人为疾病判定结果，通过大数据机器学习方确定人为疾病判定结果与肺功能分类的指标等级之间的对应关系，从而建立一种人为疾病判定结果与多个肺功能分类的指标等级之间的精准关系，先建立一种人为疾病判定结果与多个独立的肺功能分类的指标等级之间的关联关系，再建立一种人为疾病判定结果与至少两个合并的肺功能分类的指标等级之间的关联关系，以该精准的对应关系为基准，将新的肺功能报告模板的每个检测参数进行数据处理，从而来预测该肺功能报告对应的肺部疾病。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (10)

1.一种基于肺功能报告模板的疾病预测方法，其特征在于，包括以下步骤：
步骤100、数据收集，收集基于患者身体基本信息获得的各个检测参数的预计值，并收集实时获取的各个检测参数的实测值；
步骤200、数据处理，处理每个检测参数实测值与预计值之间的实际百分比，且将实际百分比值与标准范围进行对比以确定每个检测参数是否合格，建立检测参数与肺功能分类之间的匹配关系式，并确定与检测参数匹配的肺功能分类的指标等级；
步骤300、建立机器学习模型，以每个患者的肺功能分类的指标等级和人为疾病判定结果为机器学习模型的训练值，训练得到每种人为疾病判定结果与肺功能分类的指标等级之间的关联关系式；
步骤400、疾病预测，将患者的肺功能报告模板进行数据处理，并将数据处理结果导入关联关系式内，以关联关系式为基准，对比每个肺功能分类以预测该患者的肺部疾病。
2.根据权利要求1所述的一种基于肺功能报告模板的疾病预测方法，其特征在于：在步骤100中，利用参数预测模型根据患者身体基本信息预先计算每个检测参数的预计值，其中，患者身体基本信息包括性别、年龄、身高和体重。
3.根据权利要求1所述的一种基于肺功能报告模板的疾病预测方法，其特征在于：在步骤200中，确定每个所述检测参数是否合格的实现方式为：
计算每个检测参数实测值与预计值之间的实际百分比，且将实际百分比值与标准范围进行对比，确定每个所述检测参数的偏差幅度；
设定每个所述检测参数的偏差阈值，将偏差幅度处于偏差阈值内的检测参数定义为合格参数，将偏差幅度超过偏差阈值的检测参数定义为不合格参数。
4.根据权利要求3所述的一种基于肺功能报告模板的疾病预测方法，其特征在于：在步骤200中，先建立检测参数与肺功能分类之间的匹配关系式，再基于与肺功能分类匹配的检测参数的偏差幅度划分所述肺功能分类的指标等级，使得所述检测参数的数值与肺功能分类的指标等级匹配关联，具体的实现方式为：
将检测参数的偏差幅度按照从小到大的顺序划分偏差区域，其中所述检测参数的偏差幅度所处的偏差区域越小，则肺功能分类的指标等级表示的肺功能越好，所述检测参数的偏差幅度所处的偏差区域越大，则肺功能分类的指标等级表示的肺功能越差；
将每个患者肺功能报告中的每个检测参数的偏差幅度、对应的肺功能分类的指标等级以及人为疾病判定结果保存在训练存储集内，并将训练存储集作为机器学习模型的训练输入数据。
5.根据权利要求1所述的一种基于肺功能报告模板的疾病预测方法，其特征在于：在步骤300中，每个患者的肺功能报告模板内包含相应的人为疾病判定结果，利用机器学习模型从所述训练存储集内获取所有患者的肺功能报告中的肺功能分类的指标等级以及人为疾病判定结果，创建每种人为疾病判定结果与单个肺功能分类的指标等级之间的第一关联关系式，然后建立单个肺功能分类的指标等级与两种人为疾病判定结果之间的第二关联关系式，最后建立单个肺功能分类的指标等级与三种人为疾病判定结果之间的第三关联关系式。
6.根据权利要求5所述的一种基于肺功能报告模板的疾病预测方法，其特征在于：所述第一关联关系式包括每种所述人为疾病判定结果与单个所述肺功能分类的指标等级之间的对应关系，创建第一关联关系式的实现方式为：
统计所述训练存储集的所有肺功能报告中的人为疾病判定结果；
在所述训练存储集中的所有肺功能报告中以单个所述人为疾病判定结果为检索值，从所述肺功能报告中检索出仅存在该人为疾病判定结果对应的单个肺功能分类以及该肺功能分类的指标等级；
将检索到的肺功能报告的肺功能分类以及每个肺功能分类的指标等级进行对比，保证所有肺功能报告中仅有该肺功能分类的指标等级不同，而其他的肺功能分类的指标等级相同；
建立单个人为疾病判定结果与单个独立的肺功能分类的不同指标等级之间的第一关联关系式。
7.根据权利要求6所述的一种基于肺功能报告模板的疾病预测方法，其特征在于：将建立所述第一关联关系式检索到的肺功能报告暂时移出所述训练存储集，从剩余的所述肺功能报告中检索出同一肺功能分类对应两种人为疾病判定结果的实现步骤为：
从剩下的训练存储集中筛选出包含两种人为疾病判定结果的肺功能报告；
从上述肺功能报告中判断是否含有所述第一关联关系式中的肺功能分类的指标等级，若包含，则自动跳过该肺功能报告，重新从所述训练存储集中筛选肺功能报告，直至搜索到不含有所述第一关联关系式的肺功能分类的指标等级且具有两种人为疾病判定结果的肺功能报告；
将该肺功能报告中的肺功能分类的指标等级分别并入到匹配的两种人为疾病判定结果的第一关联关系式中，形成第二关联关系式。
8.根据权利要求7所述的一种基于肺功能报告模板的疾病预测方法，其特征在于：将建立所述第二关联关系式检索到的肺功能报告暂时移出所述训练存储集，从剩余的所述肺功能报告中检索出同一肺功能分类对应三种人为疾病判定结果的实现步骤为：
从所述训练存储集中筛选出包含三种人为疾病判定结果的肺功能报告；
从上述肺功能报告中判断是否含有第二关联关系式中的肺功能分类的指标等级，若包含，则自动跳过该肺功能报告，重新从所述训练存储集中筛选肺功能报告，直至搜索到不含有所述第二关联关系式的肺功能分类的指标等级且具有三种人为疾病判定结果的肺功能报告；
将该肺功能报告中的肺功能分类的指标等级分别并入到匹配的两种人为疾病判定结果的第二关联关系式中，形成第三关联关系式。
9.根据权利要求8所述的一种基于肺功能报告模板的疾病预测方法，其特征在于：同一所述人为疾病判定结果对应两种以上的肺功能分类，将两种以上的肺功能分类并入到相应的人为疾病判定结果的第三关联关系式以更新第三关联关系式，具体的实现方式为：从剩下的训练存储集内滤除包含第三关联关系式的所有肺功能分类的指标等级的肺功能报告；
从剩下的肺功能报告中筛选出仅具有一种人为疾病判定结果的肺功能报告；
确定该人为疾病判定结果对应的至少两个肺功能分类的指标等级集合，将该指标等级集合并入到第三关联关系式内，生成最终的疾病预测关系式。
10.根据权利要求9所述的一种基于肺功能报告模板的疾病预测方法，其特征在于：在步骤400中，计算患者的肺功能报告模板中的检测参数，确定与检测参数匹配的肺功能分类所处的指标等级，将所述肺功能分类所处的指标等级与所述疾病预测关系式进行对比，以预测患者的肺部疾病。
CN202210293660.8A 2022-03-24 2022-03-24 一种基于肺功能报告模板的疾病预测方法 Pending CN114864086A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210293660.8A CN114864086A (zh) 2022-03-24 2022-03-24 一种基于肺功能报告模板的疾病预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210293660.8A CN114864086A (zh) 2022-03-24 2022-03-24 一种基于肺功能报告模板的疾病预测方法

Publications (1)

Publication Number Publication Date
CN114864086A true CN114864086A (zh) 2022-08-05

Family

ID=82629973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210293660.8A Pending CN114864086A (zh) 2022-03-24 2022-03-24 一种基于肺功能报告模板的疾病预测方法

Country Status (1)

Country Link
CN (1) CN114864086A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116473546A (zh) * 2023-04-28 2023-07-25 深圳市微克科技有限公司 基于智能穿戴产品的重症患者监控方法、系统和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116473546A (zh) * 2023-04-28 2023-07-25 深圳市微克科技有限公司 基于智能穿戴产品的重症患者监控方法、系统和存储介质

Similar Documents

Publication Publication Date Title
CN108597601B (zh) 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法
Johnson et al. Patient specific predictions in the intensive care unit using a Bayesian ensemble
CN110051324B (zh) 一种急性呼吸窘迫综合征死亡率预测方法及系统
CN106897570A (zh) 一种基于机器学习的慢性阻塞性肺疾病测试系统
CN115083604B (zh) 一种术后不良事件预测模型的构建方法、系统和预测装置
CN111243753B (zh) 一种面向医疗数据的多因素相关性交互式分析方法
CN112967803A (zh) 基于集成模型的急诊患者早期死亡率预测方法及系统
CN116344050B (zh) 一种基于多维度健康管理模型的评测方法
CN111370126A (zh) 基于惩罚集成模型的icu死亡率预测方法及系统
CN112256754A (zh) 基于标准模型的超声检测分析系统及方法
CN116189866A (zh) 一种基于数据分析的远程医用护理分析系统
CN114864086A (zh) 一种基于肺功能报告模板的疾病预测方法
CN116864062B (zh) 一种基于互联网的健康体检报告数据分析管理系统
CN114943629A (zh) 一种健康管理保健服务系统及其健康管理方法
CN114628033A (zh) 疾病风险预测方法、装置、设备及存储介质
CN116975297B (zh) 一种用于评估临床试验风险的方法
CN106725529A (zh) 基于蓝牙传输的团体心理测评系统
CN113903466A (zh) 辅助评估人群心血管疾病危险程度的数据处理装置、系统及其应用
CN116564521A (zh) 一种慢性病风险评估模型建立方法、介质及系统
CN116453656B (zh) 一种心理健康评估预警系统及方法
CN116864104A (zh) 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统
CN116861252A (zh) 一种基于平衡功能异常的跌倒评估模型的构建方法
CN111816303A (zh) 一种基于机器学习的难治性精神分裂症风险的预测方法
CN117877748B (zh) 一种多参数心肺功能测试设备及其数据处理方法
CN113425298A (zh) 一种通过穿戴设备采集数据分析抑郁程度的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination