CN115168669A - 传染病筛查方法、装置、终端设备及介质 - Google Patents
传染病筛查方法、装置、终端设备及介质 Download PDFInfo
- Publication number
- CN115168669A CN115168669A CN202211087890.5A CN202211087890A CN115168669A CN 115168669 A CN115168669 A CN 115168669A CN 202211087890 A CN202211087890 A CN 202211087890A CN 115168669 A CN115168669 A CN 115168669A
- Authority
- CN
- China
- Prior art keywords
- data
- infectious disease
- model
- disease
- screened
- 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
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- 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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
Abstract
本申请公开了一种传染病筛查方法、装置、终端设备及介质,其中方法包括:获取历史性出院病人数据;数据鉴别和清理;依据预设传染病种类设置相关的疾病分组和模型的归类,通过输入第一体征信息、第二体征信息和疾病特征数据集合建立传染病分析模型;利用构建的传染病分析模型,输入待筛查住院病人的历史性出院病人数据以及第一体征信息,分析待筛查住院病人是否符合预设传染病的疾病特征;定期获取待筛查住院病人疾病特征再次完成筛查以判断是否感染传染病。本申请的有益之处在于:提供了一种通过对医院历史病例数据进行分析判断住院患者是否感染预设传染病以进行智能筛查的传染病筛查方法、装置、终端设备及介质。
Description
技术领域
本申请涉及数据处理领域,具体而言,涉及一种传染病筛查方法、装置、终端设备及介质。
背景技术
传染病是能够在人与人之间或人与动物之间相互传播并广泛流行的疾病,经过各种途径传染给另一个人或物种的感染病。通常这种疾病可借由直接接触已感染的个体、感染者的体液及排泄物、感染者所污染到的物体,但是如何将住院患者的传染病进行智能筛查一直是个难点。
相关专利有CN111524609A,此专利使用机器学习算法,基于并入了特征的样本表进行机器学习模型训练,生成针对所述指定类型传染病的高风险感染人群筛查模型,但是无法根据住院患者进行将指定疾病类型确定为目标疾病类型。
发明内容
本申请的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本申请的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本申请的一些实施例提出了一种传染病筛查方法、装置、终端设备及介质,来解决以上背景技术部分提到的技术问题。
作为本申请的第一方面,本申请的一些实施例提供了一种传染病筛查方法,包括:获取历史性出院病人数据;数据鉴别和清理,将垃圾数据和极值数据予以删除;依据预设传染病种类设置相关的疾病分组和模型的归类,基于数据挖掘算法对相应传染病相关分组进行归类集合、模型分类及编号归类集合,量化传染病的疾病特征,通过输入第一体征信息、第二体征信息和疾病特征数据集合建立传染病分析模型;利用构建的传染病分析模型,输入待筛查住院病人的历史性出院病人数据以及第一体征信息,分析待筛查住院病人是否符合预设传染病的疾病特征;若符合,则根据预设传染病的种类输出相应的方案;若不符合,则定期获取待筛查住院病人的第二体征信息,输入至传染病分析模型中,更新第二体征数据,再次分析待筛查住院病人感染传染病的可能;定期获取待筛查住院病人疾病特征再次完成筛查以判断是否感染传染病。
作为本申请的第二方面,本申请的一些实施例提供了一种传染病筛查装置,包括:数据获取模块,用于获取历史性出院病人数据;鉴别清理模块,用于数据鉴别和清理,将垃圾数据和极值数据予以删除;模型建立模块,用于依据预设传染病种类设置相关的疾病分组和模型的归类,基于数据挖掘算法对相应传染病相关分组进行归类集合、模型分类及编号归类集合,量化传染病的疾病特征,通过输入第一体征信息、第二体征信息和疾病特征数据集合建立传染病分析模型;数据分析模块,用于利用构建的传染病分析模型,输入待筛查住院病人的历史性出院病人数据以及第一体征信息,分析待筛查住院病人是否符合预设传染病的疾病特征;若符合,则根据预设传染病的种类输出相应的方案;如不符合,则定期获取待筛查住院病人的第二体征信息,输入至传染病分析模型中,更新第二体征数据,再次分析待筛查住院病人感染传染病的可能;再次筛查模块,定期获取待筛查住院病人疾病特征再次完成筛查以判断是否感染传染病。
作为本申请的第三方面,本申请的一些实施例提供了一种终端设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
作为本申请的第四方面,本申请的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本申请的有益效果在于:提供了一种通过传染病分析模型对医院历史病例数据进行分析判断住院患者是否感染预设传染病以进行智能筛查的传染病筛查方法、装置、终端设备及介质。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。
另外,贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
在附图中:
图1是根据本申请一种实施例的传染病筛查方法的主要步骤示意图;
图2是根据本申请一种实施例的传染病筛查方法中步骤S1的具体步骤示意图;
图3是根据本申请一种实施例的传染病筛查方法中步骤S2的具体步骤示意图;
图4是根据本申请一种实施例的传染病筛查方法中改进森林算法示意图;
图5是根据本申请一种实施例的传染病筛查方法中步骤S3的具体步骤示意图;
图6是根据本申请一种实施例的传染病筛查方法中步骤S35的具体步骤示意图;
图7是根据本申请一种实施例的传染病筛查装置的结构示意图;
图8是根据本申请一种实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现, 而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“ 第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的, 而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
如图1所示,本申请提供的传染病筛查方法包括以下主要步骤:
S1:从医院数据库中获取历史性出院病人数据。
S2:数据鉴别和清理,将垃圾数据和极值数据予以删除。
S3:依据预设传染病种类设置相关的疾病分组和模型的归类,基于数据挖掘算法对相应传染病相关分组进行归类集合、模型分类及编号归类集合,量化传染病的疾病特征,通过输入第一体征信息、第二体征信息和疾病特征数据集合建立传染病分析模型。
S4:利用构建的传染病分析模型,输入待筛查住院病人的历史性出院病人数据以及第一体征信息,分析待筛查住院病人是否符合预设传染病的疾病特征;若符合,则根据预设传染病的种类输出相应的方案,具体的方案包括隔离和相应治疗方案;若不符合,则定期获取待筛查住院病人的第二体征信息,输入至传染病分析模型中,更新第二体征数据,再次分析待筛查住院病人感染传染病的可能。
具体而言,第一体征信息指第一性征,是指男女两性生理上的特征,其中第二体征信息,亦称“副性征”,指男女两性除了生殖器官以外的外貌特征区别,体现出男女在身高、体态、相貌等方面的差异。
具体的,步骤S4具体为首先获取患者的病症描述信息以及患者个人信息;利用传染病分析模型对病症描述信息进行大数据处理,得到分析结果,其中,分析结果包括与病症描述信息对应的候选疾病类型;然后检测候选疾病类型中是否存在满足预设条件的指定疾病类型;若检测到候选疾病类型中存在满足预设条件的指定疾病类型,将指定疾病类型确定为目标疾病类型;进而,根据目标疾病类型以及患者个人信息生成推荐就诊信息,并输出推荐就诊信息。采用这样的方案,本申请能够准确地确定出患者患病情况,并准确提供更符合患者需求的导诊结果。
S5:定期获取待筛查住院病人疾病特征再次完成筛查以判断是否感染传染病。
本申请获取患者的电子病例信息,并结合其体征的判断患者是否属于重点防控对象;根据住院转科信息判断患者是否来自于风险科室,综合判断是否需要对患者进行人工干预;训练疾病种类分析模型,并根据患者的病例信息和体征评估是否符合预设传染病的特征,如符合则根据预设传染病的种类输出隔离和对应治疗方案,如不符合则可安全进入科室进行治疗。并且本申请可以根据医疗信息自行评估引导患者入院并输出治疗方案。
如图2所示,作为具体的方案,步骤S1具体包括如下步骤:
S11:基于医用his系统和医用lis系统获得统一的数据视图。
S12:通过所述数据视图获取历史性出院病人数据。
如图3所示,为了提高数据的鉴别和清理,作为具体的方案,步骤2中的数据鉴别和清理具体包括如下步骤:
S21:根据预设传染病的种类筛选待筛查住院病人病案历史,选取其中部分相关特征数据域。
S22:对数据域的数据进行量化、异常值检测、空白数据处理或重新编码的或多种操作,其中,相关特征数据域是与病人曾感染的传染病有相关关系。
由于传统的数据量化对于相关性高的数据有着较好的压缩效果,但是算法稳定性不高,一旦出现较大波动就有可能导致数据失真,出现数据丢失特征的情况,影响分析与判断。为了解决数据的波动性数据进行量化带了失真,进一步提升压缩性能,本申请在原有的基础上,将住院患者的传染病统计信息的收集模块根据数据差值分布模型建立变长编码模型。
利用传染病患者的信息输入到最值信息,决定量化步长,根据概率分布模型进行动态调整量化步长从而反馈给量化器,最后反馈到编码值上的预测其进行反量化器输出值。
为了使得分类器的分类结果更加准确,数据挖掘算法采用多个分类器算法(归类集合分类器、模型分类器及编号归类集合分类器等)进行训练,然后融合多分类器结果进行输出,得到最终预测结果。
其中分类器为改进深度森林算法,利用变长粒子群进行对随机优化,令每一个粒子为一个候选方案,利用种群划分策略将整个种群划分在特定数量的区域中,通过病人种群的大小和数量计算并且得到最大尺寸,其中粒子更新策略为:
在迭代过程中,粒子两方面更新速度和位置向量,根据住院患者的传染病信息粒子模型得到粒子的适应度值,然后根据粒子中所有局部最优解更新全局最优,其中改进求解模型推导为:
针对难以区分的特征信号,分类模型进行改进,将权重分配给自适应调节的模型,参考图4,将每个随机森林和完全随机森林的预测概率值进行匹配,然后进行修正模型中森林预测差异,每一个传染病类型均为一个粒子模型,利用分类器的权重配置二维实数剧本其中编码格式为:
针对最终层分类器首席按初始化算法的各参数值和传染病粒子信息,然后计算每个传染病粒子在n代下的适应值,即交叉验证精度,假定行数为r,然后更新各粒子进化到n代的局部最优解和全局最优解,其中全局最优解行数为l,我们进行判定r和l是否一直,如果一致,更新算法的传染病粒子速度和位置,如果不一致则使用新的更新策略更新粒子速度和位置,然后迭代次数加1,判定是否达到最大迭代次数,迭代完成后输出最优解。
如图5所示,为了解决模型参数族间问题,作为优选的方案,步骤S3中的建立传染病分析模型包括如下步骤:
S31:生成预测变量重要性列表,将混合回归模型重新参数化,所述参数化后的混合回归模型为:
S32:结合临床经验确定重要性列表的临界。
S34:建立回归模型。
S35:模型质量验证。
如图6所示,作为优选的方案,模型质量验证步骤中引入外部数据进行验证,在传染病分析模型中,模型验证利用独立的近期病人数据进行验证,具体包括如下步骤:
S351:基本比较分析:采用与同类模型的比对分析,将同一测试样本的数据输入两个模型后对结果实现分类比较。
S352:统计验证方法:在逻辑回归模型中,计算模型预测与真实值的相合系数,系数越接近于1,模型预测越好;在线性回归模型中,计算模型预测与真实值的拟合系数,拟合越大,模型预测越准确。
S353:在测试数据中进行检验,测试数据为单独的一份数据,或是在其他条件没有根本性改变的前提下的当前病人的数据。
S354:用同样的测试样本数据与其他同类模型进行C-Index检验和R-square检验,比对分析模型质量。
为了获得更多的测试数据,作为一种优选方案,上述步骤S353包括如下子步骤:
1)选定进行大数据处理的病症描述信息以及患者个人信息中为候选疾病类型的子数据集。
2)针对所述每个候选疾病类型的子数据集分别建立一个针对该候选疾病类型的数据判断模型,该数据判断模型的输入数据为该候选疾病类型的子数据集中一个患者数据中的第一体征信息、第二体征信息和疾病特征,该数据判断模型的输出数据为该条数据是否可以作为置信数据以及置信度。如果置信度超过预设值,则采信判断结果,如果小于等于预设值则不采信判断结果。考虑到误诊情况,置信度的预设值取值范围为90%至95%。
3)收集所有置信数据对应的第一体征信息、第二体征信息和疾病特征构成一个数据矩阵,然后采用随机组合的方式生成新的测试数据。
作为具体方案,数据判断模型为一个HMM模型,其显性状态为候选疾病类型的子数据集中一个患者数据中的第一体征信息、第二体征信息和疾病特征;HMM模型的隐形状态为数据是否可以作为置信数据以及置信度,即诊断数据是否准确可被置信采用。
作为一种优选方案,可以仅采用疾病特征作为输入数据,同时数据矩阵也仅具有疾病特征。
具体而言,以候选疾病类型为传染性肺炎为例,选取历史数据中所有确诊为传染性肺炎的子数据,尤其是疾病特征的数据。
比如疾病特征里包括如下特征项:体温、肺片诊断结果、白细胞浓度。如果这些数据输入至数据判断模型后,得到判断结果是可采信,则将体温、肺片诊断结果、白细胞浓度的具体数据37摄氏度、肺部有阴影(当然可以替换成数字代表不同诊断类型)、7.87(需要统一检验的浓度单位)作为数据矩阵中的一行。
然后将所有数据是否置信都判断完之后,形成一个多行的矩阵,然后将每列的数据自由组合形成新的一组体温、肺片诊断结果、白细胞浓度的特征数据,这样即可以获得足够数量的测试数据。比如,数据矩阵中有两组体温、肺片诊断结果、白细胞浓度:“37摄氏度、肺部有阴影、7.87”和 “38摄氏度、肺部有阴影、9.77” 就可以组合出一个“37摄氏度、肺部有阴影、9.77”的新数据。
采用HMM模型好处在于可以根据历史数据或文献数据较为准确设置模型所需的隐状态转换概率等数据,HMM模型为本领域技术人员所熟知机器学习模型,其具体设置在此不加赘述。
当然训练时,可以采用已有的确定数据进行对数据判断模型的训练从而使该模型收敛。
为了获得更准确的数据,还可以将第一体征信息、第二体征信息也作为数据矩阵的一部分。
采用以上方案的好处在于,复用了本申请步骤1的数据进行进一步加工,设置的数据判断模型仅对真伪做出了判断,降低了模型训练的难度,同时也提高了输出结果准确性。在没有根本性改变的前提下可以根据数据矩阵自动生成测试数据,从而使本申请的模型质量验证获得充足的数据。
综上,本申请通过对医院历史病例数据进行分析,建立数据模型进而判断住院患者是否感染预设传染病,降低人入院传染概率,正常入院前检查需要经过采样培养检测等繁多复杂的步骤,除却检查项目不够全面外还非常耗费时间,容易耽搁病人的最佳治疗时间;另外,利用了医院病人的历史数据建立传染病分析模型,筛选符合阈值的病人住院信息,为医护人员和住院病人提供良好的生命安全保障,并在医院感控预防方面有着重大意义。
如图7所示,本申请一个实施例的传染病筛查装置包括:数据获取模块21,用于获取历史性出院病人数据;鉴别清理模块22,用于数据鉴别和清理,将垃圾数据和极值数据予以删除;模型建立模块23,用于依据预设传染病种类设置相关的疾病分组和模型的归类,基于数据挖掘算法对相应传染病相关分组进行归类集合、模型分类及编号归类集合,量化传染病的疾病特征,通过输入第一体征信息、第二体征信息和疾病特征数据集合建立传染病分析模型;数据分析模块24,用于利用构建的传染病分析模型,输入待筛查住院病人的历史性出院病人数据以及第一体征信息,分析待筛查住院病人是否符合预设传染病的疾病特征;若符合,则根据预设传染病的种类输出相应的方案;如不符合,则定期获取待筛查住院病人的第二体征信息,输入至传染病分析模型中,更新第二体征数据,再次分析待筛查住院病人感染传染病的可能;再次筛查模块25,定期获取待筛查住院病人疾病特征再次完成筛查以判断是否感染传染病。
如图8所示,终端设备800可以包括处理装置801(例如中央处理器、图形处理器等),其可以根据存储在只读存储器ROM802中的程序或者从存储装置808加载到随机访问存储器RAM803中的程序而执行各种适当的动作和处理。在RAM803中,还存储有终端设备800操作所需的各种程序和数据。处理装置801、ROM802以及RAM803通过总线804彼此相连。输入/输出I/O接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806:包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808:以及通信装置809。通信装置809可以允许终端设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的终端设备800,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM802被安装。在该计算机程序被处理装置801执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开的一些实施例中,计算机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。而在本公开的一些实施例中,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,其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、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。计算机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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,adhoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述终端设备中所包含的:也可以是单独存在,而未装配入该终端设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该终端设备执行时,使得该终端设备:获取历史性出院病人数据;数据鉴别和清理,将垃圾数据和极值数据予以删除;依据预设传染病种类设置相关的疾病分组和模型的归类,基于数据挖掘算法对相应传染病相关分组进行归类集合、模型分类及编号归类集合,量化传染病的疾病特征,通过输入第一体征信息、第二体征信息和疾病特征数据集合建立传染病分析模型;利用构建的传染病分析模型,输入待筛查住院病人的历史性出院病人数据以及第一体征信息,分析待筛查住院病人是否符合预设传染病的疾病特征;若符合,则根据预设传染病的种类输出相应的方案;若不符合,则定期获取待筛查住院病人的第二体征信息,输入至传染病分析模型中,更新第二体征数据,再次分析待筛查住院病人感染传染病的可能;定期获取待筛查住院病人疾病特征再次完成筛查以判断是否感染传染病。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言―诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。
例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种传染病筛查方法,其特征在于:包括:
获取历史性出院病人数据;
数据鉴别和清理,将垃圾数据和极值数据予以删除;
依据预设传染病种类设置相关的疾病分组和模型的归类,基于数据挖掘算法对相应传染病相关分组进行归类集合、模型分类及编号归类集合,量化传染病的疾病特征,通过输入第一体征信息、第二体征信息和疾病特征数据集合建立传染病分析模型;
利用构建的传染病分析模型,输入待筛查住院病人的历史性出院病人数据以及第一体征信息,分析待筛查住院病人是否符合预设传染病的疾病特征;若符合,则根据预设传染病的种类输出相应的方案;若不符合,则定期获取待筛查住院病人的第二体征信息,输入至传染病分析模型中,更新第二体征数据,再次分析待筛查住院病人感染传染病的可能;
定期获取待筛查住院病人疾病特征再次完成筛查以判断是否感染传染病。
2.根据权利要求1所述的传染病筛查方法,其特征在于:
所述获取历史性出院病人数据,包括:
基于医用his系统和医用lis系统获得统一的数据视图;
通过所述数据视图获取历史性出院病人数据。
3.根据权利要求1所述的传染病筛查方法,其特征在于:
所述数据鉴别和清理,包括:
根据预设传染病的种类筛选待筛查住院病人病案历史,选取其中部分相关特征数据域;
对数据域的数据进行量化、异常值检测、空白数据处理或重新编码的或多种操作,其中,相关特征数据域是与病人曾感染的传染病有相关关系。
4.根据权利要求1所述的传染病筛查方法,其特征在于:
所述数据挖掘算法采用归类集合分类器、模型分类器及编号归类集合分类器进行训练,然后将融合的分类器结果进行输出,得到最终预测结果。
7.根据权利要求6所述的传染病筛查方法,其特征在于:
所述模型质量验证步骤引入外部数据进行验证,在传染病分析模型中,模型验证利用独立的近期病人数据进行验证,包括:
基本比较分析:采用与同类模型的比对分析,将同一测试样本的数据输入两个模型后对结果实现分类比较;
统计验证方法:在逻辑回归模型中,计算模型预测与真实值的相合系数, 系数越接近于1,模型预测越好;在线性回归模型中,计算模型预测与真实值的拟合系数,拟合越大,模型预测越准确;
在测试数据中进行检验,测试数据为单独的一份数据,或是在其他条件没有根本性改变的前提下的当前病人的数据;
用同样的测试样本数据与其他同类模型进行C-Index检验和R-square检验,比对分析模型质量。
8.一种传染病筛查装置,包括:
数据获取模块,用于获取历史性出院病人数据;
鉴别清理模块,用于数据鉴别和清理,将垃圾数据和极值数据予以删除;
模型建立模块,用于依据预设传染病种类设置相关的疾病分组和模型的归类,基于数据挖掘算法对相应传染病相关分组进行归类集合、模型分类及编号归类集合,量化传染病的疾病特征,通过输入第一体征信息、第二体征信息和疾病特征数据集合建立传染病分析模型;
数据分析模块,用于利用构建的传染病分析模型,输入待筛查住院病人的历史性出院病人数据以及第一体征信息,分析待筛查住院病人是否符合预设传染病的疾病特征;若符合,则根据预设传染病的种类输出相应的方案;如不符合,则定期获取待筛查住院病人的第二体征信息,输入至传染病分析模型中,更新第二体征数据,再次分析待筛查住院病人感染传染病的可能;
再次筛查模块,定期获取待筛查住院病人疾病特征再次完成筛查以判断是否感染传染病。
9.一种终端设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述处理器实现如权利要求1至7任意一项所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211087890.5A CN115168669A (zh) | 2022-09-07 | 2022-09-07 | 传染病筛查方法、装置、终端设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211087890.5A CN115168669A (zh) | 2022-09-07 | 2022-09-07 | 传染病筛查方法、装置、终端设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115168669A true CN115168669A (zh) | 2022-10-11 |
Family
ID=83481989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211087890.5A Pending CN115168669A (zh) | 2022-09-07 | 2022-09-07 | 传染病筛查方法、装置、终端设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115168669A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115691827A (zh) * | 2023-01-04 | 2023-02-03 | 成都信通网易医疗科技发展有限公司 | 一种确定疑似感染病患的方法和存储介质 |
CN116246788A (zh) * | 2023-05-12 | 2023-06-09 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 基于体检报告整合分析的无创风险糖尿病预测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046406A (zh) * | 2015-06-25 | 2015-11-11 | 成都厚立信息技术有限公司 | 住院病人医疗管理质量评估方法 |
CN109817312A (zh) * | 2018-12-13 | 2019-05-28 | 平安科技(深圳)有限公司 | 一种就诊引导方法及计算机设备 |
CN112435755A (zh) * | 2020-11-23 | 2021-03-02 | 平安科技(深圳)有限公司 | 疾病分析方法、装置、电子设备及存储介质 |
US20220172841A1 (en) * | 2020-12-02 | 2022-06-02 | Predicta Med Ltd | Methods of identifying individuals at risk of developing a specific chronic disease |
CN114822857A (zh) * | 2021-01-18 | 2022-07-29 | 阿里巴巴集团控股有限公司 | 重复入院的预测方法、计算设备及存储介质 |
-
2022
- 2022-09-07 CN CN202211087890.5A patent/CN115168669A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046406A (zh) * | 2015-06-25 | 2015-11-11 | 成都厚立信息技术有限公司 | 住院病人医疗管理质量评估方法 |
CN109817312A (zh) * | 2018-12-13 | 2019-05-28 | 平安科技(深圳)有限公司 | 一种就诊引导方法及计算机设备 |
CN112435755A (zh) * | 2020-11-23 | 2021-03-02 | 平安科技(深圳)有限公司 | 疾病分析方法、装置、电子设备及存储介质 |
US20220172841A1 (en) * | 2020-12-02 | 2022-06-02 | Predicta Med Ltd | Methods of identifying individuals at risk of developing a specific chronic disease |
CN114822857A (zh) * | 2021-01-18 | 2022-07-29 | 阿里巴巴集团控股有限公司 | 重复入院的预测方法、计算设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115691827A (zh) * | 2023-01-04 | 2023-02-03 | 成都信通网易医疗科技发展有限公司 | 一种确定疑似感染病患的方法和存储介质 |
CN115691827B (zh) * | 2023-01-04 | 2023-04-07 | 成都信通网易医疗科技发展有限公司 | 一种确定疑似感染病患的方法和存储介质 |
CN116246788A (zh) * | 2023-05-12 | 2023-06-09 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 基于体检报告整合分析的无创风险糖尿病预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wollenstein-Betech et al. | Personalized predictive models for symptomatic COVID-19 patients using basic preconditions: hospitalizations, mortality, and the need for an ICU or ventilator | |
CN115168669A (zh) | 传染病筛查方法、装置、终端设备及介质 | |
Yuan et al. | A stable AI-based binary and multiple class heart disease prediction model for IoMT | |
CN112117011A (zh) | 基于人工智能的传染病早期风险预警方法、装置 | |
CN107658023A (zh) | 疾病预测方法、装置、介质和电子设备 | |
CN111968746A (zh) | 一种基于混合深度迁移学习的脑卒中风险预测方法及装置 | |
KR20190069687A (ko) | 우울증 진단을 위한 다중 설문 분석 시스템 및 그 방법 | |
CN111883223A (zh) | 患者样本数据中结构变异的报告解读方法及系统 | |
Ahmed et al. | An integrated deep learning and belief rule base intelligent system to predict survival of COVID-19 patient under uncertainty | |
WO2023134188A1 (zh) | 指标确定方法、装置、电子设备和计算机可读介质 | |
CN115051929A (zh) | 基于自监督目标感知神经网络的网络故障预测方法及装置 | |
CN109192312B (zh) | 一种心力衰竭患者不良事件智能管理系统及方法 | |
CN112486784A (zh) | 诊断和优化数据分析系统的方法、设备和介质 | |
CN112397195B (zh) | 用于生成体格检查模型的方法、装置、电子设备和介质 | |
CN112151185A (zh) | 一种儿童呼吸疾病与环境数据关联分析方法及系统 | |
CN111833997A (zh) | 基于风险预测的就诊分配方法、装置、计算机设备 | |
CN114580979B (zh) | 高温防灾指数检测方法、装置、设备、存储介质及产品 | |
Alqaissi et al. | Graph data science and machine learning for the detection of COVID-19 infection from symptoms | |
Yang et al. | Algorithmic Fairness and Bias Mitigation for Clinical Machine Learning: A New Utility for Deep Reinforcement Learning | |
CN114171206A (zh) | 模型训练、传感病预测方法、装置、设备及存储介质 | |
CN113393935A (zh) | 一种基于体检数据的癌症早期风险评估方法和系统 | |
CN113257429A (zh) | 一种基于关联规则认知发热疾病的系统、设备、存储介质 | |
Hu et al. | Who are the ‘silent spreaders’?: Contact tracing in spatio-temporal memory models | |
CN115114329A (zh) | 数据流异常检测的方法、装置、电子设备和存储介质 | |
Vincent et al. | Hospital-specific template matching for benchmarking performance in a diverse multihospital system |
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 |