CN116189879A - 一种肾病并发症的确定方法、系统以及存储介质 - Google Patents

一种肾病并发症的确定方法、系统以及存储介质 Download PDF

Info

Publication number
CN116189879A
CN116189879A CN202310019443.4A CN202310019443A CN116189879A CN 116189879 A CN116189879 A CN 116189879A CN 202310019443 A CN202310019443 A CN 202310019443A CN 116189879 A CN116189879 A CN 116189879A
Authority
CN
China
Prior art keywords
complication
complications
frequency
information
sub
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
CN202310019443.4A
Other languages
English (en)
Inventor
姚月冬
刘春艳
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.)
Daite Intelligent Technology Shanghai Co ltd
Original Assignee
Daite Intelligent Technology Shanghai Co ltd
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 Daite Intelligent Technology Shanghai Co ltd filed Critical Daite Intelligent Technology Shanghai Co ltd
Priority to CN202310019443.4A priority Critical patent/CN116189879A/zh
Publication of CN116189879A publication Critical patent/CN116189879A/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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请涉及医疗分析的领域，公开了一种肾病并发症的确定方法、系统以及存储介质，其包括有：获取肾病群体的病历信息，肾病群体的病历信息至少包括并发症信息；基于并发症信息确定不同并发症之间的并发症关联信息；基于预设分类标准对肾病群体进行分类，以得到若干个子群体；针对每个子群体生成对应的并发症关联表，并发症关联表包含有与子群体对应的并发症关联信息。本申请在对肾病病人的并发症进行确认时，可以利用与该肾病病人所在子群体对应的并发症关联表中的并发症关联信息帮助肾病病人确定并发症或预测并发症，以改善因肾病并发症的多样化而导致不同病人的并发症的确定过程较为复杂的问题。

Description

一种肾病并发症的确定方法、系统以及存储介质
技术领域
本申请涉及医疗分析的领域，尤其是涉及一种肾病并发症的确定方法、系统以及存储介质。
背景技术
肾病分为原发性和继发性两种，原发性如肾病综合征、急性肾小球肾炎、慢性肾小球肾炎、急进性肾小球肾炎及IgA肾病等。继发性肾小球疾病，如乙肝相关性肾脏病、狼疮性肾炎、痛风性肾炎、高血压性肾脏病、多发性骨髓瘤引起的肾脏病、肾脏淀粉样变性等。医生可以依据患者相应的临床表现、病史及辅助检查来确定的患者所得的肾病并发症，以对患者进行指导治疗。
但是肾病的并发症很多，肾病不同的阶段都会带来不同的并发症。患者各个系统的也会出现很多并发症，比如心血管系统可能会出现心血管的病变如高血压、左室肥厚、心力衰竭和心肌病变等，呼吸系统可能会出现胸腔积液和肺水肿等，胃肠道也可以出现胃黏膜的糜烂或消化性溃疡等。由于并发症的多样化导致不同病人的并发症的确定较为复杂，既不利于病人预防并发症发生，又耽误病人治疗肾病。
发明内容
为了改善因肾病并发症的多样化而导致不同病人的并发症的确定过程较为复杂的问题，本申请提供一种肾病并发症的确定方法、系统以及存储介质。
第一方面，本申请提供的一种肾病并发症的确定方法，采用如下的技术方案：
一种肾病并发症的确定方法，包括：
获取肾病群体的病历信息，所述肾病群体的病历信息至少包括并发症信息；
基于所述并发症信息确定不同并发症之间的并发症关联信息；
基于预设分类标准对肾病群体进行分类，以得到若干个子群体；
针对每个子群体生成对应的并发症关联表，所述并发症关联表包含有与该子群体对应的并发症关联信息。
通过采用上述技术方案，获取到肾病群体的病历信息，且该肾病群体的病历信息中包含了并发症信息，从这些并发症信息中能够确定出不同并发症之间的并发症关联信息。在将肾病群体分成若干个子群体后，不同的子群体适配的并发症关联信息不同，因此为每一个子群体都生成一个与该子群体对应的并发症关联表。
在对肾病病人的并发症进行确认时，可以利用与该肾病病人所在子群体对应的并发症关联表中的并发症关联信息帮助肾病病人确定并发症，使得肾病病人能够及时得到治疗，也能够利用与该肾病病人所在子群体对应的并发症关联表中的并发症关联信息帮助肾病病人预测并发症，使得肾病病人能够提前采取一些措施去预防并发症的发生。以改善因肾病并发症的多样化而导致不同病人的并发症的确定过程较为复杂的问题。
可选的，所述肾病群体的病历信息还包括不同病人的个人信息，所述基于所述并发症信息确定不同并发症之间的并发症关联信息包括：
基于所述肾病群体的病历信息汇总每一位病人的高频并发症集；
整合所述高频并发症集和对应病人的所述个人信息，以生成第一数据库；
基于所述第一数据库，建立不同高频并发症的致病路径；
依据所述并发症的致病路径，确定不同高频并发症之间的并发症关联信息；
其中，所述高频并发症为所述高频并发症集所包含的并发症，所述并发症关联信息包括有多个并发症的关联规则和每个所述关联规则的置信度，且所述关联规则与所述置信度一一对应。
通过采用上述技术方案，建立高频并发症的致病路径，不仅能够发现并发症与并发症之间的联接，以此来确定出多个并发症之间的关联规则和每个规则的置信度还能够避免低频并发症对并发症关联信息确定过程的干扰。
可选的，所述基于所述肾病群体的病历信息汇总每一位病人的高频并发症集包括：
统计所述并发症信息中每一种并发症的出现次数；
设定筛选参数；
根据所述出现次数和所述筛选参数确定高频并发症，所述高频并发症为出现次数不低于所述筛选参数的并发症；
针对所述肾病群体的病历信息中的每一位病人统计所述高频并发症，以获取每一位病人对应的高频并发症集；
其中，所述高频并发症集中的不同的所述高频并发症依据所述出现次数进行降序排列。
通过采用上述技术方案，将出现次数不低于筛选参数的并发症高频并发症，依据筛选出的高频并发症能够确定每一位病人的高频并发症集，以避免肾病病人的低频并发症对后续确定并发症关联信息产生干扰。
可选的，所述基于所述第一数据库，建立不同高频并发症的致病路径包括：
基于所有的所述高频并发症集，提取多个分径起点和多个层分径点；
其中，多个所述分径起点和多个所述层分径点构成有多条第一分径，所述第一分径用于表明不同高频并发症之间的联接，多个所述第一分径形成有第一分径系统，所述第一分径的分径起点对应的并发症为该第一分径中出现次数最高的高频并发症，所述第一分径的最后一层层分径点的对应的并发症为该第一分径中出现次数最低的高频并发症；
寻找每一个高频并发症的相关分径，所述相关分径为包含有该高频并发症的第一分径；
确定高频并发症于自身的相关分径中的位置；
提取高频并发症到自身的相关分径的分析起点的路径以形成该高频并发症的致病路径，其中，所述致病路径出现个数等于高频并发症位于该致病路径时的计数。
通过采用上述技术方案，将不同的高频并发症之间的关联关系通过第一分径展现出来。第一分径系统能够反应出所有高频并发症之间存在的关联关系。将每一个高频并发症的相关分径找出来，基于相关分径来探寻该高频并发症的致病路径，能够避免不相关的并发症对该高频并发症的确定过程的干扰，进一步改善了因肾病并发症的多样化而导致不同病人的并发症的确定过程较为复杂的问题。
可选的，所述基于所有的所述高频并发症集，提取多个分径起点和多个层分径点包括：
根据每个所述高频并发症集所包含的高频并发症个数对全部的所述高频并发症集进行降序排列；
依次扫描每个所述高频并发症集位于第一位的高频并发症；
在所述第一位的高频并发症第一次出现的情况下，将所述第一位的高频并发症设置为所述分径起点；
在所述第一位的高频并发症不是第一次出现的情况下，对所述第一位的高频并发症进行计数；
从每个所述高频并发症集位于第二位的高频并发症开始，依次扫描每一位次的高频并发症；
在被扫描的位次不为空的情况下，执行下列动作：
查询被扫描的高频并发症集位于该被扫描的位次的高频并发症的前一位次的高频并发症，以确定位于该被扫描的位次的高频并发症所处的第一分径和前一层层分径点；
在位于该被扫描的位次的高频并发症为第一次出现于所述前一层层分径点之下的情况下，将该被扫描的位次的高频并发症设置为层分径点；
在位于该被扫描的位次的高频并发症不为第一次出现于所述前一层层分径点之下的情况下，对该被扫描的位次的高频并发症进行计数；
在被扫描的位次为空的情况下，结束对被扫描的高频并发症集的扫描。
通过采用上述技术方案，通过扫描多次第一数据库来搭建第一分径系统，在第一分径系统中确定出每一个高频并发症集中包含的高频并发症的位置，以将高频并发症之间的联接通过第一分径系统展现出来。
可选的，所述基于所述并发症信息确定不同高频并发症之间的并发症关联信息包括：
计算致病路径的支持度；
设定最低支持度；
形成并发症的关联规则，并计算出所述并发症的关联规则的置信度，所述并发症的关联规则为所述支持度高于所述最低支持度的致病路径。
通过采用上述技术方案，计算致病路径的支持度，能够判断出该致病路径在所有高频并发症的致病路径中发生的概率。支持度高于最低支持度的致病路径形成并发症的关联规则能够避免支持度低于最低支持度的致病路径对肾病病人的并发症确定过程造成干扰。计算致病路径的置信度，能够判断出高频并发症与其致病路径的相关性。
可选的，所述基于预设分类标准对肾病群体进行分类，以得到若干个子群体包括：
确定多个划分维度，并将每个所述划分维度分为多个群体层；
将不同的所述划分维度下的所述群体层相互组合，以作为所述预设分类标准；
根据所述预设分类标准对肾病群体进行分类，以得到若干个子群体。
通过采用上述技术方案，对肾病群体进行分类，得到若干个子群体后，能够研究不同子群体与并发症关联信息之间的联系。在对肾病病人的并发症进行确认时，可以利用与该肾病病人所在子群体与并发症关联信息之间的联系改善因肾病并发症的多样化而导致不同病人的并发症的确定过程较为复杂的问题。
可选的，所述针对每个子群体生成对应的并发症关联表包括：
将所述并发症的关联规则映射于所述第一数据库中，确定与所述并发症的关联规则相匹配的匹配群体；
计算出不同子群体于每个匹配群体中的占比；
计算所述占比和所述置信度的乘积；
将所述关联规则按照所述乘积的降序排列，以针对每个子群体生成对应的并发症关联表。
通过采用上述技术方案，不同的并发症的关联规则所匹配的肾病病人不同，不同的子群体在不同的匹配群体中的占比也不同。若某一子群体在某一匹配群体中占比较高，则说明该匹配群体对应的并发症的关联规则更适用于该子群体。占比与置信度的乘积既体现了子群体与致病路径的相关性又体现出了高频并发症与其致病路径的相关性。每个子群体生成对应的并发症关联表中的关联规则按照乘积的降序排列，与该子群体相关性越高的，位置越靠前。当肾病病人确认并发症时，先确定所属子群体，再优先考虑所属子群体对应的并发症关联表中的位置靠前的关联规则。
第二方面，本申请提供一种肾病并发症的确定系统，采用如下技术方案：
一种肾病并发症的确定系统，包括：
数据存储模块，用于存储肾病群体的病历信息，所述肾病群体的病历信息至少包括并发症信息和肾病病人的个人信息；
关联信息确定模块，用于基于所述并发症信息确定不同并发症之间的并发症关联信息；
分类模块，用于对肾病群体进行分类；
关联表生成模块，用于针对每个子群体生成对应的并发症关联表。
第三方面，本申请提供一种存储介质，采用如下技术方案：
一种存储介质，存储有能够被处理器加载并执行上述的肾病并发症的确定方法的计算机程序。
综上所述，本申请包括以下至少一种有益技术效果：
1.在对肾病病人的并发症进行确认时，可以利用与该肾病病人所在子群体对应的并发症关联表中的并发症关联信息帮助肾病病人确定并发症或预测并发症，以改善因肾病并发症的多样化而导致不同病人的并发症的确定过程较为复杂的问题。
2.通过计算不同子群体于每个匹配群体中的占比以及对应匹配群体的并发症的关联规则置信度，将并发症的关联规则按照占比与置信度乘积的降序排列，以针对每个子群体生成对应的并发症关联表。既在并发症关联表中体现了高频并发症与其致病路径的相关性又在并发症关联表体现出了子群体与致病路径的相关性。
附图说明
图1是本申请实施例中一种肾病并发症的确认方法的步骤流程图。
图2是本申请实施例中一种肾病并发症的确认方法中S2的步骤流程图。
图3是本申请实施例中一种肾病并发症的确认方法中S21的步骤流程图。
图4是本申请实施例中一种肾病并发症的确认方法中S23的步骤流程图。
图5是本申请实施例中一种肾病并发症的确认方法中S231的步骤流程图。
图6是本申请实施例中一种肾病并发症的确认方法中S24的步骤流程图。
图7是本申请实施例中一种肾病并发症的确认方法中S3的步骤流程图。
图8是本申请实施例中一种肾病并发症的确认方法中S4的步骤流程图。
图9是本申请实施例中一种肾病并发症的确认系统的逻辑连接示意图。
附图标记说明：
1、数据存储模块；2、关联信息确定模块；3、分类模块；4、关联表生成模块。
具体实施方式
以下结合附图，对本申请作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例公开一种肾病并发症的确定方法。
参照图1，一种肾病并发症的确定方法，包括以下步骤：
S1.获取肾病群体的病历信息。
S2.基于并发症信息确定不同并发症之间的并发症关联信息。
具体地，肾病群体所包含的对象为已经确诊肾病且已经确诊肾病的并发症的肾病病人。获取的肾病群体的病历信息中至少要包括肾病病人的并发症信息和个人信息。通过对该肾病群体的并发症信息进行分析，以此来得到不同并发症之间的并发症关联信息。通过对并发症关联信息与个人信息进行分析，改善因肾病并发症的多样化而导致不同病人的并发症的确定过程较为复杂的问题。
参照图2，在不同的实施例中，上述的S2中基于并发症信息确定不同并发症之间的并发症关联信息可以采用不同的方法，具体但非限定地提供一种方法，包括以下S21-S24的步骤：
S21.基于肾病群体的病历信息汇总每一位病人的高频并发症集。
参照图3，在本实施例中，步骤S21基于肾病群体的病历信息汇总每一位病人的高频并发症集还包括以下S211-S214的子步骤：
S211.统计并发症信息中每一种并发症的出现次数。
S212.设定筛选参数。
S213.根据出现次数和筛选参数确定高频并发症。
S214.针对肾病群体的病历信息中的每一位病人统计高频并发症，以获取每一位病人对应的高频并发症集。
具体地，筛选参数可以依据肾病群体的病历信息中所包含的肾病病人的数量来确定。出现次数不低于筛选参数的并发症为高频并发症，反之则为低频并发症。低频并发症具有偶发性，会对并发症关联信息的确定过程造成干扰。且为了便于后续建立高频并发症的致病路径，高频并发症集中的不同的高频并发症均依据出现次数降序排列。
S22.整合高频并发症集和对应病人的个人信息，以生成第一数据库。
S23.基于第一数据库，建立不同高频并发症的致病路径。
具体地，第一数据库中包括有每一位病人的高频并发症集，高频并发症集中所包含的并发症为高频并发症，基于第一数据库建立高频并发症的致病路径避免了低频并发症对并发症关联信息的干扰。
参照图4，在本实施例中，上述步骤S23还包括以下S231-S234的子步骤：
S231.基于所有的高频并发症集，提取多个分径起点和多个层分径点。
具体地，多个分径起点和多个层分径点构成多条第一分径，第一分径表明了不同高频并发症之间的联接。多条第一分径又形成有第一分径系统，第一分径系统表明了所有高频并发症之间的联接。每一条第一分径的分径起点对应的并发症为该第一分径中出现次数最高的高频并发症，每一条第一分径的最后一层层分径点的对应的并发症为该第一分径中出现次数最低的高频并发症。
参照图5，在本实施例中，步骤S231可以通过不同的方法提取多个分径起点和多个层分径点，具体但非限定地提出一种方法包括以下S2311-S2313的子步骤：
S2311.根据每个高频并发症集所包含的高频并发症个数对全部的高频并发症集进行降序排列。
具体地，在高频并发症集的排列中位于第一的高频并发症集所包含的高频并发症数量最多。
S2312.依次扫描每个高频并发症集位于第一位的高频并发症。
进一步地，在第一位的高频并发症第一次出现的情况下，将第一位的高频并发症设置为分径起点。在第一位的高频并发症不是第一次出现的情况下，对第一位的高频并发症进行计数。具体地，位于第一位的高频并发症即为第一分径系统中的分径起点。
S2313.从每个高频并发症集位于第二位的高频并发症开始，依次扫描每一位次的高频并发症。
进一步地，在被扫描的位次不为空的情况下，查询被扫描的高频并发症集位于该被扫描的位次的高频并发症的前一位次的高频并发症，以确定位于该被扫描的位次的高频并发症所处的第一分径和前一层层分径点。
更进一步地，在位于该被扫描的位次的高频并发症为第一次出现于前一层层分径点之下的情况下，将该被扫描的位次的高频并发症设置为层分径点。在位于该被扫描的位次的高频并发症不为第一次出现于前一层层分径点之下的情况下，对该被扫描的位次的高频并发症进行计数。
而在被扫描的位次为空的情况下，结束对被扫描的高频并发症集的扫描。
在提取多个分径起点和多个层分径点的操作过程中，扫描高频并发症集的次数与在高频并发症集排序中位于第一的高频并发症集所包含的并发症的个数一致，即最多有多少位次的高频并发症便需要扫描多少次高频并发症集。通过对高频并发症集的多次扫描，确定出不同分径起点对应的层分径点，以形成多条第一分径，进而搭建出第一分径系统，在第一分径系统中确定出每一个高频并发症集中包含的高频并发症的位置，以将高频并发症之间的联接通过第一分径系统展现出来。
S232.寻找每一个高频并发症的相关分径。
具体地，相关分径为包含有该高频并发症的第一分径。
S233.确定高频并发症于自身的相关分径中的位置。
S234.提取高频并发症到自身的相关分径的分析起点的路径以形成该高频并发症的致病路径。
具体地，致病路径出现个数等于高频并发症位于该致病路径时的计数。建立高频并发症的致病路径的过程是在探寻哪些高频并发症可能会引起肾病病人出现该高频并发症，同时在探寻哪些高频并发症一起出现可能会引起肾病病人出现该高频并发症。
S24.依据并发症的致病路径，确定不同高频并发症之间的并发症关联信息。
具体地，所确定的并发症关联信息包括有多个并发症的关联规则和每个关联规则对应的置信度。
参照图6，在本实施例中，步骤S24还包括以下S241-S243的子步骤：
S241.计算致病路径的支持度。
S242设定最低支持度。
S243.形成并发症的关联规则，并计算出并发症的关联规则的置信度。
具体地，并发症的关联规则为支持度高于最低支持度的致病路径。计算致病路径的支持度，能够判断出该致病路径在所有高频并发症的致病路径中发生的概率。高于最低支持度的致病路径形成并发症的关联规则能够避免支持度低于最低支持度的致病路径对肾病病人的并发症确定过程造成干扰。计算致病路径的置信度，能够判断出高频并发症与其致病路径的相关性。
S3.基于预设分类标准对肾病群体进行分类，以得到若干个子群体。
参照图7，在不同的实施例中，上述的S3中基于预设分类标准对肾病群体进行分类，以得到若干个子群体可以采用不同的方法，本申请具体但非限定地提供一种方法：
S31.确定多个划分维度，并将每个划分维度分为多个群体层。
S32.将不同的划分维度下的群体层相互组合，以作为预设分类标准。
S33.根据预设分类标准对肾病群体进行分类，以得到若干个子群体。
作为示例的，所确定的划分维度可以为：性别、年龄和肾病的表现。具体地，性别维度分为男群体层和女群体层，年龄维度为青年群体层、中年群体层和老年群体层，肾病的表现维度分为轻度肾病群体层、中度肾病群体层和重度肾病群体层。根据预设分类标准，肾病群体被分为：男性青年轻度肾病群体、男性中年轻度肾病群体、男性老年轻度肾病群体、男性青年中度肾病群体、男性中年中度肾病群体、男性老年中度肾病群体、男性青年重度肾病群体、男性中年重度肾病群体、男性老年重度肾病群体、女性青年轻度肾病群体、女性中年轻度肾病群体、女性老年轻度肾病群体、女性青年中度肾病群体、女性中年中度肾病群体、女性老年中度肾病群体、女性青年重度肾病群体、女性中年重度肾病群体以及女性老年重度肾病群体共18个子群体。
S4.针对每个子群体生成对应的并发症关联表。
并发症关联表包含有与子群体对应的并发症关联信息。
参照图8，在不同的实施例中，上述的S4中针对每个子群体生成对应的并发症关联表可以采用不同的方法，本申请具体但非限定地提供一种方法：
S41.将并发症的关联规则映射于第一数据库中，确定与并发症的关联规则相匹配的匹配群体。
S42.计算出不同子群体于每个匹配群体中的占比。
S43.计算占比和置信度的乘积。
S44.将关联规则按照乘积的降序排列，以针对每个子群体生成对应的并发症关联表。
每一个高频并发症集均对应有病人的个人信息，匹配群体即由与并发症的关联规则相匹配的高频并发症集所对应的肾病病人组成。不同的子群体在不同的匹配群体中占比不同，若某一子群体在某一匹配群体中占比较高，则说明该匹配群体对应的并发症的关联规则更适用于该子群体。占比与置信度的乘积既体现了子群体与致病路径的相关性又体现出了高频并发症与其致病路径的相关性。每个子群体生成对应的并发症关联表中的关联规则按照乘积的降序排列，与该子群体相关性越高的，位置越靠前。当肾病病人确认并发症时，先确定所属子群体，再利用与该肾病病人所在子群体对应的并发症关联表中的并发症关联信息帮助肾病病人快速确定并发症或预测并发症。在确定或预测过程中优先考虑所属子群体对应的并发症关联表中的位置靠前的关联规则。
另外，本申请提供一种肾病并发症的确定系统。
参照图9，一种肾病并发症的确定系统，包括数据存储模块1、关联信息确定模块2、分类模块3和关联表生成模块4。其中，数据存储模块1用于存储肾病群体的病历信息，具体地，肾病群体的病历信息至少包括并发症信息和肾病病人的个人信息。关联信息确定模块2用于基于并发症信息确定不同并发症之间的并发症关联信息。分类模块3用于对肾病群体进行分类，以得到若干个子群体。关联表生成模块4用于针对每个子群体生成对应的并发症关联表。
具体地，关联信息确定模块2，首先基于数据存储模块1所包含的并发症信息，确定出高频并发症，并汇总每一个肾病病人的高频并发症集，将高频并发症集和对应病人的个人信息整合生成第一数据库。再通过建立高频并发症的致病路径来确定高频并发症的并发症关联信息，进一步地，并发症关联信息包括并发症的关联规则和并发症的置信度。
具体地，分类模块3能够基于预设分类标准将肾病群体分为多个的子群体。进一步地，在构建预设分类标准时可以先确定多个划分维度并将每个划分维度分为多个群体层，进一步地将不同的划分维度下的群体层相互组合以构建出预设分类标准。
具体地，关联表生成模块4在生成并发症关联表时，首先将并发症的关联规则映射于第一数据库中，以确定第一数据库中与并发症的关联规则相匹配的匹配群体。再计算出不同子群体于每个匹配群体中的占比。最后针对每个子群体，按照将并发症的关联规则按照占比和置信度的乘积降序排列，以生成每个子群体对应的并发症关联表。并发症关联表能够帮助不同子群体的肾病病人确定或预测并发症。
本申请提供一种存储介质，存储有能够被处理器加载并执行上述的肾病并发症的确定方法的计算机程序。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (10)

1.一种肾病并发症的确定方法，其特征在于，包括：
获取肾病群体的病历信息，所述肾病群体的病历信息至少包括并发症信息；
基于所述并发症信息确定不同并发症之间的并发症关联信息；
基于预设分类标准对肾病群体进行分类，以得到若干个子群体；
针对每个子群体生成对应的并发症关联表，所述并发症关联表包含有与子群体对应的并发症关联信息。
2.根据权利要求1所述的肾病并发症的确定方法，其特征在于，所述肾病群体的病历信息还包括不同病人的个人信息，所述基于所述并发症信息确定不同并发症之间的并发症关联信息包括：
基于所述肾病群体的病历信息汇总每一位病人的高频并发症集；
整合所述高频并发症集和对应病人的所述个人信息，以生成第一数据库；
基于所述第一数据库，建立不同高频并发症的致病路径；
依据所述并发症的致病路径，确定不同高频并发症之间的并发症关联信息；
其中，所述高频并发症为所述高频并发症集所包含的并发症，所述并发症关联信息包括有多个并发症的关联规则和所述关联规则的置信度，且所述关联规则与所述置信度一一对应。
3.根据权利要求2所述的肾病并发症的确定方法，其特征在于，所述基于所述肾病群体的病历信息汇总每一位病人的高频并发症集包括：
统计所述并发症信息中每一种并发症的出现次数；
设定筛选参数；
根据所述出现次数和所述筛选参数确定高频并发症，所述高频并发症为出现次数不低于所述筛选参数的并发症；
针对所述肾病群体的病历信息中的每一位病人统计所述高频并发症，以获取每一位病人对应的高频并发症集；
其中，所述高频并发症集中的不同的所述高频并发症依据所述出现次数进行降序排列。
4.根据权利要求3所述的肾病并发症的确定方法，其特征在于，所述基于所述第一数据库，建立不同高频并发症的致病路径包括：
基于所有的所述高频并发症集，提取多个分径起点和多个层分径点；
其中，多个所述分径起点和多个所述层分径点构成有多条第一分径，所述第一分径用于表明不同高频并发症之间的联接，多个所述第一分径形成有第一分径系统，所述第一分径的分径起点对应的并发症为该第一分径中出现次数最高的高频并发症，所述第一分径的最后一层层分径点的对应的并发症为该第一分径中出现次数最低的高频并发症；
寻找每一个高频并发症的相关分径，所述相关分径为包含有该高频并发症的第一分径；
确定高频并发症于自身的相关分径中的位置；
提取高频并发症到自身的相关分径的分析起点的路径以形成该高频并发症的致病路径，其中，所述致病路径出现个数等于高频并发症位于该致病路径时的计数。
5.根据权利要求4所述的肾病并发症的确定方法，其特征在于，所述基于所有的所述高频并发症集，提取多个分径起点和多个层分径点包括：
根据每个所述高频并发症集所包含的高频并发症个数对全部的所述高频并发症集进行降序排列；
依次扫描每个所述高频并发症集位于第一位的高频并发症；
在所述第一位的高频并发症第一次出现的情况下，将所述第一位的高频并发症设置为所述分径起点；
在所述第一位的高频并发症不是第一次出现的情况下，对所述第一位的高频并发症进行计数；
从每个所述高频并发症集位于第二位的高频并发症开始，依次扫描每一位次的高频并发症；
在被扫描的位次不为空的情况下，执行下列动作：
查询被扫描的高频并发症集位于该被扫描的位次的高频并发症的前一位次的高频并发症，以确定位于该被扫描的位次的高频并发症所处的第一分径和前一层层分径点；
在位于该被扫描的位次的高频并发症为第一次出现于所述前一层层分径点之下的情况下，将该被扫描的位次的高频并发症设置为层分径点；
在位于该被扫描的位次的高频并发症不为第一次出现于所述前一层层分径点之下的情况下，对该被扫描的位次的高频并发症进行计数；
在被扫描的位次为空的情况下，结束对被扫描的高频并发症集的扫描。
6.根据权利要求5所述的肾病并发症的确定方法，其特征在于，所述基于所述并发症信息确定不同高频并发症之间的并发症关联信息包括：
计算致病路径的支持度；
设定最低支持度；
形成并发症的关联规则，并计算出所述并发症的关联规则的置信度，所述并发症的关联规则为所述支持度高于所述最低支持度的致病路径。
7.根据权利要求6所述的肾病并发症的确定方法，其特征在于，所述基于预设分类标准对肾病群体进行分类，以得到若干个子群体包括：
确定多个划分维度，并将每个所述划分维度分为多个群体层；
将不同的所述划分维度下的所述群体层相互组合，以作为所述预设分类标准；根据所述预设分类标准对肾病群体进行分类，以得到若干个子群体。
8.根据权利要求7所述的肾病并发症的确定方法，其特征在于，所述针对每个子群体生成对应的并发症关联表包括：
将所述并发症的关联规则映射于所述第一数据库中，确定与所述并发症的关联规则相匹配的匹配群体；
计算出不同子群体于每个匹配群体中的占比；
计算所述占比和所述置信度的乘积；
将所述关联规则按照所述乘积的降序排列，以针对每个子群体生成对应的并发症关联表。
9.一种肾病并发症的确定系统，其特征在于，包括有：
数据存储模块(1)，用于存储肾病群体的病历信息，所述肾病群体的病历信息至少包括并发症信息和肾病病人的个人信息；
关联信息确定模块(2)，用于基于所述并发症信息确定不同并发症之间的并发症关联信息；
分类模块(3)，用于对肾病群体进行分类，以得到若干个子群体；
关联表生成模块(4)，用于针对每个子群体生成对应的并发症关联表。
10.一种存储器，其特征在于，存储有能够被处理器加载并执行所述权利要求1-8任一项所述的肾病并发症的确定方法的计算机程序。
CN202310019443.4A 2023-01-06 2023-01-06 一种肾病并发症的确定方法、系统以及存储介质 Pending CN116189879A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310019443.4A CN116189879A (zh) 2023-01-06 2023-01-06 一种肾病并发症的确定方法、系统以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310019443.4A CN116189879A (zh) 2023-01-06 2023-01-06 一种肾病并发症的确定方法、系统以及存储介质

Publications (1)

Publication Number Publication Date
CN116189879A true CN116189879A (zh) 2023-05-30

Family

ID=86441622

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310019443.4A Pending CN116189879A (zh) 2023-01-06 2023-01-06 一种肾病并发症的确定方法、系统以及存储介质

Country Status (1)

Country Link
CN (1) CN116189879A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116779190A (zh) * 2023-06-25 2023-09-19 急尼优医药科技(上海)有限公司 一种基于物联网的医疗平台用户随访管理系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116779190A (zh) * 2023-06-25 2023-09-19 急尼优医药科技(上海)有限公司 一种基于物联网的医疗平台用户随访管理系统及方法
CN116779190B (zh) * 2023-06-25 2024-02-13 急尼优医药科技(上海)有限公司 一种基于物联网的医疗平台用户随访管理系统及方法

Similar Documents

Publication Publication Date Title
CN108920720B (zh) 基于深度哈希和gpu加速的大规模图像检索方法
AU2007254820B2 (en) Automatic weight generation for probabilistic matching
CN110197706B (zh) 一种基于sbs的层次化特征选择方法、系统及应用
CN116189879A (zh) 一种肾病并发症的确定方法、系统以及存储介质
CN110188878A (zh) 神经网络搜索方法及装置
Azuaje et al. Discovering relevance knowledge in data: a growing cell structures approach
Zhu et al. Identification of full and partial class relevant genes
CN112445889A (zh) 存储数据、检索数据的方法及相关设备
CN111899882A (zh) 一种预测癌症的方法及系统
Minnoor et al. Diagnosis of breast cancer using random forests
CN109902019A (zh) 一种基于多维权重的自动化测试分级方法及系统
CN112633601A (zh) 疾病事件发生概率的预测方法、装置、设备及计算机介质
CN108346474A (zh) 基于单词的类内分布与类间分布的电子病历特征选择方法
JP2016200435A (ja) マススペクトル解析システム，方法およびプログラム
Gupta et al. Evolution and similarity evaluation of protein structures in contact map space
CN116313158A (zh) 患者安全esb业务数据的监测方法、装置及系统
CN111767277A (zh) 数据处理方法和装置
WO2010044712A1 (en) Method and apparatus for default rating estimation
Ezhilarasi et al. Enhanced Neuro-Fuzzy-Based Crop Ontology for Effective Information Retrieval.
CN115691702A (zh) 一种化合物可视化分类方法及系统
CN115510959A (zh) 基于自然最近邻和多簇合并的密度峰值聚类方法
CN115357607A (zh) 基于个人健康大数据平台的海量数据查询方法和装置
CN111816273B (zh) 一种海量电子病历的大规模医学知识图谱构建方法
CN113192579A (zh) 一种基于云计算的医疗数据的处理方法及系统
Ceh-Varela et al. Machine learning analysis of factors contributing to Diabetes Development

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