CN115312193A - 医学潜在相关指标风险监控系统、方法、终端及存储介质 - Google Patents
医学潜在相关指标风险监控系统、方法、终端及存储介质 Download PDFInfo
- Publication number
- CN115312193A CN115312193A CN202210937055.XA CN202210937055A CN115312193A CN 115312193 A CN115312193 A CN 115312193A CN 202210937055 A CN202210937055 A CN 202210937055A CN 115312193 A CN115312193 A CN 115312193A
- Authority
- CN
- China
- Prior art keywords
- risk
- data
- medical potential
- medical
- artificial intelligence
- 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
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (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)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明属于医学指标数据识别技术领域,公开了医学潜在相关指标风险监控系统、方法、终端及存储介质。所述监控方法包括:建立医学潜在相关指标风险病例数据库;根据数据库建立基于医学潜在相关指标风险数据的预防筛查人工智能算法模型,根据获取的实际医学潜在相关指标风险数据,对建立的预防筛查人工智能算法模型进行验证;将医学潜在相关指标风险数据输入报告输出系统程序,并根据建立的所述预防筛查人工智能算法模型进行预测,报告输出系统输出医学潜在相关指标风险预防筛查的报告,并在客户端的界面进行可视化示出。本发明可帮助接受HEC的CINV预防筛查对象和医生进行CINV风险管控,降低CINV发病率,减轻社会负担。
Description
技术领域
本发明属于医学指标数据识别技术领域,尤其涉及一种医学潜在相关指标风险监控系统、方法、终端及存储介质。
背景技术
化疗引起的恶心呕吐(CINV)是化疗最常见的不良反应,可能导致脱水、电解质失衡、营养缺乏和情绪失落,显著影响患者的生活质量和日常功能,降低患者化疗耐受力和依从性,影响化疗效果。尽管现代止吐疗法的发展降低了CINV患者的发病率,提高了癌症患者的生活质量,但仍有一些患者患有CINV,特别是那些接受高致吐性化疗(HEC)的患者。研究发现,即使使用指南推荐的止吐药,HEC仍可能导致30%的患者出现CINV。目前对CINV的研究主要集中在急性期(化疗24小时内)和延迟期(化疗2~5d),但在临床工作中发现,部分患者在持续期(化疗6~14d)仍会发生恶心或呕吐。持续期更多发生在患者出院之后,相对于急性期和延迟期CINV,医生更难提供帮助。以往已有关于CINV风险评估工具的研究,但预测能力一般并且缺乏对持续期的研究。
近年来,随着大数据时代的到来以及计算机应用能力的提高,机器学习算法得到高速发展。机器学习算法可以从数据中学习模式和决策规则,并推断出难以关联的数据集之间的重要联系。与传统统计学方法相比,机器学习算法具有更高的准确率。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有技术对CINV潜在相关指标预防筛查的数据不全面,准确度低。
(2)现有技术在CINV预防筛查中,时间周期长,成本高,对CINV风险管控不能及时提供数据支持。
发明内容
为克服相关技术中存在的问题,本发明公开实施例提供了一种医学潜在相关指标风险监控系统、方法、终端及存储介质。具体涉及一种基于人工智能的接受HEC的CINV预防筛查方法。
所述技术方案如下:一种医学潜在相关指标风险监控方法,应用于客户端,所述医学潜在相关指标风险监控方法包括以下步骤:
S1:建立医学潜在相关指标风险病例数据库,对采集的医学潜在相关指标风险数据进行存储;
S2:根据步骤S1中建立的医学潜在相关指标风险病例数据库,建立基于医学潜在相关指标风险数据的预防筛查人工智能算法模型,根据获取的实际医学潜在相关指标风险数据,对建立的预防筛查人工智能算法模型进行验证;
S3:将医学潜在相关指标风险数据输入报告输出系统程序,并根据建立的所述预防筛查人工智能算法模型进行预测,报告输出系统输出医学潜在相关指标风险预防筛查的报告,并在客户端的界面进行可视化示出。
在一个实施例中,在步骤S1中建立医学潜在相关指标风险病例数据库的方法包括以下步骤:
S11:收集医学潜在相关指标并记录不同等级;所述潜在相关指标包括人口统计学数据、肝肾功能标志物、治疗方法、日常监测指标;
S12:将收集的数据统一放入Excel表格形成医学潜在相关指标风险病例数据库;
S13:对步骤S12中形成的医学潜在相关指标风险病例数据库的数据进行预处理;
S14:对医学潜在相关指标风险病例数据库的数据进行划分,70%的数据用作训练数据集,30%的数据用作验证数据集。
在一个实施例中,在步骤S13中的预处理包括以下步骤:
数据筛选,去除数据缺失比例超过阈值的训练样本和特征;
使用SMOTE算法平衡数据,对于少数类中每一个样本,以欧氏距离为标准计算它到少数类样本集中所有样本的距离,得到其近邻;根据样本不平衡比例设置一个采样比例以确定采样倍率,对于每一个少数类样本,从其近邻中随机选择若干个样本构建新的样本;
特征选择,选取特征子集;特征子集分别为人口统计学数据、肝肾功能标志物、治疗方法、日常监测指标。
在一个实施例中,在步骤S2中的建立预防筛查人工智能算法模型方法包括如下步骤:
S21:建立模型:根据对医学潜在相关指标风险病例数据库的数据进行划分的训练数据集,运用人工智能的gcForest算法,建立预防筛查人工智能算法模型;
S22:模型优化:对步骤S21中得到的预防筛查人工智能算法模型进行优化:模型训练采用自动调优,采用网格搜索技术,自动调整网络结构;
S23:模型训练:将预防筛查人工智能算法模型训练为风险预测模型;
S24:模型评估:采用验证数据集对步骤S23获得的风险预测模型进行评估,评估指标包括准确度,精密度、召回率、F1值和AUC。
在一个实施例中,在步骤S3中,输入报告输出系统包括:全自动生化分析仪的终端设备、移动端程序软件;所述移动端程序软件内置在全自动生化分析仪的终端设备内。
在一个实施例中,输入报告输出系统的结果输出包括:基于全自动生化分析仪的终端设备进行肝肾功能生物标志物检测分析得到定量的血液生化结果,同时结合该筛查对象的人口统计学数据、治疗方法、日常监测指标,并根据预防筛查人工智能算法模型,最终呈现智能预防筛查系统报告;
预防筛查系统报告包括:人口统计学数据、肝肾功能标志物、治疗方法、日常监测指标的具体情况、风险系数、结果解释及处理意见信息。
在一个实施例中,在步骤S3中的预防筛查人工智能算法模型包括:
输入到多粒度滑动窗口扫描(multi-grained scanning),分别5-dim,10-dim,15dim窗口进行扫描,得到16个5维向量,11个10维向量,6个15维向量,输入至完全随机森林和随机森林,将输出结果聚合为66维向量;将66维向量输入至级联森林,并且将66维向量与级联森林的一、二层的输出结果进行聚合,对第三层的结果取平均,然后取最大值得出预测结果;
级联森林(cascade forest)聚合过程包括:66维特征首先输入到5个Forest,得到5个2维的特征向量,与原始的66维特征向量连接在一起,构成第一层76维lay的特征,lay1的特征也经过5个forest得到5个2维特征向量,这个特征向量与66维原始特征向量连接,形成第二层76维的特征向量;在第三层76维的特征输入,经过5个forest得到5个2维特征向量,对5个向量取平均然后取最大。
本发明的另一目的在于提供一种实施所述的医学潜在相关指标风险监控方法的医学潜在相关指标风险监控系统,应用于客户端,所述医学潜在相关指标风险监控系统包括:
医学潜在相关指标风险病例数据库,用于对收集的医学潜在相关指标风险数据进行存储;
预防筛查人工智能算法模型建立模块,用于根据建立的医学潜在相关指标风险病例数据库,建立预防筛查人工智能算法模型,根据采集的实际医学潜在相关指标风险数据,对建立的预防筛查人工智能算法模型进行验证;
输入报告输出系统,用于将采集的医学潜在相关指标风险数据输入内置程序中,并根据建立的所述预防筛查人工智能算法模型进行预测,输出预防筛查报告,并进行可视化示出。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述的医学潜在相关指标风险监控方法.
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述的医学潜在相关指标风险监控方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:
为解决现有技术中存在的技术问题,本发明提供了一种接受HEC的患者CINV预防筛查方案软件,利用接受HEC的CINV预防筛查对象的人口统计学数据、肝肾功能标志物、治疗方法日常监测指标等20个CINV潜在相关指标,并根据所建立的人工智能算法模型,在系统程序上输出CINV预防筛查报告并做出预警。本方法优势在于可帮助接受HEC的CINV预防筛查对象和医生进行CINV风险管控,降低CINV发病率,减轻社会负担。
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。
图1是本发明实施例提供的医学潜在相关指标风险监控方法流程图;
图2是本发明实施例提供的最优超参数图2;
图3是本发明实施例提供的级联森林(cascade forest)流程图;
图4是本发明实施例提供的医学潜在相关指标风险监控系统示意图;
图5是本发明实施例提供的本发明与经典机器学习模型相比的Deep Forest性能图;
图中:1、医学潜在相关指标风险病例数据库;2、预防筛查人工智能算法模型建立模块;3、输入报告输出系统。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
一、解释说明实施例:
本发明实施例提供一种医学潜在相关指标风险监控方法,应用于客户端,所述医学潜在相关指标风险监控方法包括以下步骤:
步骤一:建立医学潜在相关指标风险病例数据库,对采集的医学潜在相关指标风险数据进行存储;
步骤二:根据步骤一中建立的医学潜在相关指标风险病例数据库,建立基于医学潜在相关指标风险数据的预防筛查人工智能算法模型,根据获取的实际医学潜在相关指标风险数据,对建立的预防筛查人工智能算法模型进行验证;
步骤三:将医学潜在相关指标风险数据输入报告输出系统程序,并根据建立的所述预防筛查人工智能算法模型进行预测,报告输出系统输出医学潜在相关指标风险预防筛查的报告,并在客户端的界面进行可视化示出。
下面以接受HEC的CINV预防筛查为例,对本发明的技术方案作进一步描述。
实施例1
如图1所示,本发明实施例提供的医学潜在相关指标风险监控方法(基于人工智能的接受HEC的CINV预防筛查方法)包括如下步骤:
S101:将接受HEC的患者被纳入数据库,收集CINV潜在相关指标,CINV整体观察期设为0~14d;
S102:根据步骤S1中建立的接受HEC的CINV病例数据库,建立基于HEC的CINV预防筛查人工智能算法模型,根据接受HEC的CINV病例实际发病情况,验证基于HEC的CINV预防筛查人工智能算法模型;
S103:将接受HEC的CINV的潜在相关指标输入报告输出系统程序中,并根据预防筛查人工智能算法模型,输出接受HEC的患者CINV预防筛查报告。
实施例2
基于实施例1提供的本发明实施例提供的医学潜在相关指标风险监控方法,优选地,步骤S101中建立接受HEC的CINV病例数据库的具体方法,包括如下步骤:
S11:收集CINV潜在相关指标并记录整体观察期的恶心和呕吐等级;所述潜在相关指标包括人口统计学数据、肝肾功能标志物、治疗方法、日常监测指标;恶心和呕吐的分级采用美国国家癌症研究所的不良事件通用术语标准(NCI-CTCAE,5.0版)来评估;
S12:将收集的数据统一放入Excel表格形成数据库;
S13:对步骤S12中形成的接受HEC的病例数据库的数据进行预处理;
S14:对接受HEC的病例数据库的数据进行划分,70%的数据用作训练数据集,30%的数据用作验证数据集。
实施例3
基于实施例2提供的本发明实施例提供的医学潜在相关指标风险监控方法,优选地,步骤S13中的预处理包括:
数据筛选,去除数据缺失比例超过阈值的训练样本和特征;
平衡数据,采用SMOTE算法对少量样本进行分析和模拟,并在数据集中添加新的人工模拟样本,使原始数据中的类别不再是严重不平衡的;
特征选择,选取特征子集;特征子集分别为人口统计学数据、肝肾功能标志物、治疗方法、日常监测指标;
优选地,所述人口统计学数据包括:性别、年龄、饮酒史、孕吐史;肝肾功能标志物包括:肌酐清除率、总蛋白、球蛋白、白蛋白、天冬氨酸转氨酶、丙氨酸转氨酶、总胆红素、直接胆红素、碱性磷酸酶;治疗方法包括:化疗方案、止吐方案;日常监测指标包括:化疗周期、预期性恶心呕吐、化疗前一夜的睡眠时间、上一周期化疗发生恶心或呕吐、在家使用非处方止吐药。
实施例4
基于实施例1提供的本发明实施例提供的医学潜在相关指标风险监控方法,优选地,步骤S102中的建立基于HEC的CINV预防筛查人工智能算法模型具体方法,包括如下步骤:
S21:建立模型:根据步骤S14中的训练数据集,运用人工智能的gsForest算法,建立基于HEC的CINV预防筛查人工智能算法模型;
S22:模型优化:对步骤S21中得到的基于HEC的CINV预防筛查人工智能算法模型进行优化:模型训练采用自动调优,采用网格搜索技术,自动调整网络结构,提高模型对基于HEC的CINV风险的识别精度,最优超参数,如图2所示。
S23:模型训练:基于HEC的CINV预防筛查人工智能算法模型训练为风险预测模型;
S24:模型评估:采用验证数据集对基于HEC的CINV风险预测模型进行评估,评估指标包括准确度,精密度、召回率、F1值和AUC;
实施例5
基于实施例4提供的本发明实施例提供的医学潜在相关指标风险监控方法,优选地,所述基于HEC的CINV风险预测模型的有效性评估阳性数据将筛选自数据集中化疗后14天内发生CINV的患者历史数据;阴性数据选自数据集中化疗后14天内未发生CINV的患者历史数据;采用监督学习模式进行模型训练。
实施例6
基于实施例4提供的本发明实施例提供的医学潜在相关指标风险监控方法,优选地,在步骤S103中,输入报告输出系统包括:基于全自动生化分析仪的终端设备、移动端程序软件。
实施例7
基于实施例6提供的本发明实施例提供的医学潜在相关指标风险监控方法,优选地,输入报告输出系统的结果输出流程为:基于全自动生化分析仪的终端设备进行肝肾功能生物标志物检测分析得到定量的血液生化结果,同时结合该筛查对象的人口统计学数据、治疗方法、日常监测指标,并根据基于HEC的CINV的预防筛查人工智能算法模型,最终呈现智能CINV预防筛查系统报告;
预防筛查系统报告包括:人口统计学数据、肝肾功能标志物、治疗方法、日常监测指标的具体情况,风险系数,结果解释,处理意见信息。
实施例8
基于实施例7提供的本发明实施例提供的医学潜在相关指标风险监控方法,优选地,预防筛查人工智能算法模型,如下表1。
表1预防筛查人工智能算法模型
实施例9
基于实施例8提供的预防筛查人工智能算法模型,在步骤S103中,优选地,根据预防筛查人工智能算法模型,对接受HEC的CINV的潜在相关指标预测方法包括:
共纳入20个变量,所以一个样本有20维。一个样本,首先输入到多粒度滑动窗口扫描(multi-grained scanning),分别5-dim,10-dim,15dim窗口进行扫描,得到16个5维向量,11个10维向量,6个15维向量,输入至完全随机森林和随机森林,将输出结果聚合为66维向量。将66维向量输入至级联森林,并且将66维向量与级联森林的一、二层的输出结果进行聚合,对第三层的结果取平均,然后取最大值得出预测结果。
如图3所示,级联森林(cascade forest)过程如下:66维特征首先输入到5个Forest,得到5个2维的特征向量,与原始的66维特征向量连接在一起,构成76维lay1(第一层)的特征,lay1的特征也经过5个forest得到5个2维特征向量,这个特征向量与66维原始特征向量连接,形成76维的特征向量(第二层);在第三层76维的特征输入,经过5个forest得到5个2维特征向量,对5个向量取平均然后取最大。
实施例10
如图4所示,本发明实施例提供的医学潜在相关指标风险监控系统包括:
医学潜在相关指标风险病例数据库1,用于对收集的医学潜在相关指标风险数据进行存储;
预防筛查人工智能算法模型建立模块2,用于根据建立的医学潜在相关指标风险病例数据库,建立预防筛查人工智能算法模型,根据采集的实际医学潜在相关指标风险数据,对建立的预防筛查人工智能算法模型进行验证;
输入报告输出系统3,用于将采集的医学潜在相关指标风险数据输入内置程序中,并根据建立的所述预防筛查人工智能算法模型进行预测,输出预防筛查报告,并进行可视化示出。
优选地,医学潜在相关指标风险病例数据库1包括:
恶心和呕吐等级数据采集模块,用于收集CINV潜在相关指标并记录整体观察期的恶心和呕吐等级;所述潜在相关指标包括人口统计学数据、肝肾功能标志物、治疗方法、日常监测指标;恶心和呕吐的分级采用美国国家癌症研究所的不良事件通用术语标准(NCI-CTCAE,5.0版)来评估;
数据库形成模块,用于将收集的数据统一放入Excel表格形成数据库;
数据预处理模块,用于对形成的接受HEC的病例数据库的数据进行预处理;
病例数据库数据划分模块,用于对接受HEC的病例数据库的数据进行划分,70%的数据用作训练数据集,30%的数据用作验证数据集。
优选地,预防筛查人工智能算法模型建立模块2包括:
建立模型模块,用于根据的训练数据集,运用人工智能的gsForest算法,建立基于HEC的CINV预防筛查人工智能算法模型;
模型优化模块,用于对得到的基于HEC的CINV预防筛查人工智能算法模型进行优化:模型训练采用自动调优,采用网格搜索技术,自动调整网络结构,提高模型对基于HEC的CINV风险的识别精度,最优超参数,如图2所示。
模型训练模块,用于基于HEC的CINV预防筛查人工智能算法模型训练为风险预测模型;
模型评估模块,用于采用验证数据集对基于HEC的CINV风险预测模型进行评估,评估指标包括准确度,精密度、召回率、F1值和AUC。
优选地,输入报告输出系统3包括:基于全自动生化分析仪的终端设备、移动端程序软件;基于全自动生化分析仪的终端设备进行肝肾功能生物标志物检测分析得到定量的血液生化结果,同时结合该筛查对象的人口统计学数据、治疗方法、日常监测指标,并根据基于HEC的CINV的预防筛查人工智能算法模型,最终呈现智能CINV预防筛查系统报告;预防筛查系统报告包括:人口统计学数据、肝肾功能标志物、治疗方法、日常监测指标的具体情况,风险系数,结果解释,处理意见信息。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
二、应用实施例:
应用例1
本发明应用实施例还提供了一种计算机设备,该计算机设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
应用例2
本发明应用实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
应用例3
本发明应用实施例还提供了一种信息数据处理终端,所述信息数据处理终端用于实现于电子装置上执行时,提供用户输入接口以实施如上述各方法实施例中的步骤,所述信息数据处理终端不限于手机、电脑、交换机。
应用例4
本发明应用实施例还提供了一种服务器,所述服务器用于实现于电子装置上执行时,提供用户输入接口以实施如上述各方法实施例中的步骤。
应用例5
本发明应用实施例提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
三、实施例相关效果的证据:
将训练好的深度随机森林模型应用于测试集,计算AUC、Accuracy、Precision、和F1评分。深度森林的AUC为0.8041、准确度为0.8916,具有优秀的分类能力,优于典型的机器学习模型,包括SVM(RBF)、SVM(线性)、随机森林、朴素贝叶斯和逻辑回归。
表1.与经典机器学习模型相比表
如图5所示,本发明与经典机器学习模型相比的Deep Forest性能图,即模型的ROC曲线图,深度森林的AUC为0.8041、准确度为0.8916,具有优秀的分类能力,优于典型的机器学习模型,包括SVM(RBF)、SVM(线性)、随机森林、朴素贝叶斯和逻辑回归。
以上所述,仅为本发明较优的具体的实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种医学潜在相关指标风险监控方法,其特征在于,应用于客户端,所述医学潜在相关指标风险监控方法包括以下步骤:
S1:建立医学潜在相关指标风险病例数据库,对采集的医学潜在相关指标风险数据进行存储;
S2:根据步骤S1中建立的医学潜在相关指标风险病例数据库,建立基于医学潜在相关指标风险数据的预防筛查人工智能算法模型,根据获取的实际医学潜在相关指标风险数据,对建立的预防筛查人工智能算法模型进行验证;
S3:将医学潜在相关指标风险数据输入报告输出系统程序,并根据建立的所述预防筛查人工智能算法模型进行预测,报告输出系统输出医学潜在相关指标风险预防筛查的报告,并在客户端的界面进行可视化示出。
2.根据权利要求1所述的医学潜在相关指标风险监控方法,其特征在于,在步骤S1中建立医学潜在相关指标风险病例数据库的方法包括以下步骤:
S11:收集医学潜在相关指标并记录不同等级;所述潜在相关指标包括人口统计学数据、肝肾功能标志物、治疗方法、日常监测指标;
S12:将收集的数据统一放入Excel表格形成医学潜在相关指标风险病例数据库;
S13:对步骤S12中形成的医学潜在相关指标风险病例数据库的数据进行预处理;
S14:对医学潜在相关指标风险病例数据库的数据进行划分,70%的数据用作训练数据集,30%的数据用作验证数据集。
3.根据权利要求2所述的医学潜在相关指标风险监控方法,其特征在于,在步骤S13中的预处理包括以下步骤:
数据筛选,去除数据缺失比例超过阈值的训练样本和特征;
使用SMOTE算法平衡数据,对于少数类中每一个样本,以欧氏距离为标准计算它到少数类样本集中所有样本的距离,得到其近邻;根据样本不平衡比例设置一个采样比例以确定采样倍率,对于每一个少数类样本,从其近邻中随机选择若干个样本构建新的样本;
特征选择,选取特征子集;特征子集分别为人口统计学数据、肝肾功能标志物、治疗方法、日常监测指标。
4.根据权利要求1所述的医学潜在相关指标风险监控方法,其特征在于,在步骤S2中的建立预防筛查人工智能算法模型方法包括如下步骤:
S21:建立模型:根据对医学潜在相关指标风险病例数据库的数据进行划分的训练数据集,运用人工智能的gcForest算法,建立预防筛查人工智能算法模型;
S22:模型优化:对步骤S21中得到的预防筛查人工智能算法模型进行优化:模型训练采用自动调优,采用网格搜索技术,自动调整网络结构;
S23:模型训练:将预防筛查人工智能算法模型训练为风险预测模型;
S24:模型评估:采用验证数据集对步骤S23获得的风险预测模型进行评估,评估指标包括准确度,精密度、召回率、F1值和AUC。
5.根据权利要求1所述的医学潜在相关指标风险监控方法,其特征在于,在步骤S3中,输入报告输出系统包括:全自动生化分析仪的终端设备、移动端程序软件;所述移动端程序软件内置在全自动生化分析仪的终端设备内。
6.根据权利要求5所述的医学潜在相关指标风险监控方法,其特征在于,输入报告输出系统的结果输出包括:基于全自动生化分析仪的终端设备进行肝肾功能生物标志物检测分析得到定量的血液生化结果,同时结合该筛查对象的人口统计学数据、治疗方法、日常监测指标,并根据预防筛查人工智能算法模型,最终呈现智能预防筛查系统报告;
预防筛查系统报告包括:人口统计学数据、肝肾功能标志物、治疗方法、日常监测指标的具体情况、风险系数、结果解释及处理意见信息。
7.根据权利要求1所述的医学潜在相关指标风险监控方法,其特征在于,在步骤S3中的预防筛查人工智能算法模型包括:
输入到多粒度滑动窗口扫描,分别5-dim,10-dim,15dim窗口进行扫描,得到16个5维向量,11个10维向量,6个15维向量,输入至完全随机森林和随机森林,将输出结果聚合为66维向量;将66维向量输入至级联森林,并且将66维向量与级联森林的一、二层的输出结果进行聚合,对第三层的结果取平均,然后取最大值得出预测结果;
级联森林聚合过程包括:66维特征首先输入到5个Forest,得到5个2维的特征向量,与原始的66维特征向量连接在一起,构成第一层76维lay的特征,lay1的特征也经过5个forest得到5个2维特征向量,这个特征向量与66维原始特征向量连接,形成第二层76维的特征向量;在第三层76维的特征输入,经过5个forest得到5个2维特征向量,对5个向量取平均然后取最大。
8.一种实施权利要求1-7任意一项所述的医学潜在相关指标风险监控方法的医学潜在相关指标风险监控系统,其特征在于,应用于客户端,所述医学潜在相关指标风险监控系统包括:
医学潜在相关指标风险病例数据库(1),用于对收集的医学潜在相关指标风险数据进行存储;
预防筛查人工智能算法模型建立模块(2),用于根据建立的医学潜在相关指标风险病例数据库,建立预防筛查人工智能算法模型,根据采集的实际医学潜在相关指标风险数据,对建立的预防筛查人工智能算法模型进行验证;
输入报告输出系统(3),用于将采集的医学潜在相关指标风险数据输入内置程序中,并根据建立的所述预防筛查人工智能算法模型进行预测,输出预防筛查报告,并进行可视化示出。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1-7任意一项所述的医学潜在相关指标风险监控方法。
10.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1-7任意一项所述的医学潜在相关指标风险监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210937055.XA CN115312193A (zh) | 2022-08-05 | 2022-08-05 | 医学潜在相关指标风险监控系统、方法、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210937055.XA CN115312193A (zh) | 2022-08-05 | 2022-08-05 | 医学潜在相关指标风险监控系统、方法、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115312193A true CN115312193A (zh) | 2022-11-08 |
Family
ID=83861060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210937055.XA Pending CN115312193A (zh) | 2022-08-05 | 2022-08-05 | 医学潜在相关指标风险监控系统、方法、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115312193A (zh) |
-
2022
- 2022-08-05 CN CN202210937055.XA patent/CN115312193A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111614491A (zh) | 一种面向电力监控系统安全态势评估指标选取方法及系统 | |
CN107168995B (zh) | 一种数据处理方法及服务器 | |
KR101953190B1 (ko) | 복잡한 양자 또는 다자 상대방 관계를 탐색하기 위해 이용되는 다차원 재귀적 학습 과정 및 시스템 | |
CN113222149B (zh) | 模型训练方法、装置、设备和存储介质 | |
CN117078026B (zh) | 一种基于数据血缘的风控指标管理方法及系统 | |
CN110689523A (zh) | 基于元学习个性化图像信息评价方法、信息数据处理终端 | |
CN114331238B (zh) | 智能模型算法优选方法、系统、存储介质及计算机设备 | |
CN115099149A (zh) | 一种基于多重特征对比和随机森林算法的结果预测方法 | |
CN115358481A (zh) | 一种企业外迁预警识别的方法、系统及装置 | |
Nababan et al. | Implementation of K-Nearest Neighbors (KNN) algorithm in classification of data water quality | |
CN117219127A (zh) | 认知状态识别方法以及相关设备 | |
CN116861358A (zh) | 基于bp神经网络与多源数据融合的计算思维评测方法 | |
CN115312193A (zh) | 医学潜在相关指标风险监控系统、方法、终端及存储介质 | |
CN116705310A (zh) | 围术期风险评估的数据集构建方法、装置、设备及介质 | |
CN113889274B (zh) | 一种孤独症谱系障碍的风险预测模型构建方法及装置 | |
CN110610766A (zh) | 基于症状特征权重推导疾病概率的装置和存储介质 | |
CN116108276A (zh) | 基于人工智能的信息推荐方法、装置及相关设备 | |
CN112382395B (zh) | 基于机器学习的一体化建模系统 | |
CN112116139A (zh) | 一种电力需求预测方法及系统 | |
Pristyanto et al. | Comparison of ensemble models as solutions for imbalanced class classification of datasets | |
CN116701962B (zh) | 边缘数据处理方法、装置、计算设备及存储介质 | |
CN115831339B (zh) | 基于深度学习的医疗系统风险管控事前预测方法、系统 | |
CN117272206A (zh) | 一种基于双通道网络的用电异常检测方法、系统及应用 | |
Boughougal et al. | Early prediction of nephropathy chronic with supervised machine learning algorithms and feature selection method | |
CN116304762A (zh) | 负荷的分解方法和装置 |
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 |