CN116386869A - 一种基于多变量的病情危重程度评估方法 - Google Patents
一种基于多变量的病情危重程度评估方法 Download PDFInfo
- Publication number
- CN116386869A CN116386869A CN202310377751.4A CN202310377751A CN116386869A CN 116386869 A CN116386869 A CN 116386869A CN 202310377751 A CN202310377751 A CN 202310377751A CN 116386869 A CN116386869 A CN 116386869A
- Authority
- CN
- China
- Prior art keywords
- disease
- data
- target user
- information
- acquiring
- 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.)
- Granted
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 229
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 229
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 8
- 208000024891 symptom Diseases 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 29
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000037213 diet Effects 0.000 claims description 10
- 235000005911 diet Nutrition 0.000 claims description 10
- 229940079593 drug Drugs 0.000 claims description 10
- 239000003814 drug Substances 0.000 claims description 10
- 230000001717 pathogenic effect Effects 0.000 claims description 10
- 238000005295 random walk Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 206010067671 Disease complication Diseases 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 8
- 230000036760 body temperature Effects 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 206010010071 Coma Diseases 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于多变量的病情危重程度评估方法,包括:获取目标用户的历史医疗检测数据及既往病情数据,联合目标用户反馈数据确定目标用户的患病信息;筛选表征疾病危重程度的变量参数,构建疾病危重程度模型,获取目标用户日常体征数据输入疾病危重程度模型;根据疾病危重程度模型重症概率进行预警,根据预警信息得出当前病症的对应科室信息;获取目标用户的生活环境数据,分析危重预警的主导因素,通过主导因素及实时疾病危害程度生成注意事项及医学建议。本发明动态评估用户的病情危重程度,使用户了解病情变化趋势,进行初步的自我评估,同时为医疗诊断提供初步参考。
Description
技术领域
本发明涉及病情评估技术领域,更具体的,涉及一种基于多变量的病情危重程度评估方法。
背景技术
随着电子信息技术的迅速发展,医院信息系统(Hospital Information System,HIS)和数字医疗设备的广泛应用,医疗与健康数据量不断膨胀,数据库和分布式文件系统等技术的发展解决了海量数据的存储和数据检索的效率问题,但无法改变“数据爆炸但知识贫乏”的现象。患者在临床治疗中存在多种信息交汇,该场景集合了大量患者体征数据,包括血压、体温、心率、心电等各种生命体征参数,而目前基于患者的症状、体征及零散的实验室指标进行病情严重程度分析判断,因此存在主观性、偏面性、局部性,另外大多数慢性病或者心脑血管病患者除非病情严重,多数时间患者是在社区和家中。
由于受到医疗资源稀缺以及医疗费用的限制,非自我干预管理的方法做不到连续、及时和便捷。大多数慢性病或者心脑血管病患者除去定期入院检查相关疾病的危险因素、靶器官是否受损等,因此,目前需要一种连续、及时、便捷且安全有效的病情危重程度评估手段,基于多模态多变量的深度学习评估预测模型,对患者当前的病情严重程度进行评估,了解病情变化趋势,进行初步的自我评估,同时为医疗诊断提供初步参考。
发明内容
为了解决上述技术问题,本发明提出了一种基于多变量的病情危重程度评估方法及系统。
本发明第一方面提供了一种基于多变量的病情危重程度评估方法,包括:
获取目标用户的历史医疗检测数据及既往病情数据,结合目标用户初始反馈数据确定目标用户的患病信息;
筛选表征疾病危重程度的变量参数,根据所述变量参数构建疾病危重程度模型,获取目标用户日常体征数据输入所述疾病危重程度模型;
根据疾病危重程度模型重症概率进行预警,将预警信息结合目标用户位置信息按照预设方式发送至多个预设终端,并根据预警信息得出当前病症的对应科室信息;
获取目标用户的生活环境数据,分析危重预警的主导因素,通过所述主导因素及实时疾病危害程度生成注意事项及医学建议。
本方案中,获取目标用户的历史医疗检测数据及既往病情数据,结合目标用户初始反馈数据确定目标用户的患病信息,具体为:
获取目标用户的基础身份信息,接入相关医疗数据库后根据所述基础身份信息检索目标用户的历史医疗检测数据及既往病情数据;
设置病情问卷获取目标用户首次登录填写的初始反馈数据,根据所述初始反馈数据进行分词,提取对应词向量,根据所述词向量在初始反馈数据中的出现次数及分布广度获取关键词;
通过所述关键词读取目标用户的患病特征,将目标用户的历史医疗检测数据及既往病情数据与所述患病特征进行相似度匹配验证,利用所述相似度判断患病特征的真伪;
当所述相似度符合预设标准时,则根据目标用户的患病特征得到目标用户的患病信息。
本方案中,筛选表征疾病危重程度的变量参数,根据所述变量参数构建疾病危重程度模型,获取目标用户日常体征数据输入所述疾病危重程度模型,具体为:
获取目标用户患病信息所属疾病类别的致病因素,根据致病因素提取影响因子设置评价指标;
将目标用户的历史医疗检测数据、病情既往数据进行数据清洗,利用评价指标判断目标用户当前患病情况,将当前患病情况作为当前时间戳的病情基础;
通过疾病危重程度关键词作为检索标签构建检索任务,在相关医疗数据库及专家经验数据库中进行检索,获取符合预设要求的数据,提取所述符合预设要求的数据中的参数变量;
将所述变量参数进行统计分析,获取各参数变量对分析结果的支持度、结果的置信度及结果的提升度,根据获取的特征值选取预设数量的变量参数;
获取训练数据,通过训练数据根据线性模型构建疾病危重程度模型,在模型中根据病情基础作为各变量参数的原始数据,根据所述疾病危重程度模型进行评估输出目标用户的疾病危重程度及重症概率。
本方案中,根据疾病危重程度模型重症概率进行预警,将预警信息结合目标用户位置信息按照预设方式发送至多个预设终端,并根据预警信息得出当前病症的对应科室信息,具体为:
获取疾病危重程度模型的重症概率,预设概率阈值,当所述重症概率大于所述概率阈值时,则生成重症预警,获取目标用户终端设备的定位信息,将所述定位信息与重症预警进行结合;
在云端获取目标用户预设的紧急联系人信息,按照预设方式将重症预警向紧急联系人终端及定点医院终端进行发送,提取预警信息中的目标对象基本信息及评估时间戳的病情基础,分析对应的科室信息,生成科室的通知预警。
本方案中,获取目标用户的生活环境数据,分析危重预警的主导因素,通过所述主导因素及实时疾病危害程度生成注意事项及医学建议,具体为:
构建目标用户的病情数据库,将目标用户不同时间戳的病情危重程度存入所述病情数据库,通过所述病情数据库将当前时间戳的病情危重程度与历史病情危重程度进行对比,获取病情危重程度偏差;
当所述病情危重程度偏差大于预设偏差阈值,则生成危重预警,基于当前评估时间戳与历史评估时间戳获取目标时间段,获取目标时间段内的生活环境数据、饮食数据及用药数据;
通过所述生活环境数据、饮食数据及用药数据提取生活因素,获取各生活因素与目标用户患病类型的皮尔逊相关系数,通过所述皮尔逊相关系数对生活因素进行筛选;
获取皮尔逊相关系数符合预设标准的生活因素,并进行标记,将标记生活因素导入医学知识图谱,计算所述标记生活因素与知识图谱中实体的相似度,基于所述相似度获取标记生活因素在医学知识图谱的初始位置;
选取皮尔逊相关系数最高的生活因素作为目标节点,判断目标节点到其他标记生活因素初始位置的曼哈顿距离,将曼哈顿距离小于预设曼哈顿距离阈值的生活因素及目标节点对应的生活因素作为危重预警的主导因素;
将主导因素进行特征聚合,生成聚合特征,并将实时疾病危重程度作为附加特征,根据所述聚合特征及附加特征在医学知识图谱中进行路径检索,根据路径上的实体提取对应注意事项及医学建议。
本方案中,根据目标用户的病情基础及病情危重程度变化特征进行并发症的预测,具体为:
根据目标用户的患病信息在医疗知识图谱中进行知识推理,获取所述患病信息对应实体节点中的特征数据,在医学知识图谱中进行相似度计算,获取相似度符合预设要求的特征;
根据所述特征对应的实体节点是否存在关系路径筛选特征节点,保留存在关系路径的实体节点,生成对应的特征集合,通过所述特征集合生成路径约束条件,以患病信息对应的实体节点为起点,根据所述路径规则进行随机游走;
根据随机游走结果获取包括患病信息对应实体节点的元路径,通过元路径获取目标用户患病信息对应的并发症集合;
从目标用户病情数据库中获取目标用户当前时间戳的病情基础,基于SVM分类器构建并发症预测模型,利用大数据手段获取各类别疾病特征、诱因数据及与其他类别疾病的关系数据构建数据集;
将所述数据集划分为训练集及验证集,设置与并发症集合中等同数量的分类器,使用训练集对分类器进行训练,获取各分类器的预测结果,生成预测准确度;
根据单一分类器的准确度与各分类器准确度之和的比值设置各分类器的权重,根据所述权重对并发症预测模型的分类器进行配置,将目标用户当前时间戳的病情基础及病情危重程度变化特征输入,根据分类器的权重加权获取输出最终并发症预测结果。
本发明第二方面提供了一种基于多变量的病情危重程度评估系统,包括:基础信息采集模块、病情基础分析模块、病情危重程度评估模块、病情预警模块、医疗建议生成模块、疾病并发症预测模块、数据库模块;
所述基础信息采集模块用于采集目标用户的历史医疗检测数据及既往病情数据,包括个人信息、检验信息、图像信息、诊疗信息、电子病历信息;
所述病情基础分析模块用于分析目标用户当前疾病情况,针对历史医疗检测数据及既往病情数据中不同类型的数据进行特征提取,确定目标用户的病情基础;
所述病情危重程度评估模块通过疾病危重程度模型判断目标用户当前病情的危害程度,并计算输出重症概率;
所述病情预警模块基于病情危重程度评估模块输出的危害程度及重症概率进行预警,并将预警信息按照预设方式进行多通道发送;
所述医疗建议生成模块用于针对目标用户当前病情危重程度及生活环境信息生成注意事项及医疗建议;
所述疾病并发症预测模块根据目标用户当前病情危重程度的变化及具体病症进行相关并发症的预测;
所述数据库模块用于存储目标用户的医疗数据及病情危重程度,并提取变化特征。
本发明公开了一种基于多变量的病情危重程度评估方法,包括:获取目标用户的历史医疗检测数据及既往病情数据,联合目标用户反馈数据确定目标用户的患病信息;筛选表征疾病危重程度的变量参数,构建疾病危重程度模型,获取目标用户日常体征数据输入疾病危重程度模型;根据疾病危重程度模型重症概率进行预警,根据预警信息得出当前病症的对应科室信息;获取目标用户的生活环境数据,分析危重预警的主导因素,通过主导因素及实时疾病危害程度生成注意事项及医学建议。本发明动态评估用户的病情危重程度,使用户了解病情变化趋势,进行初步的自我评估,同时为医疗诊断提供初步参考。
附图说明
图1示出了本发明一种基于多变量的病情危重程度评估方法的流程图;
图2示出了本发明根据变量参数构建疾病危重程度模型获取重症概率的方法流程图;
图3示出了本发明根据生活环境数据生成注意事项及医学建议的方法流程图;
图4示出了本发明一种基于多变量的病情危重程度评估系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
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,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于多变量的病情危重程度评估方法的流程图。
如图1所示,本发明第一方面提供了一种基于多变量的病情危重程度评估方法,包括:
S102,获取目标用户的历史医疗检测数据及既往病情数据,结合目标用户初始反馈数据确定目标用户的患病信息;
S104,筛选表征疾病危重程度的变量参数,根据所述变量参数构建疾病危重程度模型,获取目标用户日常体征数据输入所述疾病危重程度模型;
S106,根据疾病危重程度模型重症概率进行预警,将预警信息结合目标用户位置信息按照预设方式发送至多个预设终端,并根据预警信息得出当前病症的对应科室信息;
S108,获取目标用户的生活环境数据,分析危重预警的主导因素,通过所述主导因素及实时疾病危害程度生成注意事项及医学建议。
需要说明的是,获取目标用户的基础身份信息,接入相关医疗数据库后根据所述基础身份信息检索目标用户的历史医疗检测数据及既往病情数据;设置病情问卷获取目标用户首次登录填写的初始反馈数据,通过Word2vec模型根据所述初始反馈数据进行分词,提取对应词向量,根据所述词向量在初始反馈数据中的出现次数及分布广度获取关键词;通过所述关键词读取目标用户的患病特征,将目标用户的历史医疗检测数据及既往病情数据与所述患病特征进行相似度匹配验证,利用所述相似度判断目标用户所填写的患病特征的真伪;当所述相似度符合预设标准时,则判断目标用户填写的数据为真,根据目标用户的患病特征得到目标用户的患病信息,当目标用户不含医疗检测数据及既往病情数据时,则根据目标用户填写的数据及后续评估过程逐渐完善目标用户的患病信息。
图2示出了本发明根据变量参数构建疾病危重程度模型获取重症概率的方法流程图。
根据本发明实施例,筛选表征疾病危重程度的变量参数,根据所述变量参数构建疾病危重程度模型,获取目标用户日常体征数据输入所述疾病危重程度模型,具体为:
S202,获取目标用户患病信息所属疾病类别的致病因素,根据致病因素提取影响因子设置评价指标;
S204,将目标用户的历史医疗检测数据、病情既往数据进行数据清洗,利用评价指标判断目标用户当前患病情况,将当前患病情况作为当前时间戳的病情基础;
S206,通过疾病危重程度关键词作为检索标签构建检索任务,在相关医疗数据库及专家经验数据库中进行检索,获取符合预设要求的数据,提取所述符合预设要求的数据中的参数变量;
S208,将所述变量参数进行统计分析,获取各参数变量对分析结果的支持度、结果的置信度及结果的提升度,根据获取的特征值选取预设数量的变量参数;
S210,获取训练数据,通过训练数据根据线性模型构建疾病危重程度模型,在模型中根据病情基础作为各变量参数的原始数据,根据所述疾病危重程度模型进行评估输出目标用户的疾病危重程度及重症概率。
需要说明的是,在本申请的一个优选实施例中,筛选的变量参数为:gender,性别1==男、0==女;age,单位为岁,为连续数值型变量;state,意识水平,划分为清晰==1、模糊==2、昏迷==3;temp,体温,单位为℃(摄氏度)为连续数值型变量;Hrate,心率,单位为次/分,为连续数值型变量;Brate,呼吸频率,单位为次/分,为连续性数值变量;sbp,收缩压,单位mmHg,为连续性数值变量;dbp,舒张压,单位mmHg,为连续性数值变量;spo2h,经皮血氧饱和度,取值范围0-100;
通过训练数据根据线性模型构建疾病危重程度模型,疾病危重程度xb的公式为:xb=2.722480+gender*(-0.219604)+age*(0.002103)+state*(0.680043)+temp*(0.020002)+Hrate*(0.011456)+Brate*(-0.057090)+sbp*(-0.007658)+dbp*(-0.003556)+spo2h*(-0.041772);
获取疾病危重程度模型的重症概率,预设概率阈值,当所述重症概率大于所述概率阈值时,则生成重症预警,获取目标用户终端设备的定位信息,将所述定位信息与重症预警进行结合;在云端获取目标用户预设的紧急联系人信息,按照预设方式将重症预警向紧急联系人终端及定点医院终端进行发送,提取预警信息中的目标对象基本信息及评估时间戳的病情基础,分析对应的科室信息,生成科室的通知预警。
图3示出了本发明根据生活环境数据生成注意事项及医学建议的方法流程图。
根据本发明实施例,获取目标用户的生活环境数据,分析危重预警的主导因素,通过所述主导因素及实时疾病危害程度生成注意事项及医学建议,具体为:
S302,构建目标用户的病情数据库,将目标用户不同时间戳的病情危重程度存入所述病情数据库,通过所述病情数据库将当前时间戳的病情危重程度与历史病情危重程度进行对比,获取病情危重程度偏差;
S304,当所述病情危重程度偏差大于预设偏差阈值,则生成危重预警,基于当前评估时间戳与历史评估时间戳获取目标时间段,获取目标时间段内的生活环境数据、饮食数据及用药数据;
S306,通过所述生活环境数据、饮食数据及用药数据提取生活因素,获取各生活因素与目标用户患病类型的皮尔逊相关系数,通过所述皮尔逊相关系数对生活因素进行筛选;
S308,获取皮尔逊相关系数符合预设标准的生活因素,并进行标记,将标记生活因素导入医学知识图谱,计算所述标记生活因素与知识图谱中实体的相似度,基于所述相似度获取标记生活因素在医学知识图谱的初始位置;
S310,选取皮尔逊相关系数最高的生活因素作为目标节点,判断目标节点到其他标记生活因素初始位置的曼哈顿距离,将曼哈顿距离小于预设曼哈顿距离阈值的生活因素及目标节点对应的生活因素作为危重预警的主导因素;
S312,将主导因素进行特征聚合,生成聚合特征,并将实时疾病危重程度作为附加特征,根据所述聚合特征及附加特征在医学知识图谱中进行路径检索,根据路径上的实体提取对应注意事项及医学建议。
需要说明的是,医学知识图谱中包括各类别疾病、对应发病特征、诱病因素、医学诊断方法及注意事项等等,根据目标用户的患病信息在医疗知识图谱中进行知识推理,获取所述患病信息对应实体节点中的特征数据,在医学知识图谱中进行相似度计算,获取相似度符合预设要求的特征;根据所述特征对应的实体节点是否存在关系路径筛选特征节点,保留存在关联的实体节点,生成对应的特征集合,通过所述特征集合生成路径约束条件,以患病信息对应的实体节点为起点,根据所述路径规则进行随机游走;根据随机游走结果获取包括患病信息对应实体节点的元路径,通过元路径获取目标用户患病信息对应的并发症集合;从目标用户病情数据库中获取目标用户当前时间戳的病情基础,基于SVM分类器构建并发症预测模型,利用大数据手段获取各类别疾病特征、诱因数据及与其他类别疾病的关系数据构建数据集;将所述数据集划分为训练集及验证集,设置与并发症集合中等同数量的分类器,使用训练集对分类器进行训练,获取各分类器的预测结果,生成预测准确度;根据单一分类器的准确度与各分类器准确度之和的比值设置各分类器的权重,根据所述权重对并发症预测模型的分类器进行配置,将目标用户当前时间戳的病情基础及病情危重程度变化特征输入,根据分类器的权重加权获取输出最终并发症预测结果。确定并发症预测结果后获取并发症的特征,基于并发症的特征在医学知识图谱进行检索获取相关注意事项及医学建议,对注意事项及医学建议进行更新。
根据本发明实施例,还包括,获取目标用户住院治疗期间的治疗数据及治疗方案,根据所述治疗数据提取特征获取实时疾病危重程度,根据实时疾病危重程度计算重症概率,根据重症概率的变化特征判断所述治疗方案的适用性,若预设时间内重症概率持续大于预设概率阈值或者重症概率小于预设概率阈值的前提下,其变化值小于预设阈值,则视为治疗方案不适用,根据医学知识图谱生成治疗方案推荐;基于BP神经网络构建出院预测模型,通过粒子群算法进行超参数优化设置,并根据大数据检索的历史相关病例数据集进行初始化训练至损失函数收敛;将目标用户当前治疗数据及实时疾病危重程度导入训练后出院预测模型获取目标用户的出院日期,基于预设隐私设置获取目标用户及紧急联系人授权,将授权后的预测数据发送到目标用户终端;同时,科室根据患者的出院预测日期进行科室内部床位编排,提取历史同期数据进行数据参考学习,利用深度学习方法获取未来预设时间的患者入院数量,根据患者入院数量预设值进行科室床位的预留。
图4示出了本发明一种基于多变量的病情危重程度评估系统的框图。
本发明第二方面提供了一种基于多变量的病情危重程度评估系统,包括:基础信息采集模块、病情基础分析模块、病情危重程度评估模块、病情预警模块、医疗建议生成模块、疾病并发症预测模块、数据库模块;
所述基础信息采集模块用于采集目标用户的历史医疗检测数据及既往病情数据,包括个人信息、检验信息、图像信息、诊疗信息、电子病历信息;
所述病情基础分析模块用于分析目标用户当前疾病情况,针对历史医疗检测数据及既往病情数据中不同类型的数据进行特征提取,确定目标用户的病情基础;
所述病情危重程度评估模块通过疾病危重程度模型判断目标用户当前病情的危害程度,并计算输出重症概率;
所述病情预警模块基于病情危重程度评估模块输出的危害程度及重症概率进行预警,并将预警信息按照预设方式进行多通道发送;
所述医疗建议生成模块用于针对目标用户当前病情危重程度及生活环境信息生成注意事项及医疗建议;
所述疾病并发症预测模块根据目标用户当前病情危重程度的变化及具体病症进行相关并发症的预测;
所述数据库模块用于存储目标用户的医疗数据及病情危重程度,并提取变化特征。
需要说明的是,本发明基于多变量的病情危重程度评估系统能够嵌入小程序中进行实现,获取目标用户的基础身份信息,接入相关医疗数据库后根据所述基础身份信息检索目标用户的历史医疗检测数据及既往病情数据;设置病情问卷获取目标用户首次登录填写的初始反馈数据,通过Word2vec模型根据所述初始反馈数据进行分词,提取对应词向量,根据所述词向量在初始反馈数据中的出现次数及分布广度获取关键词;通过所述关键词读取目标用户的患病特征,将目标用户的历史医疗检测数据及既往病情数据与所述患病特征进行相似度匹配验证,利用所述相似度判断目标用户所填写的患病特征的真伪;当所述相似度符合预设标准时,则判断目标用户填写的数据为真,根据目标用户的患病特征得到目标用户的患病信息,当目标用户不含医疗检测数据及既往病情数据时,则根据目标用户填写的数据及后续评估过程逐渐完善目标用户的患病信息。
根据本发明实施例,通过疾病危重程度模型判断目标用户当前病情的危害程度,并计算输出重症概率,具体为:
获取目标用户患病信息所属疾病类别的致病因素,根据致病因素提取影响因子设置评价指标;
将目标用户的历史医疗检测数据、病情既往数据进行数据清洗,利用评价指标判断目标用户当前患病情况,将当前患病情况作为当前时间戳的病情基础;
通过疾病危重程度关键词作为检索标签构建检索任务,在相关医疗数据库及专家经验数据库中进行检索,获取符合预设要求的数据,提取所述符合预设要求的数据中的参数变量;
将所述变量参数进行统计分析,获取各参数变量对分析结果的支持度、结果的置信度及结果的提升度,根据获取的特征值选取预设数量的变量参数;
获取训练数据,通过训练数据根据线性模型构建疾病危重程度模型,在模型中根据病情基础作为各变量参数的原始数据,根据所述疾病危重程度模型进行评估输出目标用户的疾病危重程度及重症概率。
需要说明的是,在本申请的一个优选实施例中,筛选的变量参数为:gender,性别1==男、0==女;age,单位为岁,为连续数值型变量;state,意识水平,划分为清晰==1、模糊==2、昏迷==3;temp,体温,单位为℃(摄氏度)为连续数值型变量;Hrate,心率,单位为次/分,为连续数值型变量;Brate,呼吸频率,单位为次/分,为连续性数值变量;sbp,收缩压,单位mmHg,为连续性数值变量;dbp,舒张压,单位mmHg,为连续性数值变量;spo2h,经皮血氧饱和度,取值范围0-100;
通过训练数据根据线性模型构建疾病危重程度模型,疾病危重程度xb的公式为:xb=2.722480+gender*(-0.219604)+age*(0.002103)+state*(0.680043)+temp*(0.020002)+Hrate*(0.011456)+Brate*(-0.057090)+sbp*(-0.007658)+dbp*(-0.003556)+spo2h*(-0.041772);
获取疾病危重程度模型的重症概率,预设概率阈值,当所述重症概率大于所述概率阈值时,则生成重症预警,获取目标用户终端设备的定位信息,将所述定位信息与重症预警进行结合;在云端获取目标用户预设的紧急联系人信息,按照预设方式将重症预警向紧急联系人终端及定点医院终端进行发送,提取预警信息中的目标对象基本信息及评估时间戳的病情基础,分析对应的科室信息,生成科室的通知预警。
根据本发明实施例,针对目标用户当前病情危重程度及生活环境信息生成注意事项及医疗建议,具体为:
构建目标用户的病情数据库,将目标用户不同时间戳的病情危重程度存入所述病情数据库,通过所述病情数据库将当前时间戳的病情危重程度与历史病情危重程度进行对比,获取病情危重程度偏差;
当所述病情危重程度偏差大于预设偏差阈值,则生成危重预警,基于当前评估时间戳与历史评估时间戳获取目标时间段,获取目标时间段内的生活环境数据、饮食数据及用药数据;
通过所述生活环境数据、饮食数据及用药数据提取生活因素,获取各生活因素与目标用户患病类型的皮尔逊相关系数,通过所述皮尔逊相关系数对生活因素进行筛选;
获取皮尔逊相关系数符合预设标准的生活因素,并进行标记,将标记生活因素导入医学知识图谱,计算所述标记生活因素与知识图谱中实体的相似度,基于所述相似度获取标记生活因素在医学知识图谱的初始位置;
选取皮尔逊相关系数最高的生活因素作为目标节点,判断目标节点到其他标记生活因素初始位置的曼哈顿距离,将曼哈顿距离小于预设曼哈顿距离阈值的生活因素及目标节点对应的生活因素作为危重预警的主导因素;
将主导因素进行特征聚合,生成聚合特征,并将实时疾病危重程度作为附加特征,根据所述聚合特征及附加特征在医学知识图谱中进行路径检索,根据路径上的实体提取对应注意事项及医学建议。
需要说明的是,医学知识图谱中包括各类别疾病、对应发病特征、诱病因素、医学诊断方法及注意事项等等,根据目标用户的患病信息在医疗知识图谱中进行知识推理,获取所述患病信息对应实体节点中的特征数据,在医学知识图谱中进行相似度计算,获取相似度符合预设要求的特征;根据所述特征对应的实体节点是否存在关系路径筛选特征节点,保留存在关联的实体节点,生成对应的特征集合,通过所述特征集合生成路径约束条件,以患病信息对应的实体节点为起点,根据所述路径规则进行随机游走;根据随机游走结果获取包括患病信息对应实体节点的元路径,通过元路径获取目标用户患病信息对应的并发症集合;从目标用户病情数据库中获取目标用户当前时间戳的病情基础,基于SVM分类器构建并发症预测模型,利用大数据手段获取各类别疾病特征、诱因数据及与其他类别疾病的关系数据构建数据集;将所述数据集划分为训练集及验证集,设置与并发症集合中等同数量的分类器,使用训练集对分类器进行训练,获取各分类器的预测结果,生成预测准确度;根据单一分类器的准确度与各分类器准确度之和的比值设置各分类器的权重,根据所述权重对并发症预测模型的分类器进行配置,将目标用户当前时间戳的病情基础及病情危重程度变化特征输入,根据分类器的权重加权获取输出最终并发症预测结果。确定并发症预测结果后获取并发症的特征,基于并发症的特征在医学知识图谱进行检索获取相关注意事项及医学建议,对注意事项及医学建议进行更新。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于多变量的病情危重程度评估方法程序,所述一种基于多变量的病情危重程度评估方法程序被处理器执行时,实现如上述任一项所述的一种基于多变量的病情危重程度评估方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,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,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于多变量的病情危重程度评估方法,其特征在于,包括以下步骤:
获取目标用户的历史医疗检测数据及既往病情数据,结合目标用户初始反馈数据确定目标用户的患病信息;
筛选表征疾病危重程度的变量参数,根据所述变量参数构建疾病危重程度模型,获取目标用户日常体征数据输入所述疾病危重程度模型;
根据疾病危重程度模型重症概率进行预警,将预警信息结合目标用户位置信息按照预设方式发送至多个预设终端,并根据预警信息得出当前病症的对应科室信息;
获取目标用户的生活环境数据,分析危重预警的主导因素,通过所述主导因素及实时疾病危害程度生成注意事项及医学建议。
2.根据权利要求1所述的一种基于多变量的病情危重程度评估方法,其特征在于,获取目标用户的历史医疗检测数据及既往病情数据,结合目标用户初始反馈数据确定目标用户的患病信息,具体为:
获取目标用户的基础身份信息,接入相关医疗数据库后根据所述基础身份信息检索目标用户的历史医疗检测数据及既往病情数据;
设置病情问卷获取目标用户首次登录填写的初始反馈数据,根据所述初始反馈数据进行分词,提取对应词向量,根据所述词向量在初始反馈数据中的出现次数及分布广度获取关键词;
通过所述关键词读取目标用户的患病特征,将目标用户的历史医疗检测数据及既往病情数据与所述患病特征进行相似度匹配验证,利用所述相似度判断患病特征的真伪;
当所述相似度符合预设标准时,则根据目标用户的患病特征得到目标用户的患病信息。
3.根据权利要求1所述的一种基于多变量的病情危重程度评估方法,其特征在于,筛选表征疾病危重程度的变量参数,根据所述变量参数构建疾病危重程度模型,获取目标用户日常体征数据输入所述疾病危重程度模型,具体为:
获取目标用户患病信息所属疾病类别的致病因素,根据致病因素提取影响因子设置评价指标;
将目标用户的历史医疗检测数据、病情既往数据进行数据清洗,利用评价指标判断目标用户当前患病情况,将当前患病情况作为当前时间戳的病情基础;
通过疾病危重程度关键词作为检索标签构建检索任务,在相关医疗数据库及专家经验数据库中进行检索,获取符合预设要求的数据,提取所述符合预设要求的数据中的参数变量;
将所述变量参数进行统计分析,获取各参数变量对分析结果的支持度、结果的置信度及结果的提升度,根据获取的特征值选取预设数量的变量参数;
获取训练数据,通过训练数据根据线性模型构建疾病危重程度模型,在模型中根据病情基础作为各变量参数的原始数据,根据所述疾病危重程度模型进行评估输出目标用户的疾病危重程度及重症概率。
4.根据权利要求1所述的一种基于多变量的病情危重程度评估方法,其特征在于,根据疾病危重程度模型重症概率进行预警,将预警信息结合目标用户位置信息按照预设方式发送至多个预设终端,并根据预警信息得出当前病症的对应科室信息,具体为:
获取疾病危重程度模型的重症概率,预设概率阈值,当所述重症概率大于所述概率阈值时,则生成重症预警,获取目标用户终端设备的定位信息,将所述定位信息与重症预警进行结合;
在云端获取目标用户预设的紧急联系人信息,按照预设方式将重症预警向紧急联系人终端及定点医院终端进行发送,提取预警信息中的目标对象基本信息及评估时间戳的病情基础,分析对应的科室信息,生成科室的通知预警。
5.根据权利要求1所述的一种基于多变量的病情危重程度评估方法,其特征在于,获取目标用户的生活环境数据,分析危重预警的主导因素,通过所述主导因素及实时疾病危害程度生成注意事项及医学建议,具体为:
构建目标用户的病情数据库,将目标用户不同时间戳的病情危重程度存入所述病情数据库,通过所述病情数据库将当前时间戳的病情危重程度与历史病情危重程度进行对比,获取病情危重程度偏差;
当所述病情危重程度偏差大于预设偏差阈值,则生成危重预警,基于当前评估时间戳与历史评估时间戳获取目标时间段,获取目标时间段内的生活环境数据、饮食数据及用药数据;
通过所述生活环境数据、饮食数据及用药数据提取生活因素,获取各生活因素与目标用户患病类型的皮尔逊相关系数,通过所述皮尔逊相关系数对生活因素进行筛选;
获取皮尔逊相关系数符合预设标准的生活因素,并进行标记,将标记生活因素导入医学知识图谱,计算所述标记生活因素与知识图谱中实体的相似度,基于所述相似度获取标记生活因素在医学知识图谱的初始位置;
选取皮尔逊相关系数最高的生活因素作为目标节点,判断目标节点到其他标记生活因素初始位置的曼哈顿距离,将曼哈顿距离小于预设曼哈顿距离阈值的生活因素及目标节点对应的生活因素作为危重预警的主导因素;
将主导因素进行特征聚合,生成聚合特征,并将实时疾病危重程度作为附加特征,根据所述聚合特征及附加特征在医学知识图谱中进行路径检索,根据路径上的实体提取对应注意事项及医学建议。
6.根据权利要求1所述的一种基于多变量的病情危重程度评估方法,其特征在于,还包括,根据目标用户的病情基础及病情危重程度变化特征进行并发症的预测,具体为:
根据目标用户的患病信息在医疗知识图谱中进行知识推理,获取所述患病信息对应实体节点中的特征数据,在医学知识图谱中进行相似度计算,获取相似度符合预设要求的特征;
根据所述特征对应的实体节点是否存在关系路径筛选特征节点,保留存在关系路径的实体节点,生成对应的特征集合,通过所述特征集合生成路径约束条件,以患病信息对应的实体节点为起点,根据所述路径规则进行随机游走;
根据随机游走结果获取包括患病信息对应实体节点的元路径,通过元路径获取目标用户患病信息对应的并发症集合;
从目标用户病情数据库中获取目标用户当前时间戳的病情基础,基于SVM分类器构建并发症预测模型,利用大数据手段获取各类别疾病特征、诱因数据及与其他类别疾病的关系数据构建数据集;
将所述数据集划分为训练集及验证集,设置与并发症集合中等同数量的分类器,使用训练集对分类器进行训练,获取各分类器的预测结果,生成预测准确度;
根据单一分类器的准确度与各分类器准确度之和的比值设置各分类器的权重,根据所述权重对并发症预测模型的分类器进行配置,将目标用户当前时间戳的病情基础及病情危重程度变化特征输入,根据分类器的权重加权获取输出最终并发症预测结果。
7.一种基于多变量的病情危重程度评估系统,其特征在于,包括:基础信息采集模块、病情基础分析模块、病情危重程度评估模块、病情预警模块、医疗建议生成模块、疾病并发症预测模块、数据库模块;
所述基础信息采集模块用于采集目标用户的历史医疗检测数据及既往病情数据,包括个人信息、检验信息、图像信息、诊疗信息、电子病历信息;
所述病情基础分析模块用于分析目标用户当前疾病情况,针对历史医疗检测数据及既往病情数据中不同类型的数据进行特征提取,确定目标用户的病情基础;
所述病情危重程度评估模块通过疾病危重程度模型判断目标用户当前病情的危害程度,并计算输出重症概率;
所述病情预警模块基于病情危重程度评估模块输出的危害程度及重症概率进行预警,并将预警信息按照预设方式进行多通道发送;
所述医疗建议生成模块用于针对目标用户当前病情危重程度及生活环境信息生成注意事项及医疗建议;
所述疾病并发症预测模块根据目标用户当前病情危重程度的变化及具体病症进行相关并发症的预测;
所述数据库模块用于存储目标用户的医疗数据及病情危重程度,并提取变化特征。
8.根据权利要求7所述的一种基于多变量的病情危重程度评估系统,其特征在于,通过疾病危重程度模型判断目标用户当前病情的危害程度,并计算输出重症概率,具体为:
获取目标用户患病信息所属疾病类别的致病因素,根据致病因素提取影响因子设置评价指标;
将目标用户的历史医疗检测数据、病情既往数据进行数据清洗,利用评价指标判断目标用户当前患病情况,将当前患病情况作为当前时间戳的病情基础;
通过疾病危重程度关键词作为检索标签构建检索任务,在相关医疗数据库及专家经验数据库中进行检索,获取符合预设要求的数据,提取所述符合预设要求的数据中的参数变量;
将所述变量参数进行统计分析,获取各参数变量对分析结果的支持度、结果的置信度及结果的提升度,根据获取的特征值选取预设数量的变量参数;
获取训练数据,通过训练数据根据线性模型构建疾病危重程度模型,在模型中根据病情基础作为各变量参数的原始数据,根据所述疾病危重程度模型进行评估输出目标用户的疾病危重程度及重症概率。
9.根据权利要求7所述的一种基于多变量的病情危重程度评估系统,其特征在于,针对目标用户当前病情危重程度及生活环境信息生成注意事项及医疗建议,具体为:
构建目标用户的病情数据库,将目标用户不同时间戳的病情危重程度存入所述病情数据库,通过所述病情数据库将当前时间戳的病情危重程度与历史病情危重程度进行对比,获取病情危重程度偏差;
当所述病情危重程度偏差大于预设偏差阈值,则生成危重预警,基于当前评估时间戳与历史评估时间戳获取目标时间段,获取目标时间段内的生活环境数据、饮食数据及用药数据;
通过所述生活环境数据、饮食数据及用药数据提取生活因素,获取各生活因素与目标用户患病类型的皮尔逊相关系数,通过所述皮尔逊相关系数对生活因素进行筛选;
获取皮尔逊相关系数符合预设标准的生活因素,并进行标记,将标记生活因素导入医学知识图谱,计算所述标记生活因素与知识图谱中实体的相似度,基于所述相似度获取标记生活因素在医学知识图谱的初始位置;
选取皮尔逊相关系数最高的生活因素作为目标节点,判断目标节点到其他标记生活因素初始位置的曼哈顿距离,将曼哈顿距离小于预设曼哈顿距离阈值的生活因素及目标节点对应的生活因素作为危重预警的主导因素;
将主导因素进行特征聚合,生成聚合特征,并将实时疾病危重程度作为附加特征,根据所述聚合特征及附加特征在医学知识图谱中进行路径检索,根据路径上的实体提取对应注意事项及医学建议。
10.根据权利要求7所述的一种基于多变量的病情危重程度评估系统,其特征在于,根据目标用户当前病情危重程度的变化及具体病症进行相关并发症的预测,具体为:
根据目标用户的患病信息在医疗知识图谱中进行知识推理,获取所述患病信息对应实体节点中的特征数据,在医学知识图谱中进行相似度计算,获取相似度符合预设要求的特征;
根据所述特征对应的实体节点是否存在关系路径筛选特征节点,保留存在关系路径的实体节点,生成对应的特征集合,通过所述特征集合生成路径约束条件,以患病信息对应的实体节点为起点,根据所述路径规则进行随机游走;
根据随机游走结果获取包括患病信息对应实体节点的元路径,通过元路径获取目标用户患病信息对应的并发症集合;
从目标用户病情数据库中获取目标用户当前时间戳的病情基础,基于SVM分类器构建并发症预测模型,利用大数据手段获取各类别疾病特征、诱因数据及与其他类别疾病的关系数据构建数据集;
将所述数据集划分为训练集及验证集,设置与并发症集合中等同数量的分类器,使用训练集对分类器进行训练,获取各分类器的预测结果,生成预测准确度;
根据单一分类器的准确度与各分类器准确度之和的比值设置各分类器的权重,根据所述权重对并发症预测模型的分类器进行配置,将目标用户当前时间戳的病情基础及病情危重程度变化特征输入,根据分类器的权重加权获取输出最终并发症预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310377751.4A CN116386869B (zh) | 2023-04-11 | 2023-04-11 | 一种基于多变量的病情危重程度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310377751.4A CN116386869B (zh) | 2023-04-11 | 2023-04-11 | 一种基于多变量的病情危重程度评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116386869A true CN116386869A (zh) | 2023-07-04 |
CN116386869B CN116386869B (zh) | 2024-01-19 |
Family
ID=86961327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310377751.4A Active CN116386869B (zh) | 2023-04-11 | 2023-04-11 | 一种基于多变量的病情危重程度评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116386869B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612891A (zh) * | 2023-07-14 | 2023-08-18 | 营动智能技术(山东)有限公司 | 一种慢性病患者数据处理系统 |
CN116936134A (zh) * | 2023-09-18 | 2023-10-24 | 四川互慧软件有限公司 | 一种基于护理晨交班数据的并发症监测方法和系统 |
CN117153378A (zh) * | 2023-10-31 | 2023-12-01 | 北京博晖创新生物技术集团股份有限公司 | 一种导诊方法、装置、电子设备及存储介质 |
CN117196077A (zh) * | 2023-09-21 | 2023-12-08 | 深圳市环阳通信息技术有限公司 | 一种基于互联网的协助挂号诊断系统 |
CN117577303A (zh) * | 2023-11-21 | 2024-02-20 | 海尔施生物医药股份有限公司 | 一种基于大数据的医疗数据管理系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111785374A (zh) * | 2020-06-15 | 2020-10-16 | 山东省玖玖医养健康产业有限公司 | 一种基于大数据的健康状况分析预测方法及系统 |
CN113689958A (zh) * | 2021-08-27 | 2021-11-23 | 苏州立威新谱生物科技有限公司 | 一种基于大数据的慢性病病情预测方法、系统及存储介质 |
WO2021232591A1 (zh) * | 2020-05-22 | 2021-11-25 | 平安国际智慧城市科技股份有限公司 | 基于物联网数据的用户数据分类方法、装置、计算机设备及存储介质 |
CN113707307A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 病情分析方法、装置、电子设备及存储介质 |
CN115660291A (zh) * | 2022-12-12 | 2023-01-31 | 广东省农业科学院植物保护研究所 | 一种植物病害发生与潜在发生的识别评估方法及系统 |
CN115762781A (zh) * | 2022-11-21 | 2023-03-07 | 上海市同仁医院 | 一种基于医疗大数据的危重症早期预警系统及方法 |
-
2023
- 2023-04-11 CN CN202310377751.4A patent/CN116386869B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021232591A1 (zh) * | 2020-05-22 | 2021-11-25 | 平安国际智慧城市科技股份有限公司 | 基于物联网数据的用户数据分类方法、装置、计算机设备及存储介质 |
CN111785374A (zh) * | 2020-06-15 | 2020-10-16 | 山东省玖玖医养健康产业有限公司 | 一种基于大数据的健康状况分析预测方法及系统 |
CN113689958A (zh) * | 2021-08-27 | 2021-11-23 | 苏州立威新谱生物科技有限公司 | 一种基于大数据的慢性病病情预测方法、系统及存储介质 |
CN113707307A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 病情分析方法、装置、电子设备及存储介质 |
CN115762781A (zh) * | 2022-11-21 | 2023-03-07 | 上海市同仁医院 | 一种基于医疗大数据的危重症早期预警系统及方法 |
CN115660291A (zh) * | 2022-12-12 | 2023-01-31 | 广东省农业科学院植物保护研究所 | 一种植物病害发生与潜在发生的识别评估方法及系统 |
Non-Patent Citations (1)
Title |
---|
储爱琴 等: "以患者为中心的智慧门诊建设体系及运行成效分析", 中国数字医学, vol. 14, no. 1, pages 67 - 69 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612891A (zh) * | 2023-07-14 | 2023-08-18 | 营动智能技术(山东)有限公司 | 一种慢性病患者数据处理系统 |
CN116612891B (zh) * | 2023-07-14 | 2023-09-29 | 营动智能技术(山东)有限公司 | 一种慢性病患者数据处理系统 |
CN116936134A (zh) * | 2023-09-18 | 2023-10-24 | 四川互慧软件有限公司 | 一种基于护理晨交班数据的并发症监测方法和系统 |
CN116936134B (zh) * | 2023-09-18 | 2023-11-24 | 四川互慧软件有限公司 | 一种基于护理晨交班数据的并发症监测方法和系统 |
CN117196077A (zh) * | 2023-09-21 | 2023-12-08 | 深圳市环阳通信息技术有限公司 | 一种基于互联网的协助挂号诊断系统 |
CN117153378A (zh) * | 2023-10-31 | 2023-12-01 | 北京博晖创新生物技术集团股份有限公司 | 一种导诊方法、装置、电子设备及存储介质 |
CN117153378B (zh) * | 2023-10-31 | 2024-03-01 | 北京博晖创新生物技术集团股份有限公司 | 一种导诊方法、装置、电子设备及存储介质 |
CN117577303A (zh) * | 2023-11-21 | 2024-02-20 | 海尔施生物医药股份有限公司 | 一种基于大数据的医疗数据管理系统及方法 |
CN117577303B (zh) * | 2023-11-21 | 2024-04-26 | 海尔施生物医药股份有限公司 | 一种基于大数据的医疗数据管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116386869B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116386869B (zh) | 一种基于多变量的病情危重程度评估方法 | |
CN109036553B (zh) | 一种基于自动抽取医疗专家知识的疾病预测方法 | |
Bashir et al. | BagMOOV: A novel ensemble for heart disease prediction bootstrap aggregation with multi-objective optimized voting | |
US20200303072A1 (en) | Method and system for supporting medical decision making | |
KR101903522B1 (ko) | 다차원 건강데이터에 대한 유사사례 검색 방법 및 그 장치 | |
JP5977898B1 (ja) | 行動予測装置、行動予測装置の制御方法、および行動予測装置の制御プログラム | |
CN109036577B (zh) | 糖尿病并发症分析方法及装置 | |
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
CN112951443B (zh) | 症候群监测预警方法、装置、计算机设备及存储介质 | |
CN112017789B (zh) | 分诊数据处理方法、装置、设备及介质 | |
CN111914562B (zh) | 电子信息分析方法、装置、设备及可读存储介质 | |
CN111612278A (zh) | 生命状态预测方法、装置、电子设备及存储介质 | |
CN113270197A (zh) | 一种基于人工智能的健康预测方法、系统及存储介质 | |
Belderrar et al. | Real-time estimation of hospital discharge using fuzzy radial basis function network and electronic health record data | |
US20210151140A1 (en) | Event Data Modelling | |
WO2016006042A1 (ja) | データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム | |
EP3796226A1 (en) | Data conversion/symptom scoring | |
CN113990482A (zh) | 健康数据处理系统及方法 | |
CN117542474A (zh) | 基于大数据的远程护理监测系统及方法 | |
Bhadra et al. | Enhancing the efficacy of depression detection system using optimal feature selection from EHR | |
CN113345564B (zh) | 一种基于图神经网络的患者住院时长早期预测方法及装置 | |
CN117370565A (zh) | 一种信息检索方法及系统 | |
JP2023527290A (ja) | 露出可能なクラウドベースのレジストリを使用した治療のためのインテリジェントなワークフロー分析 | |
Li et al. | Bone disease prediction and phenotype discovery using feature representation over electronic health records | |
WO2023217737A1 (en) | Health data enrichment for improved medical diagnostics |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |