CN116052889A - 一种基于血液常规指标检测的sFLC预测系统 - Google Patents

Abstract

本发明请求保护一种基于血液常规指标检测的sFLC预测系统，通过获取多名不同类患者的诊疗数据，构建第一、第二训练模型，依据数据库内存储的sFLC‑血常规指标映射关系关联第一训练模型和第二训练模型，得出各类患者的风险相关性，输入待预测患者的待预测指标，认定患者的类别进行相应处理，得出sFLC预测结果；获取患者之后的诊疗数据并进行聚类分析；当出现异常时，比较其和sFLC预测结果，对训练模型进行修正。本方案通过分析筛选出的与sFLC显著相关的指标进行分析，进一步构建出血液常规参数预测患者sFLC的模型，初步反应疑是患者sFLCκ及sFLCκ/λ的水平，发现异常可嘱病人到上一级医院进行sFLC的测定。

Description

一种基于血液常规指标检测的sFLC预测系统

技术领域

本发明涉及生物医疗技术领域，尤其涉及一种基于血液常规指标检测的sFLC预测系统。

背景技术

多发性骨髓瘤是一种浆细胞发生恶性克隆增殖的肿瘤，仍然无法完全治愈此类疾病。目前，针对多发性骨髓瘤的治疗，研究者们开发了诸如树突状细胞疫苗、供者淋巴细胞输注、自然杀伤细胞、基因修饰的T细胞等，极大地鼓舞人们对于多发性骨髓瘤患者治疗的信心。尽管如此，我们依然无法回避目前多发性骨髓瘤患者的平均生存期仅为3-4年的现实。对多发性骨髓瘤等恶性肿瘤的患者进行危险分层，能在很大程度上指导临床医生在帮助患者进行治疗方案综合选择时提供强有力的参考，使患者更加能够获得符合病情的治疗。将患者按照一定的标准区分不同的类型或者时期等，并以此为根据来选择最合适不同患者个体的治疗方案。如国际预后分期系统(R-ISS)就是一种得到广泛接受的分层标准。

对于R-ISS标准，根据患者的包括年龄、性别、白蛋白、血肌酐、血β2微球蛋白、血清M蛋白、染色体核型、是否髓外浸润等宏观或者微观的指标进行分层。此外，还有Durie-Salmon，mSMART等一些针对多发性骨髓瘤的分层标准，但无例外，其都是根据患者的临床信息及实验室检查结果来对患者进行分层，以期能在患者进行治疗方案选择时提供参考。但是往往临床表现和实验室检查很容易受到其他因素的干扰而导致误差较大，且分层不够细致不能更好地贴合每一位患者的疾病特点。我们仍缺乏在患者诊断早期预测其预后的工具，通过对首次诊断多发性骨髓瘤的患者进行评估，临床医生采取有针对性的干预措施有助于改善患者的预后。此外，找到影响多发性骨髓瘤预后的治疗新靶点是一项紧迫的任务。

标准筛查工作包括骨髓活检、血清和尿液蛋白电泳、免疫固定电泳、血清或尿液中免疫球蛋白的定量、常规实验室检测和骨影像学检查。由于目前对多发性骨髓瘤诊断的实验室检测普遍具有检测时间较长，费用较高，且某些诊疗指标检测具有侵入性。因此，迫切的需要开发一种基于血液常规指标检测的骨髓瘤sFLC预测系统用于评估或筛查方。

发明内容

本发明所要解决的技术问题是如何筛查多发性骨髓瘤潜在患者的sFLC预测。

为了解决上述问题，本申请请求保护一种基于血液常规指标检测的sFLC预测系统，包括：

第一训练装置，获取多名第一类患者的第一诊疗数据，依据所述第一诊疗数据构建第一训练模型；

第二训练装置，获取多名第二类患者的第二诊疗数据，依据所述第二诊疗数据构建第二训练模型；

关联装置，依据数据库内存储的sFLC-血常规指标映射关系关联所述第一训练模型和第二训练模型，得出所述第一类患者和第二类患者的风险相关性；

预测装置，输入待预测患者的待预测指标，如果所述待预测指标认定所述患者属于第二类患者，则依据所述第二训练模型得出所述待预测患者的sFLC预测结果，如果所述待预测指标认定所述患者属于第一类患者，则依据所述第一类患者和第二类患者的风险相关性，得出所述待预测患者的sFLC预测结果；

聚类装置，获取所述待预测患者之后的第三诊疗数据，并对所述第三诊疗数据进行聚类分析；

修正装置，当聚类分析后的第三诊疗数据出现异常时，比较所述第三诊疗数据和所述sFLC预测结果，对所述第一训练模型或第二训练模型进行修正。

优选的，所述第一训练装置，获取多名第一类患者的第一诊疗数据，依据所述第一诊疗数据构建第一训练模型，具体包括：

接收第一训练诊疗指标的训练分析指令，获取自预设的诊疗指标输入界面录入的所述第一训练诊疗指标的诊疗指标参数；

获取自预设的病历导入界面导入的第一病历，并根据所述第一训练诊疗指标的诊疗指标参数自预设的患者数据库中选取所述第一训练诊疗指标的患者参数，根据所述第一训练诊疗指标的患者参数和所述第一病历建立第一训练模型；

对所述第一训练模型进行历史训练分析之后获取第一训练分析结果，确定所述第一训练诊疗指标的患者参数与所述第一训练分析结果之间的第一类患者的结果对应关系；

将所述第一训练诊疗指标的诊疗指标参数和患者参数、所述第一训练分析结果以及所述第一类患者的结果对应关系关联存储至历史训练数据库。

优选的，所述第二训练装置，获取多名第二类患者的第二诊疗数据，依据所述第二诊疗数据构建第二训练模型，具体包括：

接收第二训练诊疗指标的训练分析指令，获取自所述诊疗指标输入界面录入的所述第二训练诊疗指标的诊疗指标参数；

在所述第二训练诊疗指标的诊疗指标参数与所述历史训练数据库中的所述第一训练诊疗指标的诊疗指标参数匹配时，自所述历史训练数据库中获取所述第一训练诊疗指标的患者参数、所述第一训练分析结果以及所述第一类患者的结果对应关系；

获取自所述病历导入界面导入的第二病历，根据所述第一训练诊疗指标的患者参数以及所述第二训练诊疗指标的诊疗指标参数自所述患者数据库中选取所述第二训练诊疗指标的患者参数，并根据所述第二训练诊疗指标的患者参数和所述第二病历建立第二训练模型；

对所述第二训练模型进行历史训练分析之后获取第二训练分析结果，确定所述第二训练诊疗指标的患者参数与所述第二训练分析结果之间的第二类患者的结果对应关系；

将所述第二训练诊疗指标的诊疗指标参数和患者参数、所述第二训练分析结果以及所述第二类患者的结果对应关系关联存储至历史训练数据库。

优选的，所述关联装置，依据数据库内存储的sFLC-血常规指标映射关系关联所述第一训练模型和第二训练模型，得出所述第一类患者和第二类患者的风险相关性，具体包括：

从所述数据库内存储的sFLC-血常规指标映射关系中提取所述sFLC的多个正相关血常规指标和多个负相关血常规指标；

获取所述第一类患者和第二类患者的血常规指标的共现指标；

当所述共现指标与所述正相关血常规指标存在交集时，增加所述交集的血常规指标在所述第一训练模型和第二训练模型的权重，认定所述第一类患者和第二类患者的风险相关性高；

当所述共现指标与所述负相关血常规指标存在交集时，降低所述交集的血常规指标在所述第一训练模型和第二训练模型的权重，认定所述第一类患者和第二类患者的风险相关性低。

优选的，所述预测装置，输入待预测患者的待预测指标，如果所述待预测指标认定所述患者属于第二类患者，则依据所述第二训练模型得出所述待预测患者的sFLC预测结果，如果所述待预测指标认定所述患者属于第一类患者，则依据所述第一类患者和第二类患者的风险相关性，得出所述待预测患者的sFLC预测结果，具体包括：

目标指标搜索步骤，对待预测患者进行检测，找出患者中的目标血常规指标作为可能存在确认患者类别的目标指标；

候选指标检测步骤，对目标指标进行血常规参数值检测，将目标指标中存在多个相邻血常规参数值的指标作为候选指标；

候选指标识别步骤，对候选指标中的血常规参数值进行识别，其中首先识别已检出的血常规参数值，建立包括已检出的血常规参数值的血常规参数值样本以及通过聚合或分割血常规参数值样本而获得的扩展样本的样本空间，然后分析样本空间中每个样本的置信度，获得置信度最高时所对应的血常规参数值聚合大小或分割粒度，据此来分割待预测患者的血常规参数值，从而识别出待预测患者的血常规参数值；

如果所述待预测指标认定所述患者属于第二类患者，依据所述第二训练模型得出所述待预测患者的sFLC预测结果；

如果所述待预测指标认定所述患者属于第一类患者，则依据所述第一类患者和第二类患者的风险相关性，得出所述待预测患者的sFLC预测结果。

优选的，所述聚类装置，获取所述待预测患者之后的第三诊疗数据，并对所述第三诊疗数据进行聚类分析，具体包括：

采用均值漂移聚类方法，对于每一个新的诊疗数据，插入到现有的均值漂移树，再根据插入的结果更新聚类树，检查已经插入到聚类树的诊疗数据是否需要删除，如果需要删除，则删除诊疗数据；

选取聚类中心，抽样m个样本值，作为混合数据的 m 个聚类中心，输入一幅患者，将患者映射至灰度空间，提取灰度空间的灰度值，采用贝叶斯统计分析来估算结果簇的数目,通过搜索模型空间所有的分类可能性,自动确定分类类别的个数和模型描述的复杂；

利用凝聚层次聚类方法对已经入住的患者信息和医护人员信息数据集进行初始划分，再采用K-MEANS算法进行模型参数估计，实现聚类结果的优化，执行K-MEANS算法或DBSCAN后向结构的动态正则化学习算法对患者灰度集合进行聚类，将聚类结果转换到患者空间，从而得到最终的分割结果，当所有的诊疗数据读取完成后，确定聚类结果。

优选的，所述修正装置，当聚类分析后的第三诊疗数据出现异常时，比较所述第三诊疗数据和所述sFLC预测结果，对所述第一训练模型或第二训练模型进行修正，具体包括：

当所述聚类分析后的第三诊疗数据在预设期限内的变化方向与所述待预测患者的sFLC预测结果不一致时，认定所述聚类分析后的第三诊疗数据出现异常；

比较所述第三诊疗数据中的血常规指标和所述sFLC预测结果的偏离度；

基于所述偏离度，修正所述第一训练模型或第二训练模型的血常规指标权重。

本发明请求保护一种基于血液常规指标检测的sFLC预测系统，通过获取多名不同类患者的诊疗数据，构建第一、第二训练模型，依据数据库内存储的sFLC-血常规指标映射关系关联第一训练模型和第二训练模型，得出各类患者的风险相关性，输入待预测患者的待预测指标，认定患者的类别进行相应处理，得出sFLC预测结果；获取患者之后的诊疗数据并进行聚类分析；当出现异常时，比较其和sFLC预测结果，对训练模型进行修正。本方案通过分析筛选出的与sFLC显著相关的指标进行分析，进一步构建出血液常规参数预测患者sFLC的模型，初步反应疑是患者sFLCκ及sFLCκ/λ的水平，发现异常可嘱病人到上一级医院进行sFLC的测定。

附图说明

以下对本申请实施例用到的附图进行介绍。

图1为本发明请求保护的一种基于血液常规指标检测的sFLC预测系统的结构模块图；

图2为本发明请求保护的一种基于血液常规指标检测的sFLC预测系统的工作流程图；

图3为本发明请求保护的一种基于血液常规指标检测的sFLC预测系统的第二工作流程图；

图4为本发明请求保护的一种基于血液常规指标检测的sFLC预测系统的第二工作流程图；

图5为本发明请求保护的一种基于血液常规指标检测的sFLC预测系统的第三工作流程图；

图6为本发明请求保护的一种基于血液常规指标检测的sFLC预测系统的第四工作流程图；

图7为本发明请求保护的一种基于血液常规指标检测的sFLC预测系统的第五工作流程图。

具体实施方式

下面结合具体实施方式对本发明进行进一步的详细描述，给出的实施例仅为了阐明本发明，而不是为了限制本发明的范围。以下提供的实施例可作为本技术领域普通技术人员进行进一步改进的指南，并不以任何方式构成对本发明的限制。

根据本发明第一实施例，参照图1和图2，本申请请求保护一种基于血液常规指标检测的sFLC预测系统，包括：

第一训练装置，获取多名第一类患者的第一诊疗数据，依据所述第一诊疗数据构建第一训练模型；

第二训练装置，获取多名第二类患者的第二诊疗数据，依据所述第二诊疗数据构建第二训练模型；

关联装置，依据数据库内存储的sFLC-血常规指标映射关系关联所述第一训练模型和第二训练模型，得出所述第一类患者和第二类患者的风险相关性；

预测装置，输入待预测患者的待预测指标，如果所述待预测指标认定所述患者属于第二类患者，则依据所述第二训练模型得出所述待预测患者的sFLC预测结果，如果所述待预测指标认定所述患者属于第一类患者，则依据所述第一类患者和第二类患者的风险相关性，得出所述待预测患者的sFLC预测结果；

聚类装置，获取所述待预测患者之后的第三诊疗数据，并对所述第三诊疗数据进行聚类分析；

修正装置，当聚类分析后的第三诊疗数据出现异常时，比较所述第三诊疗数据和所述sFLC预测结果，对所述第一训练模型或第二训练模型进行修正。

优选的，参照附图3，所述第一训练装置，获取多名第一类患者的第一诊疗数据，依据所述第一诊疗数据构建第一训练模型，具体包括：

接收第一训练诊疗指标的训练分析指令，获取自预设的诊疗指标输入界面录入的所述第一训练诊疗指标的诊疗指标参数；

获取自预设的病历导入界面导入的第一病历，并根据所述第一训练诊疗指标的诊疗指标参数自预设的患者数据库中选取所述第一训练诊疗指标的患者参数，根据所述第一训练诊疗指标的患者参数和所述第一病历建立第一训练模型；

对所述第一训练模型进行历史训练分析之后获取第一训练分析结果，确定所述第一训练诊疗指标的患者参数与所述第一训练分析结果之间的第一类患者的结果对应关系；

将所述第一训练诊疗指标的诊疗指标参数和患者参数、所述第一训练分析结果以及所述第一类患者的结果对应关系关联存储至历史训练数据库。

优选的，参照附图4，所述第二训练装置，获取多名第二类患者的第二诊疗数据，依据所述第二诊疗数据构建第二训练模型，具体包括：

接收第二训练诊疗指标的训练分析指令，获取自所述诊疗指标输入界面录入的所述第二训练诊疗指标的诊疗指标参数；

在所述第二训练诊疗指标的诊疗指标参数与所述历史训练数据库中的所述第一训练诊疗指标的诊疗指标参数匹配时，自所述历史训练数据库中获取所述第一训练诊疗指标的患者参数、所述第一训练分析结果以及所述第一类患者的结果对应关系；

获取自所述病历导入界面导入的第二病历，根据所述第一训练诊疗指标的患者参数以及所述第二训练诊疗指标的诊疗指标参数自所述患者数据库中选取所述第二训练诊疗指标的患者参数，并根据所述第二训练诊疗指标的患者参数和所述第二病历建立第二训练模型；

对所述第二训练模型进行历史训练分析之后获取第二训练分析结果，确定所述第二训练诊疗指标的患者参数与所述第二训练分析结果之间的第二类患者的结果对应关系；

将所述第二训练诊疗指标的诊疗指标参数和患者参数、所述第二训练分析结果以及所述第二类患者的结果对应关系关联存储至历史训练数据库。

在本实施例中，参照附图5，具体的构建第一训练模型和第二训练模型还包括以下步骤：

S10、接收第一训练诊疗指标的训练分析指令，获取自预设的诊疗指标输入界面录入的所述第一训练诊疗指标的诊疗指标参数；

其中，一个训练诊疗指标(比如第一训练诊疗指标以及本发明后文中提及的第二训练诊疗指标)的诊疗指标参数包括但不限定于为诊疗指标简介、诊疗指标分析需求、对于患者参数的要求(比如患者参数的范围要求)等其中的一项或多项。通过所述诊疗指标参数，也可以方便更好地查询与该第一训练诊疗指标相关的信息。可理解地，针对不同的训练诊疗指标，会具有不同的训练分析要求(可以通过诊疗指标参数表征该训练分析要求)，按照不同的训练分析要求设定后续的患者参数等，会使得最终得到的训练分析结果也不同，如此，将不同训练诊疗指标对应的训练分析数据进行数据沉积(找寻训练分析数据中的规律并记录)，可以使得沉积的数据对后续的其他训练诊疗指标的训练分析过程起到指导作用，如此，在后续遇到诊疗指标参数与已进行过训练分析的训练诊疗指标的诊疗指标参数相同或是类似的训练诊疗指标，可以根据沉积的数据很快的确定建模以及训练分析过程中使用的各种训练参数。

S20、获取自预设的病历导入界面导入的第一病历，并根据所述第一训练诊疗指标的诊疗指标参数自预设的患者数据库中选取所述第一训练诊疗指标的患者参数，根据所述第一训练诊疗指标的患者参数和所述第一病历建立第一训练模型。

其中，第一病历即为上述提及的进行训练分析的训练分析对象，比如，所述第一病历可以为CAD模型等实物的数字图型表达形式。可理解地，在自预设的病历导入界面导入的第一病历的过程中，也需要设置第一病历的病历参数，此时，由于不同个体对于第一病历的理解不同，因此，对于第一病历的病历参数的设置也会不同，由此，可能最终导致对第一病历的训练分析结果并不相同，因此，在完成训练分析之后，亦可以将第一病历的病历参数与所述第一训练诊疗指标的诊疗指标参数关联存储在CAD训练数据库中，以供后续根据存储在CAD训练数据库中的第一病历的病历参数，确定病历参数的设置对训练分析结果影响的规律或影响大小，进而指导其他训练诊疗指标的病历的病历参数的设定，提高后续类似病历建立的准确性。

可理解地，所述患者参数是指训练诊疗指标的训练分析对象(比如本发明后文中提及的第一病历和第二病历)的患者参数，所述第一训练诊疗指标的患者参数可以根据所述第一训练诊疗指标的诊疗指标参数自预设的患者数据库中选取，之后，根据所述第一训练诊疗指标的患者参数和所述第一病历建立第一训练模型，对该第一训练模型进行训练分析获取训练分析结果。可理解地，所述患者参数已经进行完整的收集分类并存储在所述患者数据库中；在本发明中，患者数据库中将历史训练计算过程中涉及到的患者参数按历史训练计算领域分类为以下四个患者分类层级：基础病患者、急性病患者、亚健康患者和多发性骨髓瘤。因此本发明中的患者数据库的患者参数将会十分全面。

进一步地，第一训练模型的建立过程中，不同用户对第一训练诊疗指标的诊疗指标参数(也即训练分析需求)可能存在不同的理解，因此可能会根据相同的第一训练诊疗指标的诊疗指标参数以不同的模型参数建立不同的第一训练模型，因此，在完成训练分析之后，亦可以将第一训练模型的模型参数与所述第一训练诊疗指标的诊疗指标参数关联存储在CAD训练数据库中，以供后续根据存储在CAD训练数据库中的第一训练模型的模型参数，确定根据不同的训练诊疗指标的诊疗指标参数设置的不同的训练模型的模型参数，对于训练分析结果的影响的规律或影响大小，进而指导其他训练诊疗指标根据不同的诊疗指标参数设置准确设置训练模型的模型参数，提高训练分析的效率，节约了时间成本。

S30、对所述第一训练模型进行历史训练分析之后获取第一训练分析结果，确定所述第一训练诊疗指标的患者参数与所述第一训练分析结果之间的第一类患者的结果对应关系。在本实施例中，对第一训练模型进行历史训练分析之后，需要获取第一训练诊疗指标的患者参数与所述第一训练分析结果之间的第一类患者的结果对应关系。

S40、将所述第一训练诊疗指标的诊疗指标参数和患者参数、所述第一训练分析结果以及所述第一类患者的结果对应关系关联存储至历史训练数据库。

可理解地，在本发明中，亦可以获取第一训练模型的模型参数与第一训练诊疗指标的诊疗指标参数以及第一训练分析结果之间的第一模型结果对应关系，并将第一训练模型的模型参数和第一模型结果对应关系与第一训练诊疗指标的诊疗指标参数关联存储至历史训练数据库；同理，亦可以获取第一病历的病历参数和第一训练分析结果之间的第一病历结果对应关系，并将第一病历的病历参数和第一病历结果对应关系与第一训练诊疗指标的诊疗指标参数关联存储至历史训练数据库。进而，可以根据历史训练数据库存储的上述数据，进行训练分析过程中的训练分析数据以及训练分析结果的对比，也有利于对训练分析过程中的训练分析参数进行准确的调整修正，大大提升了训练分析效率。可理解地，所述步骤S40中，将所述第一训练诊疗指标的诊疗指标参数和患者参数、所述第一训练分析结果以及所述第一类患者的结果对应关系关联存储至历史训练数据库的动作，可以在接收到数据库更新指令之后进行，所述数据库更新指令可以在每一次完成对一个训练诊疗指标的训练分析之后自动生成，亦可以由用户触发预设按钮之后生成或定时生成，此时，接收到数据库更新指令之后，会首先判断数据库中是否存在当前并未存储的本实施例中提及的上述的待存储数据(比如，第一训练诊疗指标的诊疗指标参数和患者参数、所述第一训练分析结果、所述第一类患者的结果对应关系、第一训练模型的模型参数、第一模型结果对应关系、第一病历的病历参数和第一病历结果对应关系等)，若存在，则直接将上述待存储数据存储至所述历史训练数据库。

上述实施例中的历史训练数据库的数据处理方法，在确定训练诊疗指标的训练分析过程中的相关训练分析数据的规律之后，将相关训练分析数据(比如，第一训练诊疗指标的诊疗指标参数和患者参数、第一训练分析结果)及其规律(比如，第一类患者的结果对应关系)关联存储在历史训练数据库，以供后续的训练诊疗指标参照该历史训练数据库中存储的数据进行训练分析。可理解地，针对不同的训练诊疗指标，会具有不同的训练分析要求(可以通过诊疗指标参数表征该训练分析要求)，因此，按照不同的训练分析要求设定后续的训练分析数据等，会使得最终得到的训练分析结果也不同，如此，在根据多个训练诊疗指标对应的训练分析要求-训练分析数据-训练分析结果之间的对应关系，确定训练诊疗指标的训练分析数据的规律之后，可在CAD训练数据库中形成数据沉积，进而使得沉积的数据对后续的其他训练诊疗指标的训练分析过程起到指导作用，比如，后续遇到诊疗指标参数与已进行过训练分析的训练诊疗指标的诊疗指标参数相同或是类似的训练诊疗指标，可以根据沉积的数据很快的确定建模以及训练分析过程中使用的各种训练分析数据，进而确定该训练诊疗指标的训练分析结果。本发明操作简便，节约了分析时间和成本，提升了分析效率。

在一实施例中，所述步骤S20中，也即所述根据所述第一训练诊疗指标的诊疗指标参数自预设的患者数据库中选取所述第一训练诊疗指标的患者参数之前，包括：

构建患者数据库中的患者分类层级，并将所有患者参数按照所述患者分类层级存储至所述患者数据库中；所述患者分类层级包括领域层级以及各所述领域层级下设的至少一重生理参数。可理解地，所述患者参数是指训练诊疗指标的训练分析对象(比如上述第一病历)的患者参数，在本发明中，患者数据库将历史训练计算过程中涉及到的患者参数分为多个患者分类层级，并将所有患者参数按照所述患者分类层级存储至所述患者数据库中；所述患者分类层级包括领域层级以及各所述领域层级下设的至少一重生理参数，也即，一个患者分类层级下可能包括一重或者多重生理参数。

在一实施例中，所述患者分类层级包括：基础病患者、急性病患者、亚健康患者和多发性骨髓瘤；在本实施例中，患者数据库将历史训练计算过程中涉及到的患者参数按历史训练计算领域分类包括但不限定于为：基础病患者、急性病患者、亚健康患者和多发性骨髓瘤。因此本发明中的患者数据库的患者参数将会几乎遍及历史训练计算的所有领域，满足不同单位的不同部门的训练分析需求，无需设立多个患者数据库，简化了数据重复存储的工作量，减少了设备负载。

所述基础病患者下设的第一重生理参数包括但不限定于为：生活习惯分析、历史诊疗分析和当前诊疗分析；依据以上不同的分析方向，患者数据库中的基础病患者下可供选取的患者参数也会不同。其中：

生活习惯分析生理参数中按照患者属性不同主要包括各向低龄患者和各向青壮年患者(包括复合患者)两个第二重生理参数；其中，各向低龄患者的患者参数包括但不限定于为以下第三重生理参数：身高、体重、是否饮酒、是否抽烟、睡眠均值、体脂率、视力、肺活量、血压值。各向青壮年患者(包括复合患者)的患者参数包括但不限定于为以下第三重生理参数：体重、性生活频率、是否饮酒、身体柔韧度、握力、牙齿清洁度、脱发度、血压值、空腹血糖值。

历史诊疗分析生理参数中的患者参数包括但不限定于为以下第二重生理参数：身高、总胆固醇、幽门螺旋菌数、患者运动后温度(参考温度)、患者静止态温度(参考温度)、潜热(涉及到体温变化时需要)、表征血液流动性的粘度、表征患者肺部质量评价的是否抽烟、表征患者静止态时皮肤变化情况的皮肤收缩率、临界静止态比率、表面张力。

所述急性病患者下设的第一重生理参数包括但不限定于为：血常规参数、尿常规参数和器官扫描参数；进一步地，血常规参数生理参数包括但不限定于为以下第二重生理参数：患者的身高、摩尔质量、总胆固醇、涉及到固液相变化的潜热、幽门螺旋菌数；尿常规参数生理参数包括但不限定于为以下第二重生理参数：尿液的粘度；器官扫描参数生理参数包括但不限定于为以下第二重生理参数：经颅多普勒和胸部CT。

所述亚健康患者下设的第一重生理参数根据患者特性来进行分类包括但不限定于为：烟嗓患者、干咳患者、鼻炎患者和复合患者；其中，烟嗓患者(主要是指发声烟嗓患者)生理参数包括但不限定于为以下第二重生理参数：身高、咽道清洁度、鼻腔通畅度、粘性特征长度、扁桃体长度、肺部颗粒度、体重、肺部颜色、鼻炎发生频率，以上九大参数，可通过测试结合训练计算反推得到。干咳患者生理参数包括但不限定于为以下第二重生理参数：各向低龄患者、各向青壮年患者以及老年患者，上述干咳患者生理参数的第二重生理参数均包括但不限定于为以下第三重生理参数：身高、是否饮酒、性生活频率等。鼻炎患者生理参数包括但不限定于为以下第二重生理参数：身高、是否饮酒、鼻炎发生频率。复合患者生理参数包括但不限定于为以下第二重生理参数：身高、性生活频率、是否饮酒、鼻炎发生频率。

所述多发性骨髓瘤下设的第一重生理参数包括但不限定于为：血液分析和肾功能分析。其中，肾功能分析生理参数包括但不限定于为以下第二重生理参数：肾小球滤过度和肾小管流通度；血液分析生理参数包括但不限定于为以下第二重生理参数：sTLC值和eGFR。

在一实施例中，所述步骤S40之后，也即所述将所述第一训练诊疗指标的诊疗指标参数、所述第一训练诊疗指标的患者参数、所述第一训练分析结果以及所述第一类患者的结果对应关系关联存储至历史训练数据库之后，包括：

S50，接收第二训练诊疗指标的训练分析指令，获取自所述诊疗指标输入界面录入的所述第二训练诊疗指标的诊疗指标参数；也即，在本实施例中，若已经在历史训练数据库中存储有第一训练诊疗指标等其他已进行训练分析之后的相关训练分析数据，此时，可以首先在诊疗指标输入界面录入的所述第二训练诊疗指标(当前待进行训练分析的训练诊疗指标)的诊疗指标参数。

S60，在所述第二训练诊疗指标的诊疗指标参数与所述历史训练数据库中的所述第一训练诊疗指标的诊疗指标参数匹配时，自所述历史训练数据库中获取所述第一训练诊疗指标的患者参数、所述第一训练分析结果以及所述第一类患者的结果对应关系；也即，在该步骤中，根据第二训练诊疗指标的诊疗指标参数确定历史训练数据库中与第二训练诊疗指标的诊疗指标参数匹配的相关训练诊疗指标(也即第一训练诊疗指标)的训练分析参数，比如，第一训练诊疗指标的患者参数、所述第一训练分析结果以及所述第一类患者的结果对应关系；同理，在本发明中，也可以根据需求从所述历史训练数据库中获取上述的第一病历的病历参数、第一病历结果对应关系、第一训练模型的模型参数和第一模型结果对应关系等所需内容。可理解地，在所述第二训练诊疗指标的诊疗指标参数与所述历史训练数据库中的所有所述第一训练诊疗指标的诊疗指标参数均不匹配时，将会参照上述对第一训练诊疗指标的步骤S20，获取自预设的病历导入界面导入的第二病历，并根据所述第二训练诊疗指标的诊疗指标参数自预设的患者数据库中选取所述第二训练诊疗指标的患者参数，根据所述第二训练诊疗指标的患者参数和所述第二病历建立第二训练模型；之后参照步骤S20的后续步骤对第二训练模型进行训练分析，并最终将所述第二训练诊疗指标的训练分析数据关联存储至历史训练数据库。在另一实施例中，在所述第二训练诊疗指标的诊疗指标参数与所述历史训练数据库中的所有所述第一训练诊疗指标的诊疗指标参数均不匹配时，亦可以在当前显示界面中显示与所述第二训练诊疗指标的诊疗指标参数相近的至少一个第一训练诊疗指标的诊疗指标参数，以供用户根据显示的所有第一诊疗指标的诊疗指标参数，确认是否从其中选择其中一个第一训练诊疗指标，以便于后续参照选择的第一训练诊疗指标的训练分析数据(可以在训练分析的过程中对选取的第一训练诊疗指标的部分或全部的训练分析数据进行修改，并使用修改之后的训练分析数据在进行本发明中提及的训练分析的各步骤)进行后续的训练分析。

S70，获取自所述病历导入界面导入的第二病历，根据所述第一训练诊疗指标的患者参数以及所述第二训练诊疗指标的诊疗指标参数自所述患者数据库中选取所述第二训练诊疗指标的患者参数，并根据所述第二训练诊疗指标的患者参数和所述第二病历建立第二训练模型；在本实施例中，根据该第一训练诊疗指标的训练分析参数以及所述第二训练诊疗指标的诊疗指标参数确定第二训练诊疗指标的训练分析参数；可理解地，该步骤中还包括：根据第一病历的病历参数和第一病历结果对应关系确定第二病历的病历参数，以根据该第二病历的病历参数自所述病历导入界面导入的第二病历。同理，该步骤中还可以包括：根据第一训练模型的模型参数和第一模型结果对应关系确定第二训练模型的模型参数，以根据所述第二训练模型的模型参数以及所述第二训练诊疗指标的患者参数和所述第二病历建立第二训练模型。如此，在确定相关训练诊疗指标(也即第一训练诊疗指标)的训练分析数据的规律之后，在CAD训练数据库中形成数据沉积，进而使得沉积的数据对第二训练诊疗指标的训练分析过程起到指导作用。

S80，对所述第二训练模型进行历史训练分析之后获取第二训练分析结果，确定所述第二训练诊疗指标的患者参数与所述第二训练分析结果之间的第二类患者的结果对应关系；也即，第二类患者的结果对应关系等第二训练诊疗指标的训练分析数据也将存储至历史训练数据库。

S90，将所述第二训练诊疗指标的诊疗指标参数和患者参数、所述第二训练分析结果以及所述第二类患者的结果对应关系关联存储至历史训练数据库。也即，可以根据历史训练数据库中进一步存储的上述数据，进行训练分析过程中的训练分析数据以及训练分析结果的对比，也有利于对训练分析过程中的训练分析参数进行准确的调整修正，大大提升了训练分析效率。可理解地，历史训练数据库中存储的训练分析数据的类型并不限定于为上述，而是可以参照对于第一训练诊疗指标的训练分析数据的存储过程同理增加，在此不再赘述。

在一实施例中，参照附图6，所述步骤S20中，也即所述根据所述第一训练诊疗指标的诊疗指标参数自预设的患者数据库中选取所述第一训练诊疗指标的患者参数，根据所述第一训练诊疗指标的患者参数和所述第一病历建立第一训练模型，包括：

S201，接收用户录入的第一训练诊疗指标的前处理参数和划分参数；

S202，按照所述第一训练诊疗指标的前处理参数对所述第一病历进行前处理，并按照所述第一训练诊疗指标的划分参数对进行前处理之后的所述第一病历进行网格划分；

S203，接收用户根据所述第一训练诊疗指标的诊疗指标参数自预设的患者数据库中选取所述第一训练诊疗指标的患者参数，并根据所述第一训练诊疗指标的患者参数以及进行网格划分之后的所述第一病历建立所述第一训练模型。

也即，在本实施例中，在建立第一训练模型建立之前，首先要对输入的第一病历进行前处理以及网格划分工作，以使得训练模型的建立顺畅。而不同的用户可能存在不同的前处理和网格划分的理解，因此保存第一训练诊疗指标的前处理参数和划分参数，可以对后续训练诊疗指标的前处理和网格划分工作起到参照作用。

在一实施例中，所述步骤S202之后，也即所述按照所述前处理参数对所述第一病历进行前处理，并按照所述划分参数对进行前处理之后的所述第一病历进行网格划分之后，还包括：

将所述第一训练诊疗指标的前处理参数和划分参数与所述第一训练诊疗指标的诊疗指标参数关联存储至所述历史训练数据库；也即，保存第一训练诊疗指标的前处理参数和划分参数，可以对后续训练诊疗指标的前处理和网格划分工作起到参照作用。

所述步骤S20中，所述根据所述第一训练诊疗指标的患者参数以及所述第二训练诊疗指标的诊疗指标参数自所述患者数据库中选取所述第二训练诊疗指标的患者参数，并根据所述第二训练诊疗指标的患者参数和所述第二病历建立第二训练模型，包括：

自所述历史训练数据库中获取诊疗指标参数与所述第二训练诊疗指标的诊疗指标参数匹配的所述第一训练诊疗指标的前处理参数和划分参数；

按照所述第一训练诊疗指标的前处理参数对所述第二病历进行前处理，并按照所述第一训练诊疗指标的划分参数对进行前处理之后的所述第二病历进行网格划分；

根据所述第一训练诊疗指标的患者参数以及所述第二训练诊疗指标的诊疗指标参数自所述患者数据库中选取所述第二训练诊疗指标的患者参数，并根据所述第二训练诊疗指标的患者参数和进行网格划分之后的所述第二病历建立第二训练模型。

在上述实施例中，在历史训练数据库中保存的第一训练诊疗指标的前处理参数和划分参数，可以对与第一训练诊疗指标的诊疗指标参数匹配的第二训练诊疗指标的前处理和网格划分工作起到参照作用，可以使得第二训练模型的前处理和网格划分过程耗时更少，提升了训练分析过程的整体效率。

在一实施例中，所述步骤S40，也即所述将所述第一训练诊疗指标的诊疗指标参数和患者参数、所述第一训练分析结果以及所述第一类患者的结果对应关系关联存储至历史训练数据库，包括：

将所述第一训练诊疗指标的诊疗指标参数和患者参数、所述第一训练分析结果以及所述第一类患者的结果对应关系分别插入预设的报告模板中的预设位置，生成包含第一训练诊疗指标的唯一标识的所述第一训练诊疗指标的诊疗指标报告，并将所述第一训练诊疗指标的诊疗指标报告存储至所述历史训练数据库。

在本实施例中，一个训练诊疗指标(比如第一训练诊疗指标或第二训练诊疗指标等)的诊疗指标报告中存储了对该训练诊疗指标的整个历史训练分析过程的训练分析数据(该数据可以包括在本发明的上述训练分析过程中形成的所有或者部分数据)，通过该诊疗指标报告可以查看整个训练诊疗指标的相关分析需求、分析方法和分析结果等数据，一方面方便查询了解整个训练诊疗指标，另一方面可以给后续的其他训练诊疗指标的训练过程起到指导作用。

优选的，所述关联装置，依据数据库内存储的sFLC-血常规指标映射关系关联所述第一训练模型和第二训练模型，得出所述第一类患者和第二类患者的风险相关性，具体包括：

从所述数据库内存储的sFLC-血常规指标映射关系中提取所述sFLC的多个正相关血常规指标和多个负相关血常规指标；

获取所述第一类患者和第二类患者的血常规指标的共现指标；

当所述共现指标与所述正相关血常规指标存在交集时，增加所述交集的血常规指标在所述第一训练模型和第二训练模型的权重，认定所述第一类患者和第二类患者的风险相关性高；

当所述共现指标与所述负相关血常规指标存在交集时，降低所述交集的血常规指标在所述第一训练模型和第二训练模型的权重，认定所述第一类患者和第二类患者的风险相关性低。

具体的，在该实施例中，根据sFLCκ测定值的参考值范围将多发性骨髓瘤患者的分为正常sFLCκ组（≤ 22.4），高sFLCκ组（22.4-672）及极高sFLCκ组（＞672）。通过组间两两比较，评估sFLCκ预测值（YsFLCκ）反应患者sFLCκ测定值的效能。由于数据呈非正态分布，采用独立样本Kruskal-Wallis检验。结果显示，sFLCκ预测值在正常sFLCκ组与高sFLCκ组，正常sFLCκ组与极高sFLCκ组患者间差异均有统计学意义（ P＜0.01），在高sFLCκ组于极高sFLCκ间差异无统计学意义（ P＞0.05）

多发性骨髓瘤的发生发展机制与一些血液常规指标及sFLC存在因果关系，但sFLC含量与绝大多数常规参数相关性的研究还未见报道。本实施例分析了外周血常规、免疫常规、凝血及生化参数与sFLC之间的相关性， 发现sTLCκ、sTLCλ联合肾功指标可以评估多发性骨髓瘤患者的sFLCκ、sFLCλ，而sFLCκ/λ可以由患者的sTLCκ/λ初步判断。

选择多元逐步线性回归分析，针对前期研究的基础上单因素分析筛选出的与sFLC显著相关的指标进行分析，进一步构建出血液常规参数预测多发性骨髓瘤患者sFLC的模型，用于间接反映sFLC水平。

变量选取：因变量：sFLCκ、sFLCλ、sFLCκ\λ；自变量：单因素分析得到的与sFLC显著相关的血液常规指标。通过多元逐步线性回归分析构建的预测模型如下：

YsFLCκ=-397.314+6.065Xcr+127.598XsTLCκ

YsFLCλ=2593.789-30.577XeGFR+98.256XsTLCλ

YsFLCκ/λ=48.494+2.869XsTLCκ/λ

sFLC分为κ 型和λ 型，因此，sFLC水平由３ 个指标组成，分别为sFLCκ、sFLCλ 及sFLCκ＼λ。本研究对sTLC、外周血常规、凝血及生化常规参数与sFLC各个指标的相关性进行了分析。由于数据呈非正态分布，故采用Spearman相关分析。将相关性分析Ｐ ＜０．０５ 的指标列出，结果显示，在ＭＭ 患者血清中，sFLCκ 与sTLCκ、Ｃｒ 呈显著性正相关

用ROC曲线再次验证sFLCκ预测值及sFLCκ/λ预测值判断对应sFLC测定值异常的效能。众所周知，ROC曲线AUC为0.5−0.7表明曲线精确性低; AUC为0.7−0.9表明曲线精确性中等; AUC为>0.9表明曲线精确性高。结果表明，用模型换算出的sFLCκ预测值及sFLCκ/λ预测值具有判断多发性骨髓瘤患者sFLCκ及sFLCκ/λ异常的效能。

优选的，参照附图7，所述预测装置，输入待预测患者的待预测指标，如果所述待预测指标认定所述患者属于第二类患者，则依据所述第二训练模型得出所述待预测患者的sFLC预测结果，如果所述待预测指标认定所述患者属于第一类患者，则依据所述第一类患者和第二类患者的风险相关性，得出所述待预测患者的sFLC预测结果，具体包括：

目标指标搜索步骤，对待预测患者进行检测，找出患者中的目标血常规指标作为可能存在确认患者类别的目标指标；

候选指标检测步骤，对目标指标进行血常规参数值检测，将目标指标中存在多个相邻血常规参数值的指标作为候选指标；

候选指标识别步骤，对候选指标中的血常规参数值进行识别，其中首先识别已检出的血常规参数值，建立包括已检出的血常规参数值的血常规参数值样本以及通过聚合或分割血常规参数值样本而获得的扩展样本的样本空间，然后分析样本空间中每个样本的置信度，获得置信度最高时所对应的血常规参数值聚合大小或分割粒度，据此来分割待预测患者的血常规参数值，从而识别出待预测患者的血常规参数值；

如果所述待预测指标认定所述患者属于第二类患者，依据所述第二训练模型得出所述待预测患者的sFLC预测结果；

如果所述待预测指标认定所述患者属于第一类患者，则依据所述第一类患者和第二类患者的风险相关性，得出所述待预测患者的sFLC预测结果。

具体的，在该实施例中，关于目标指标的搜索可以优选利用网格图来实现，具体步骤如下：

计算待预测患者的网格图；

利用网格图计算每个MxM指标的均方差和平均值，根据实际情况，M可以取4或8；

若一个指标的均方差与平均值的商大于预先给定的阈值，则判断该指标为目标血常规指标与正常范围之间的边缘指标，由此找出患者中的目标血常规指标。

对目标血常规指标内的血常规参数值的大小进行估算，以便据此设置血常规参数值检测时所使用的观察窗的大小，从而提高检测速度。

在此需要指出的是，在确定目标血常规指标后，本来可以直接执行候选区检测步骤，但为了减小运算量，可以优选地在对边缘指标进行检测时，估计出血常规参数值的大小(大致高度或宽度)，以便减小后续血常规参数值检测时的计算量。具体的估计方法多种多样，在此不做限定。候选指标检测步骤主要涉及对血常规参数值的检测，尤其是对相邻血常规参数值的检测。

在确定目标指标后，对目标指标内的血常规参数值进行检测。通常可以在确认患者类别框内检出至少3个血常规参数值。检测时，根据上一步获得的血常规参数值高度参数，可以仅使用接近血常规参数值高度的观察窗，从而大幅度减少观察窗的大小和数量。计算类Haar特征时，也需要使用网格图，之前在目标指标检测步骤中已经使用了网格图，现在可以继续复用该图。

在本发明中，对于孤立血常规参数值直接排除。对于短距离内存在多个相邻血常规参数值的指标则设为候选指标。在实际应用时，可以例如采用一个5至7倍血常规参数值宽度的滑动窗口作为观察窗，当窗内至少存在3个血常规参数值时，则认为该窗口所在的指标为候选指标。

在此需要说明的时，候选指标可以是一个或多个，因此需要遍历所有的目标指标，找出所有的候选指标。

候选区识别步骤主要涉及两个方面：对已检出血常规参数值的识别和对待预测患者血常规参数值的识别。其中，首先识别已检出的血常规参数值，建立包括已检出的血常规参数值的血常规参数值样本以及通过聚合或分割血常规参数值样本而获得的扩展样本的样本空间，然后分析样本空间中每个样本的置信度，获得置信度最高时所对应的血常规参数值聚合大小或分割粒度，根据血常规参数值聚合大小或分割粒度以及相应的血常规参数值样本来对待预测患者的血常规参数值进行分割，从而识别出待预测患者的血常规参数值。

对已检出血常规参数值的识别主要包括以下步骤：

对已检出的血常规参数值提取血常规参数值样本；

通过对所获得的血常规参数值样本进行聚合或分割来获取扩展样本；

建立包括所获得的血常规参数值样本以及所获得的扩展样本的样本空间；

分析所建立的样本空间中每个样本的置信度，根据置信度来判断样本是否可信，当找到可信样本时，将其作为血常规参数值识别结果输出,若在遍历所有样本后，仍然未找到可信样本，则宣布识别失败，并终止识别。

对待预测患者血常规参数值的识别主要包括以下步骤：

获得已检出的血常规参数值的样本空间中置信度最高时所对应的血常规参数值聚合大小或分割粒度，据此来分割待预测患者的血常规参数值，并对其提取血常规参数值样本；

通过沿着最佳分割粒度滑动所获得的血常规参数值样本来获取扩展样本；

建立包括所获得的血常规参数值样本以及所获得的扩展样本的样本空间；

分析所建立的样本空间中每个样本的置信度，根据置信度来判断样本是否可信，当找到可信样本时，将其作为血常规参数值识别结果输出，若在遍历所有样本后，仍然未找到可信样本，则宣布识别失败，并终止识别。

最终根据所有的血常规参数值识别结果判断确认患者类别类型，并输出包括确认患者类别类型、确认患者类别号、识别置信度或确认患者类别位置信息的确认患者类别识别结果。当然，确认患者类别识别结果所包含的内容可以根据具体要求进行删减或增加。

此外，对于候选区内检出的血常规参数值，其样本框往往还存在偏大、偏小、位置偏移、分割等情况，因此需要在此基础上进一步调整，以获得更精确的样本框，并对样本做识别。这期间，也可以通过识别的置信度来确定所获得样本的准确性。对此，本发明提出对提取的血常规参数值样本进行聚合或分割，以获得其扩展样本，从而进一步地扩大样本空间，提高识别的准确度。

优选的，所述聚类装置，获取所述待预测患者之后的第三诊疗数据，并对所述第三诊疗数据进行聚类分析，具体包括：

采用均值漂移聚类方法，对于每一个新的诊疗数据，插入到现有的均值漂移树，再根据插入的结果更新聚类树，检查已经插入到聚类树的诊疗数据是否需要删除，如果需要删除，则删除诊疗数据；

选取聚类中心，抽样m个样本值，作为混合数据的 m 个聚类中心，输入一幅患者，将患者映射至灰度空间，提取灰度空间的灰度值，采用贝叶斯统计分析来估算结果簇的数目,通过搜索模型空间所有的分类可能性,自动确定分类类别的个数和模型描述的复杂；

利用凝聚层次聚类方法对已经入住的患者信息和医护人员信息数据集进行初始划分，再采用K-MEANS算法进行模型参数估计，实现聚类结果的优化，执行K-MEANS算法或DBSCAN后向结构的动态正则化学习算法对患者灰度集合进行聚类，将聚类结果转换到患者空间，从而得到最终的分割结果，当所有的诊疗数据读取完成后，确定聚类结果。

具体的，在该实施例中，对在住院部内部已经入住的患者信息和医护人员信息进行聚类管理，所述患者信息包括患者的面部识别特征，医护人员信息包括医护人员的面部识别信息；

获取待进入住院部内部的人员信息，所述带进入住院部内部的患者信息包括待进入住院部内部的人员面部识别特征；

判断待进入住院部内部的人员是否是本住院部已经入住的患者或者医护人员；

如果待进入住院部内部的人员是本住院部已经入住的患者或医护人员，则允许其进入本住院部；

如果待进入住院部内部的人员不是本住院部已经入住的患者或医护人员，验证其进入条件，当满足进入条件时允许其无限制进入，否则，采用限制进入模式。

进一步地，所述对在住院部内部已经入住的患者信息和医护人员信息进行聚类管理，所述患者信息包括患者的面部识别特征，医护人员信息包括医护人员的面部识别信息，具体包括：

采用均值漂移聚类方法，对于每一个新的诊疗数据，插入到现有的均值漂移树，再根据插入的结果更新聚类树，检查已经插入到聚类树的诊疗数据是否需要删除，如果需要删除，则删除诊疗数据；

选取聚类中心，抽样m个样本值，作为混合数据的 m 个聚类中心，输入一幅患者，将患者映射至灰度空间，提取灰度空间的灰度值，采用贝叶斯统计分析来估算结果簇的数目,通过搜索模型空间所有的分类可能性,自动确定分类类别的个数和模型描述的复杂；

利用凝聚层次聚类方法对已经入住的患者信息和医护人员信息数据集进行初始划分，再采用K-MEANS算法进行模型参数估计，实现聚类结果的优化，执行K-MEANS算法或DBSCAN后向结构的动态正则化学习算法对患者灰度集合进行聚类，将聚类结果转换到患者空间，从而得到最终的分割结果，当所有的诊疗数据读取完成后，确定聚类结果。

进一步地，所述判断待进入住院部内部的人员是否是本住院部已经入住的患者或者医护人员，如果待进入住院部内部的人员是本住院部已经入住的患者或医护人员，则允许其进入本住院部，具体包括：

对待进入住院部内部的人员的面部患者进行人像识别，并将识别出的面部患者与聚类管理信息中存储的面部患者信息进行比较，首先判断其是否是本医院已经入住的患者，如果是，则允许其进入本住院部；如果不是，进一步匹配其是否是本医院的医护人员，如果匹配成功则允许其进入本住院部，并根据患者住院部人员或医护人员身份权限记录其进入历史。

所述如果待进入住院部内部的人员不是本住院部已经入住的患者或医护人员，验证其进入条件，当满足进入条件时允许其无限制进入，具体包括：

如果待进入住院部内部的人员不是本住院部已经入住的患者或医护人员，则向该待进入住院部内部的人员提供条件一验证选项，包括有本住院部陪同人员、无本住院部陪同人员两个选项；

如果该待进入住院部内部的人员选择有本住院部陪同人员，则由所述本住院部陪同人员进行面部信息的验证，如果验证成功，则允许待进入住院部内部的人员进入该住院部，否则自动进入无本住院部陪同人员进入的选项模式；

如果该待进入住院部内部的人员选择无本住院部陪同人员，则向该待进入住院部的人员提供条件二验证选项，包括住院部号输入、住院部人员姓名输入两个选项；

如果该待进入住院部内部的人员选择住院部号输入选项后，采用抽样算法从住院部内部抽样住院部人员数*2倍张患者照片，所述患者照片中包含该住院部内部的所有人员照片，向该待进入住院部的人员展示；

如果该待进入住院部的人员选择出该住院部内部的至少一张人员的照片后，则允许其进入该住院部，否则采用限制进入模式；

如果该待进入住院部内部的人员选择住院部人员姓名输入选项后，输入姓名内容，采用抽样算法从住院部内部抽样出所有具有所述姓名内容的本住院部人员的患者照片，并添加（住院部人员数*4倍-所有具有所述姓名内容的本住院部人员的患者照片数）张照片，向该待进入住院部的人员展示；

如果该待进入住院部的人员选择出具有所述姓名的人员的至少一张照片后，则允许其进入该住院部，否则采用限制进入模式。

具体地，所述抽样算法中需要初始化组卷参数，包括选择住院部范围、输入住院部数据参数、设置各楼层住院部被抽取概率值等；

判断调整，包括计算住院部总数、楼层分布平均度、住院部满人数量等，看是否满足抽取期望，否则回到上一步调整参数；

产生随机数数组  ；

抽选题目，即通过 从 中抽选住院部人员得到住院部人员患者子集 ；

计算中包含的各住院部的出现频数、人员多次出现的住院部的命中次数；

替换调整，将中知识点多次出现的住院部人员患者按命中次数由高到低的优先级，依次在  中搜索与  中不同住院部的人员并按命中次数由低到高的优先级进行抽选替换；若在中搜索不到与中不同住院部人员的试题，则选择中命中次数较小的住院部人员进行替换；

生成住院部人员患者集合，即由调整后的住院部人员患者子集得到住院部人员患者集合；

进一步地，所述如果待进入住院部内部的人员不是本住院部已经入住的患者或医护人员，验证其进入条件，当满足进入条件时允许其无限制进入，否则，采用限制进入模式，具体包括：

所述限制进入模式为当前待进入住院部内部人员不符合进入条件时，对待进入住院部人员的面部患者进行记录，标记其为住院部监控人员，并设定其在住院部内部的最大滞留时长，在出住院部时通过面部特征识别解除监控标记，如果超过在住院部的最大滞留时长，则向住院部管理人员发出警示通知。

具体地，如果当前待进入住院部内部人员选择有本住院部陪同人员并且由本住院部陪同人员验证成功后，建立该待进入住院部内部人员和本住院部陪同人员的映射关联关系，存储下来，用于后续数据分析；如果该待进入住院部内部的人员选择无本住院部陪同人员并验证成功后，即选择对了某住院部号的人员或某住院部成员后，则建立该待进入住院部内部人员和该住院部号住院部或住院部人员的映射关联关系，存储下来，用于后续数据分析。

优选的，所述修正装置，当聚类分析后的第三诊疗数据出现异常时，比较所述第三诊疗数据和所述sFLC预测结果，对所述第一训练模型或第二训练模型进行修正，具体包括：

当所述聚类分析后的第三诊疗数据在预设期限内的变化方向与所述待预测患者的sFLC预测结果不一致时，认定所述聚类分析后的第三诊疗数据出现异常；

比较所述第三诊疗数据中的血常规指标和所述sFLC预测结果的偏离度；

基于所述偏离度，修正所述第一训练模型或第二训练模型的血常规指标权重。

具体的，在该实施例中，在患者训练模型中的第二训练模型中设置血常规指标权重值，并获取患者训练模型在并行训练时第一训练模型的血常规指标和第二训练模型的血常规指标权重值指标；

根据所述第一训练模型的血常规指标和第二训练模型的血常规指标权重值指标确定所述第一训练模型与第二训练模型间的风险相关性；

根据第一训练模型与第二训练模型间的风险相关性对第二训练模型的血常规指标权重进行修正。

所述根据第一训练模型与第二训练模型间的风险相关性对第二训练模型的血常规指标权重进行修正，包括：

将第一训练模型与第二训练模型间的风险相关性作为误差信号输入PI调节器获取第一训练模型与第二训练模型间的偏离度值；

将第一训练模型与第二训练模型间的偏离度值与第二训练模型的血常规指标权重相加，并将相加后的时间值作为第二训练模型修正后的血常规指标权重。

本领域技术人员能够理解，本公开所披露的内容可以出现多种变型和改进。例如，以上所描述的各种设备或组件可以通过硬件实现，也可以通过软件、固件、或者三者中的一些或全部的组合实现。

本公开中使用了流程图用来说明根据本公开的实施例的方法的步骤。应当理解的是，前面或后面的步骤不一定按照顺序来精确的进行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中。

本领域普通技术人员可以理解上述方法中的全部或部分的步骤可通过计算机程序来指令相关硬件完成，程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本公开并不限制于任何特定形式的硬件和软件的结合。

除非另有定义，这里使用的所有术语具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。

以上是对本公开的说明，而不应被认为是对其的限制。尽管描述了本公开的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本公开的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本公开范围内。应当理解，上面是对本公开的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本公开由权利要求书及其等效物限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、患者或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、患者或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (7)

1.一种基于血液常规指标检测的sFLC预测系统，其特征在于，包括：

第一训练装置，获取多名第一类患者的第一诊疗数据，依据所述第一诊疗数据构建第一训练模型；

第二训练装置，获取多名第二类患者的第二诊疗数据，依据所述第二诊疗数据构建第二训练模型；

关联装置，依据数据库内存储的sFLC-血常规指标映射关系关联所述第一训练模型和第二训练模型，得出所述第一类患者和第二类患者的风险相关性；

预测装置，输入待预测患者的待预测指标，如果所述待预测指标认定所述患者属于第二类患者，则依据所述第二训练模型得出所述待预测患者的sFLC预测结果，如果所述待预测指标认定所述患者属于第一类患者，则依据所述第一类患者和第二类患者的风险相关性，得出所述待预测患者的sFLC预测结果；

聚类装置，获取所述待预测患者之后的第三诊疗数据，并对所述第三诊疗数据进行聚类分析；

修正装置，当聚类分析后的第三诊疗数据出现异常时，比较所述第三诊疗数据和所述sFLC预测结果，对所述第一训练模型或第二训练模型进行修正。

2.如权利要求1所述的一种基于血液常规指标检测的sFLC预测系统，其特征在于，所述第一训练装置，获取多名第一类患者的第一诊疗数据，依据所述第一诊疗数据构建第一训练模型，具体包括：

接收第一训练诊疗指标的训练分析指令，获取自预设的诊疗指标输入界面录入的所述第一训练诊疗指标的诊疗指标参数；

获取自预设的病历导入界面导入的第一病历，并根据所述第一训练诊疗指标的诊疗指标参数自预设的患者数据库中选取所述第一训练诊疗指标的患者参数，根据所述第一训练诊疗指标的患者参数和所述第一病历建立第一训练模型；

对所述第一训练模型进行历史训练分析之后获取第一训练分析结果，确定所述第一训练诊疗指标的患者参数与所述第一训练分析结果之间的第一类患者的结果对应关系；

将所述第一训练诊疗指标的诊疗指标参数和患者参数、所述第一训练分析结果以及所述第一类患者的结果对应关系关联存储至历史训练数据库。

3.如权利要求2所述的一种基于血液常规指标检测的sFLC预测系统，其特征在于，所述第二训练装置，获取多名第二类患者的第二诊疗数据，依据所述第二诊疗数据构建第二训练模型，具体包括：

接收第二训练诊疗指标的训练分析指令，获取自所述诊疗指标输入界面录入的所述第二训练诊疗指标的诊疗指标参数；

在所述第二训练诊疗指标的诊疗指标参数与所述历史训练数据库中的所述第一训练诊疗指标的诊疗指标参数匹配时，自所述历史训练数据库中获取所述第一训练诊疗指标的患者参数、所述第一训练分析结果以及所述第一类患者的结果对应关系；

获取自所述病历导入界面导入的第二病历，根据所述第一训练诊疗指标的患者参数以及所述第二训练诊疗指标的诊疗指标参数自所述患者数据库中选取所述第二训练诊疗指标的患者参数，并根据所述第二训练诊疗指标的患者参数和所述第二病历建立第二训练模型；

对所述第二训练模型进行历史训练分析之后获取第二训练分析结果，确定所述第二训练诊疗指标的患者参数与所述第二训练分析结果之间的第二类患者的结果对应关系；

将所述第二训练诊疗指标的诊疗指标参数和患者参数、所述第二训练分析结果以及所述第二类患者的结果对应关系关联存储至历史训练数据库。

4.如权利要求1所述的一种基于血液常规指标检测的sFLC预测系统，其特征在于，所述关联装置，依据数据库内存储的sFLC-血常规指标映射关系关联所述第一训练模型和第二训练模型，得出所述第一类患者和第二类患者的风险相关性，具体包括：

从所述数据库内存储的sFLC-血常规指标映射关系中提取所述sFLC的多个正相关血常规指标和多个负相关血常规指标；

获取所述第一类患者和第二类患者的血常规指标的共现指标；

当所述共现指标与所述正相关血常规指标存在交集时，增加所述交集的血常规指标在所述第一训练模型和第二训练模型的权重，认定所述第一类患者和第二类患者的风险相关性高；

当所述共现指标与所述负相关血常规指标存在交集时，降低所述交集的血常规指标在所述第一训练模型和第二训练模型的权重，认定所述第一类患者和第二类患者的风险相关性低。

5.如权利要求1所述的一种基于血液常规指标检测的sFLC预测系统，其特征在于，所述预测装置，输入待预测患者的待预测指标，如果所述待预测指标认定所述患者属于第二类患者，则依据所述第二训练模型得出所述待预测患者的sFLC预测结果，如果所述待预测指标认定所述患者属于第一类患者，则依据所述第一类患者和第二类患者的风险相关性，得出所述待预测患者的sFLC预测结果，具体包括：

目标指标搜索步骤，对待预测患者进行检测，找出患者中的目标血常规指标作为可能存在确认患者类别的目标指标；

候选指标检测步骤，对目标指标进行血常规参数值检测，将目标指标中存在多个相邻血常规参数值的指标作为候选指标；

候选指标识别步骤，对候选指标中的血常规参数值进行识别，其中首先识别已检出的血常规参数值，建立包括已检出的血常规参数值的血常规参数值样本以及通过聚合或分割血常规参数值样本而获得的扩展样本的样本空间，然后分析样本空间中每个样本的置信度，获得置信度最高时所对应的血常规参数值聚合大小或分割粒度，据此来分割待预测患者的血常规参数值，从而识别出待预测患者的血常规参数值；

如果所述待预测指标认定所述患者属于第二类患者，依据所述第二训练模型得出所述待预测患者的sFLC预测结果；

如果所述待预测指标认定所述患者属于第一类患者，则依据所述第一类患者和第二类患者的风险相关性，得出所述待预测患者的sFLC预测结果。

6.如权利要求1所述的一种基于血液常规指标检测的sFLC预测系统，其特征在于，所述聚类装置，获取所述待预测患者之后的第三诊疗数据，并对所述第三诊疗数据进行聚类分析，具体包括：

采用均值漂移聚类方法，对于每一个新的诊疗数据，插入到现有的均值漂移树，再根据插入的结果更新聚类树，检查已经插入到聚类树的诊疗数据是否需要删除，如果需要删除，则删除诊疗数据；

选取聚类中心，抽样m个样本值，作为混合数据的 m 个聚类中心，输入一幅患者，将患者映射至灰度空间，提取灰度空间的灰度值，采用贝叶斯统计分析来估算结果簇的数目,通过搜索模型空间所有的分类可能性,自动确定分类类别的个数和模型描述的复杂；

利用凝聚层次聚类方法对已经入住的患者信息和医护人员信息数据集进行初始划分，再采用K-MEANS算法进行模型参数估计，实现聚类结果的优化，执行K-MEANS算法或DBSCAN后向结构的动态正则化学习算法对患者灰度集合进行聚类，将聚类结果转换到患者空间，从而得到最终的分割结果，当所有的诊疗数据读取完成后，确定聚类结果。

7.如权利要求1所述的一种基于血液常规指标检测的sFLC预测系统，其特征在于，所述修正装置，当聚类分析后的第三诊疗数据出现异常时，比较所述第三诊疗数据和所述sFLC预测结果，对所述第一训练模型或第二训练模型进行修正，具体包括：

当所述聚类分析后的第三诊疗数据在预设期限内的变化方向与所述待预测患者的sFLC预测结果不一致时，认定所述聚类分析后的第三诊疗数据出现异常；

比较所述第三诊疗数据中的血常规指标和所述sFLC预测结果的偏离度；

基于所述偏离度，修正所述第一训练模型或第二训练模型的血常规指标权重。

Images