CN116844684A - 一种医学检验结果的质控处理方法、装置、设备及介质 - Google Patents
一种医学检验结果的质控处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116844684A CN116844684A CN202310567633.XA CN202310567633A CN116844684A CN 116844684 A CN116844684 A CN 116844684A CN 202310567633 A CN202310567633 A CN 202310567633A CN 116844684 A CN116844684 A CN 116844684A
- Authority
- CN
- China
- Prior art keywords
- sample
- graph
- patient
- quality control
- medical
- 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
- 238000003908 quality control method Methods 0.000 title claims abstract description 79
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000002558 medical inspection Methods 0.000 title description 13
- 238000012360 testing method Methods 0.000 claims abstract description 124
- 238000010339 medical test Methods 0.000 claims abstract description 80
- 230000005856 abnormality Effects 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 31
- 238000007689 inspection Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 98
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 102000001554 Hemoglobins Human genes 0.000 description 6
- 108010054147 Hemoglobins Proteins 0.000 description 6
- 238000013178 mathematical model Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 239000012472 biological sample Substances 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 239000013610 patient sample Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请提供一种医学检验结果的质控处理方法、装置、设备及介质，该方法包括：获取质控请求，并根据质控请求，获取质控请求中待质控医学检验项目的多个检验结果，以及与每个检验结果对应的患者信息；根据患者信息中的科室信息，构建以科室为中心节点、患者为终端节点的拓扑图；利用图网络对拓扑图进行特征提取，以获取拓扑图对应的图嵌入，并基于待质控医学检验项目对应的预配置的函数关系，确定图嵌入对应的检验结果的标准值；获取多个检验结果的平均值与标准值的差值，并在差值大于预设阈值，或者，差值与平均值的比值大于预设比例阈值时，确定待质控医学检验项目的检验结果异常，以生成携带有检验结果异常和仪器导致异常的提醒信息。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种医学检验结果的质控处理方法、装置、设备及介质。
背景技术
在当今的医疗诊断及治疗的过程中，通常需要通过医学实验室仪器设备对患者的生物样本进行检验得到医学检验结果，例如对患者的血液样本进行检验得到血红蛋白含量。为保证医学检验结果的准确可靠，还需要对医学检验分析过程进行质量控制，其中，判断所用的仪器状态是否在控是医学检验质量控制的重要环节。现有技术中对医学检验过程进行质量控制，采用统计学的方法，基于患者样本检验结果进行数学建模，通过数学模型对医学检验结果进行分析，由此检测仪器是否异常。
然而，现有技术在进行数学建模时，是直接通过分析检验数据反映仪器状态的，如此生成的数学模型往往无法准确地对医学检验结果进行异常检测。
发明内容
本申请提供一种医学检验结果的质控处理方法、装置、设备及介质，用于解决现有技术中对医学检验结果的质量控制方式不准确的问题。
第一方面，本申请提供一种医学检验结果的质控处理方法，包括：获取质控请求，并根据所述质控请求，获取所述质控请求中待质控医学检验项目的多个检验结果，以及与每个所述检验结果对应的患者信息；根据所述患者信息中的科室信息，构建以科室为中心节点、患者为终端节点的拓扑图；每个所述终端节点中包括对应患者的患者信息；利用图网络对所述拓扑图进行特征提取，以获取所述拓扑图对应的图嵌入，并基于所述待质控医学检验项目对应的预配置的函数关系，确定所述图嵌入对应的检验结果的标准值；获取所述多个检验结果的平均值与所述标准值的差值，并在所述差值大于预设阈值，或者，所述差值与所述平均值的比值大于预设比例阈值时，确定所述待质控医学检验项目的检验结果异常，以生成携带有检验结果异常和仪器导致异常的提醒信息。
在一种具体实施方式中，所述利用图网络对所述拓扑图进行特征提取，以获取所述拓扑图对应的图嵌入，包括：对所述拓扑图中的每一个终端节点进行注意力计算，获取所述拓扑图中每一个终端节点的特征值；将所述拓扑图中每一个终端节点的特征值进行整合，形成特征值数组，以作为所述拓扑图对应的图嵌入；其中，所述特征值表征所述终端节点与所述拓扑图中每一个终端节点的关系。
在一种具体实施方式中，所述待质控医学检验项目对应的预配置的函数关系的获取方式为：多次获取所述待质控医学检验项目的多个样本检验结果，以及与每个所述样本检验结果对应的样本患者信息；所述样本检验结果中不包含仪器异常因素；针对每一次获取的样本患者信息，根据所述样本患者信息中的科室信息，构建以科室为中心节点、患者为终端节点的样本拓扑图，每个所述终端节点中包括对应患者的样本患者信息；利用图网络对所述样本拓扑图进行特征提取，以获取所述样本拓扑图对应的样本图嵌入，并获取多个样本检验结果的平均值；根据多次获取的样本图嵌入以及对应的样本检验结果的平均值，拟合出图嵌入与检验结果的关系曲线，以获取所述待质控医学检验项目对应的预配置的函数关系。
在一种具体实施方式中，所述患者信息包括以下一项或多项的组合：患者年龄，患者性别，科室信息，初步诊断信息，患者类型，检测日期，检测时间以及参考区间。
第二方面，本申请提供一种医学检验结果的质控处理装置，包括：获取模块，用于获取质控请求，并根据所述质控请求，获取所述质控请求中待质控医学检验项目的多个检验结果，以及与每个所述检验结果对应的患者信息；处理模块，用于根据所述患者信息中的科室信息，构建以科室为中心节点、患者为终端节点的拓扑图；每个所述终端节点中包括对应患者的患者信息；所述处理模块，还用于利用图网络对所述拓扑图进行特征提取，以获取所述拓扑图对应的图嵌入，并基于所述待质控医学检验项目对应的预配置的函数关系，确定所述图嵌入对应的检验结果的标准值；所述处理模块，还用于获取所述多个检验结果的平均值与所述标准值的差值，并在所述差值大于预设阈值，或者，所述差值与所述平均值的比值大于预设比例阈值时，确定所述待质控医学检验项目的检验结果异常，以生成携带有检验结果异常和仪器导致异常的提醒信息。
在一种具体实施方式中，所述处理模块，具体用于：对所述拓扑图中的每一个终端节点进行注意力计算，获取所述拓扑图中每一个终端节点的特征值；将所述拓扑图中每一个终端节点的特征值进行整合，形成特征值数组，以作为所述拓扑图对应的图嵌入；其中，所述特征值表征所述终端节点与所述拓扑图中每一个终端节点的关系。
在一种具体实施方式中，所述处理模块，还用于：多次获取所述待质控医学检验项目的多个样本检验结果，以及与每个所述样本检验结果对应的样本患者信息；所述样本检验结果中不包含仪器异常因素；针对每一次获取的样本患者信息，根据所述样本患者信息中的科室信息，构建以科室为中心节点、患者为终端节点的样本拓扑图，每个所述终端节点中包括对应患者的样本患者信息；利用图网络对所述样本拓扑图进行特征提取，以获取所述样本拓扑图对应的样本图嵌入，并获取多个样本检验结果的平均值；根据多次获取的样本图嵌入以及对应的样本检验结果的平均值，拟合出图嵌入与检验结果的关系曲线，以获取所述待质控医学检验项目对应的预配置的函数关系。
在一种具体实施方式中，所述患者信息包括以下一项或多项的组合：患者年龄，患者性别，科室信息，初步诊断信息，患者类型，检测日期，检测时间以及参考区间。
第三方面，本申请提供一种电子设备，包括：处理器，存储器，通信接口；所述存储器用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行第一方面所述的医学检验结果的质控处理方法。
第四方面，本申请提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的医学检验结果的质控处理方法。
本申请提供一种医学检验结果的质控处理方法、装置、设备及介质，该方法包括：获取质控请求，并根据该质控请求，获取该质控请求中待质控医学检验项目的多个检验结果，以及与每个检验结果对应的患者信息；根据患者信息中的科室信息，构建以科室为中心节点、患者为终端节点的拓扑图；每个终端节点中包括对应患者的患者信息；利用图网络对该拓扑图进行特征提取，以获取该拓扑图对应的图嵌入，并基于该待质控医学检验项目对应的预配置的函数关系，确定该图嵌入对应的检验结果的标准值；获取多个检验结果的平均值与该标准值的差值，并在该差值大于预设阈值，或者，该差值与该平均值的比值大于预设比例阈值时，确定该待质控医学检验项目的检验结果异常，以生成携带有检验结果异常和仪器导致异常的提醒信息。相较于现有技术在进行数学建模时，直接通过分析检验数据反映仪器状态而造成生成的数学模型无法准确地对医学检验结果进行异常检测，本申请的医学检验结果的质控处理方法，基于获取的待质控医学检验项目的检验结果对应的患者信息构建拓扑图，并基于对该拓扑图进行特征提取获取的图嵌入和预配置的函数关系，确定综合考虑患者信息的检验结果的标准值，在获取的检验结果的平均值与标准值差距较大时，则确定该待质控医学检验项目的检验结果存在仪器异常导致的异常，从而有效地提高了对仪器异常导致的异常检验结果的识别率，解决了现有技术对医学检验结果的质量控制方式不准确的问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的一种医学检验结果的质控处理方法实施例一的流程示意图；
图2为本申请提供的一种拓扑图的示意图；
图3为本申请提供的一种医学检验结果的质控处理方法实施例二的流程示意图；
图4为本申请提供的一种医学检验结果的质控处理方法实施例三的流程示意图；
图5为拟合图嵌入与检验结果的关系曲线的示意图；
图6为本申请提供的一种医学检验结果的质控处理装置实施例的结构示意图；
图7为本申请提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在根据本实施例的启示下作出的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在当今的医疗诊断及治疗的过程中，通常需要通过医学实验室仪器设备对患者的生物样本进行检验得到医学检验结果，例如对患者的血液样本进行检验得到血红蛋白含量。为保证医学检验结果的准确可靠，还需要对医学检验分析过程进行质量控制，其中，判断所用的仪器状态是否在控是医学检验质量控制的重要环节。现有技术中对医学检验过程进行质量控制，采用统计学的方法，基于患者样本检验结果进行数学建模，通过数学模型对医学检验结果进行分析，由此检测仪器是否异常。
然而，现有技术在进行数学建模时，是直接通过分析检验数据反映仪器状态的，如此生成的数学模型往往无法准确地对医学检验结果进行异常检测。
基于上述技术问题，本申请的技术构思过程如下：如何提高对仪器异常导致的异常检验结果的识别率，解决现有技术对医学检验结果的质量控制方式不准确的问题。
下面，通过具体实施例对本申请的技术方案进行详细说明。需要说明的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图1为本申请提供的一种医学检验结果的质控处理方法实施例一的流程示意图。参见图1，该医学检验结果的质控处理方法具体包括以下步骤：
步骤S101：获取质控请求，并根据该质控请求，获取该质控请求中待质控医学检验项目的多个检验结果，以及与每个检验结果对应的患者信息。
在本实施例中，首先获取质控请求，该质控请求中包括待质控医学检验项目。示例性地，待质控医学检验项目可以为患者血液样本中的血红蛋白含量。根据该质控请求，获取该待质控医学检验项目的多个检验结果，以及与每个检验结果对应的患者信息。示例性地，可以获取10个检验结果，以及与这10个检验结果对应的患者信息。患者信息可以包括患者年龄，患者性别，科室信息，初步诊断信息，患者类型，检测日期，检测时间以及参考区间。
步骤S102：根据患者信息中的科室信息，构建以科室为中心节点、患者为终端节点的拓扑图；每个终端节点中包括对应患者的患者信息。
在本实施例中，利用获取的患者信息构建拓扑图。具体地，根据患者信息中的科室信息，构建以科室为中心节点、患者为终端节点的拓扑图。示例性地，获取到10个患者信息，根据这10个患者信息构建拓扑图。图2为本申请提供的一种拓扑图的示意图。如图2所示，这个患者分布在三个科室，分别为科室A、科室B、科室C，科室A包括患者1、患者2和患者3，科室B包括患者4、患者5和患者6，科室C包括患者7、患者8、患者9和患者10。每个终端节点中包括对应患者的患者信息，例如终端节点“患者1”中包括该患者的患者信息，患者年龄“65”，患者性别“男”，科室信息“心脏内科”，初步诊断信息“高血压”，患者类型“门诊”，检测日期“2022/04/28”，检测时间“08：30”，以及参考区间“120-160g/L”。
步骤S103：利用图网络对该拓扑图进行特征提取，以获取该拓扑图对应的图嵌入。
在本实施例中，图网络例如可以为图注意网络，图卷积网络等。其中，图注意力网络(Graph attention networks，简称GAT)是一种基于图结构数据的神经网络架构，可以对该拓扑图进行特征提取。示例性地，提取的特征可以表征各个终端节点与拓扑图中的每一个终端节点的关系。例如，终端节点“患者1”的特征x1表征其与其它终端节点“患者2”、“患者2”、…、“患者10”的关系。可以将各个终端节点的特征进行整合，即可得到拓扑图对应的图嵌入，例如[x1,x2,…,x10]。
步骤S104：基于该待质控医学检验项目对应的预配置的函数关系，确定该图嵌入对应的检验结果的标准值。
示例性地，预配置的函数关系可以为线性函数例如：y＝ax+b或非线性函数例如y＝ReLu(ax+b)，其中，y为检验结果标准值，x为图嵌入，a、b为系数，ReLu为激活函数。基于该待质控医学检验项目对应的预配置的函数关系，可以确定拓扑图对应的图嵌入所对应的检验结果的标准值。示例性地，将拓扑图对应的图嵌入[x1,x2,…,x10]代入预配置的函数关系y＝ax+b，即可得到对应的检验结果的标准值Y。
步骤S105：获取多个检验结果的平均值与该标准值的差值，并在该差值大于预设阈值，或者，该差值与该平均值的比值大于预设比例阈值时，确定该待质控医学检验项目的检验结果异常，以生成携带有检验结果异常和仪器导致异常的提醒信息。
在本实施例中，获取多个检验结果的平均值，例如将10个患者的血红蛋白含量值m1,m2,…,m10取平均值，得到多个检验结果的平均值M，并获取平均值M与标准值Y的差值。
在一种示例中，若该差值大于预设阈值，则确定待质控医学检验项目的检验结果异常，生成携带有检验结果异常和仪器导致异常的提醒信息。
在一种示例中，获取该差值与多个检验结果的平均值的比值，即平均值M与标准值Y的差值(M-Y)与标准值Y的比值。若该比值大于预设比例阈值，则确定待质控医学检验项目的检验结果异常，生成携带有检验结果异常和仪器导致异常的提醒信息。
在一种示例中，待质控医学检验项目的多个检验结果，可以包括获取质控请求的当前时刻获取的检验结果，以及获取质控请求前获取的历史检验结果。获取待质控医学检验项目的多个检验结果，以及与每个检验结果对应的患者信息，如此，可以将当前时刻获取的数据与历史数据组合为一组数据。
在该组数据中，根据患者信息中的科室信息，构建以科室为中心节点、患者为终端节点的拓扑图，形成一个用于质控的样本，每个终端节点中包括对应患者的患者信息。
利用图网络对拓扑图进行特征提取，以获取拓扑图对应的图嵌入，并基于待质控医学检验项目对应的预配置的函数关系，确定图嵌入对应的检验结果的标准值。
获取样本对应的一组数据的检验结果的平均值与标准值的差值，并在差值大于预设阈值，或者，差值与平均值的比值大于预设比例阈值时，确定待质控医学检验项目的检验结果异常，以生成携带有检验结果异常和仪器导致异常的提醒信息。
在本实施例中，获取质控请求，并根据该质控请求，获取该质控请求中待质控医学检验项目的多个检验结果，以及与每个检验结果对应的患者信息；根据患者信息中的科室信息，构建以科室为中心节点、患者为终端节点的拓扑图；每个终端节点中包括对应患者的患者信息；利用图网络对该拓扑图进行特征提取，以获取该拓扑图对应的图嵌入，并基于该待质控医学检验项目对应的预配置的函数关系，确定该图嵌入对应的检验结果的标准值；获取多个检验结果的平均值与该标准值的差值，并在该差值大于预设阈值，或者，该差值与该平均值的比值大于预设比例阈值时，确定该待质控医学检验项目的检验结果异常，以生成携带有检验结果异常和仪器导致异常的提醒信息。相较于现有技术进行数学建模时，直接通过分析检验数据反映仪器状态而造成生成的数学模型无法准确地对医学检验结果进行异常检测，本申请的医学检验结果的质控处理方法，基于获取的待质控医学检验项目的检验结果对应的患者信息构建拓扑图，并基于对该拓扑图进行特征提取获取的图嵌入和预配置的函数关系，确定综合考虑患者信息的检验结果的标准值，在获取的检验结果的平均值与标准值差距较大时，则确定该待质控医学检验项目的检验结果存在仪器异常导致的异常，从而有效地提高了对仪器异常导致的异常检验结果的识别率，解决了现有技术对医学检验结果的质量控制方式不准确的问题。
图3为本申请提供的一种医学检验结果的质控处理方法实施例二的流程示意图，在上述图1所示实施例的基础上，上述步骤S103具体包括以下步骤：
步骤S301：对拓扑图中的每一个终端节点进行注意力计算，获取该拓扑图中每一个终端节点的特征值。
步骤S302：将该拓扑图中每一个终端节点的特征值进行整合，形成特征值数组，以作为该拓扑图对应的图嵌入。
其中，该特征值表征该终端节点与该拓扑图中每一个终端节点的关系。
在本实施例中，可以利用图注意力网络对拓扑图进行特征提取，对拓扑图中的每一个终端节点进行注意力计算，获取该拓扑图中每一个终端节点的特征值。
具体地，对于每个终端节点i，采用如下公式，逐个计算拓扑图中的其它终端节点Ni与该终端节点i之间的相似系数；
eij＝a([Whi‖Whj])，j∈Ni
其中，hi表征终端节点i的节点特征，即其包含的患者信息；W表征共享线性变换；[Whi‖Whj]表征对于终端节点i和j变换后的节点特征进行拼接；a([Whi‖Whj])把拼接后的高维特征映射到一个实数上，由此得到的eij表征节点j对于节点i的重要性。
在得到终端节点i与各个终端节点的相似系数后，使用softmax函数进行归一化处理，得到注意力系数：
根据注意力系数，利用如下公式进行加权求和，得到终端节点i的特征值hi′：
将该拓扑图中每一个终端节点的特征值进行整合，形成特征值数组，将该特征值数组作为该拓扑图对应的图嵌入。示例性地，终端节点“患者1”的特征值为h′1，终端节点“患者2”的特征值为h′2，…，终端节点“患者10”的特征值为h′10，则将拓扑图中每一个终端节点的特征值进行整合，形成特征值数组[h′1,h′2,…,h′10]，将该特征值数组作为该拓扑图对应的图嵌入。
在本实施例中，对拓扑图中的每一个终端节点进行注意力计算，获取每一个终端节点的特征值，将拓扑图中每一个终端节点的特征值进行整合，形成特征值数组，以作为拓扑图对应的图嵌入。为后续基于待质控医学检验项目对应的预配置的函数关系，确定综合考虑患者信息的检验结果的标准值，进而识别仪器异常导致的异常检验结果，提供了前提条件。
图4为本申请提供的一种医学检验结果的质控处理方法实施例三的流程示意图，在上述图1至图3所示实施例的基础上，参见图4，待质控医学检验项目对应的预配置的函数关系的获取方式，具体包括以下步骤：
步骤S401：多次获取待质控医学检验项目的多个样本检验结果，以及与每个样本检验结果对应的样本患者信息；该样本检验结果中不包含仪器异常因素。
在本实施例中，多次获取待质控医学检验项目的多个样本检验结果，示例性地，待质控医学检验项目可以为患者血液样本中的血红蛋白含量。可以多次获取多个样本检验结果，例如血红蛋白含量的样本检验结果，该样本检验结果中不包含仪器异常因素，即该样本检验结果是在仪器不存在异常因素的状态下得到的。
示例性地，可以每次获取40个样本检验结果，以及与这40个样本检验结果对应的样本患者信息。样本患者信息可以包括患者年龄，患者性别，科室信息，初步诊断信息，患者类型，检测日期，检测时间以及参考区间。
步骤S402：针对每一次获取的样本患者信息，根据样本患者信息中的科室信息，构建以科室为中心节点、患者为终端节点的样本拓扑图，每个终端节点中包括对应患者的样本患者信息。
在本实施例中，根据每一次获取的样本患者信息中的科室信息，构建以科室为中心节点、患者为终端节点的样本拓扑图。其中，每个终端节点中包括对应患者的样本患者信息。由此，可以根据多次获取的样本患者信息，构建多个样本拓扑图。
步骤S403：利用图网络对该样本拓扑图进行特征提取，以获取该样本拓扑图对应的样本图嵌入，并获取多个样本检验结果的平均值。
在本实施例中，利用图网络对每一个样本拓扑图进行特征提取，获取每个样本拓扑图对应的样本图嵌入。由此，可以分别获取多个样本拓扑图对应的多个样本图嵌入。其中，图网络例如可以为图注意网络，图卷积网络等。
在本实施例中，针对每一次获取的多个样本检验结果，获取这些样本检验结果的平均值。如此，针对每一次获取的多个样本检验结果以及与每个样本检验结果对应的样本患者信息，都可以获取一个样本图嵌入以及一个样本检验结果的平均值。样本图嵌入与样本检验结果的平均值一一对应。
步骤S404：根据多次获取的样本图嵌入以及对应的样本检验结果的平均值，拟合出图嵌入与检验结果的关系曲线，以获取该待质控医学检验项目对应的预配置的函数关系。
在本实施例中，根据多次获取的样本图嵌入以及对应的样本检验结果的平均值，在以图嵌入为横坐标、检验结果为纵坐标的坐标系中，以坐标点的方式描绘出来。图5为拟合图嵌入与检验结果的关系曲线的示意图。如图5所示，将多次获取的样本图嵌入以及对应的样本检验结果的平均值在坐标系中以坐标点的方式描绘出来，利用坐标点，拟合出图嵌入与检验结果的关系曲线。如图5所示，根据多个坐标点拟合出的图嵌入与检验结果的关系曲线为线性函数曲线：y＝ax+b，根据该曲线，可以确定该线性函数的系数a＝1，b＝2。由此，可以确定待质控医学检验项目对应的预配置的函数关系为y＝x+2。
在本实施例中，利用多次获取待质控医学检验项目的多个样本检验结果，以及与每个样本检验结果对应的样本患者信息，构建样本拓扑图并进行特征提取以获取样本图嵌入，并获取多个样本检验结果的平均值，根据多次获取的样本图嵌入以及对应的样本检验结果的平均值，拟合图嵌入与检验结果的关系曲线，以获取该待质控医学检验项目对应的预配置的函数关系，为后续基于该预配置的函数关系，进行医学检验结果的质量控制提供了前提条件。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图6为本申请提供的一种医学检验结果的质控处理装置实施例的结构示意图；如图6所示，该医学检验结果的质控处理装置60包括：获取模块61以及处理模块62。其中，获取模块61用于获取质控请求，并根据该质控请求，获取该质控请求中待质控医学检验项目的多个检验结果，以及与每个检验结果对应的患者信息；处理模块62用于根据患者信息中的科室信息，构建以科室为中心节点、患者为终端节点的拓扑图；每个终端节点中包括对应患者的患者信息；处理模块62还用于利用图网络对该拓扑图进行特征提取，以获取该拓扑图对应的图嵌入，并基于该待质控医学检验项目对应的预配置的函数关系，确定该图嵌入对应的检验结果的标准值；处理模块62还用于获取多个检验结果的平均值与该标准值的差值，并在该差值大于预设阈值，或者，该差值与该平均值的比值大于预设比例阈值时，确定该待质控医学检验项目的检验结果异常，以生成携带有检验结果异常和仪器导致异常的提醒信息。
本申请实施例提供的医学检验结果的质控处理装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
在一种可能的实施方案中，处理模块62具体用于对该拓扑图中的每一个终端节点进行注意力计算，获取该拓扑图中每一个终端节点的特征值；将该拓扑图中每一个终端节点的特征值进行整合，形成特征值数组，以作为该拓扑图对应的图嵌入；其中，该特征值表征该终端节点与该拓扑图中每一个终端节点的关系。
本申请实施例提供的医学检验结果的质控处理装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
在一种可能的实施方案中，处理模块62还用于多次获取该待质控医学检验项目的多个样本检验结果，以及与每个样本检验结果对应的样本患者信息；该样本检验结果中不包含仪器异常因素；针对每一次获取的样本患者信息，根据样本患者信息中的科室信息，构建以科室为中心节点、患者为终端节点的样本拓扑图，每个终端节点中包括对应患者的样本患者信息；利用图网络对该样本拓扑图进行特征提取，以获取该样本拓扑图对应的样本图嵌入，并获取多个样本检验结果的平均值；根据多次获取的样本图嵌入以及对应的样本检验结果的平均值，拟合出图嵌入与检验结果的关系曲线，以获取该待质控医学检验项目对应的预配置的函数关系。
在一种可能的实施方案中，患者信息包括以下一项或多项的组合：患者年龄，患者性别，科室信息，初步诊断信息，患者类型，检测日期，检测时间以及参考区间。
本申请实施例提供的医学检验结果的质控处理装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
图7为本申请提供的一种电子设备的结构示意图。如图7所示，该电子设备70包括：处理器71，存储器72，以及通信接口73；其中，存储器72用于存储处理器71的可执行指令；处理器71配置为经由执行可执行指令来执行前述任一方法实施例中的技术方案。
可选的，存储器72既可以是独立的，也可以跟处理器71集成在一起。
可选的，当存储器72是独立于处理器71之外的器件时，电子设备70还可以包括：总线74，用于将上述器件连接起来。
该电子设备用于执行前述任一方法实施例中的技术方案，其实现原理和技术效果类似，在此不再赘述。
本申请实施例还提供一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现前述任一实施例提供的技术方案。
本领域普通技术人员可以理解：实现上述各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一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种医学检验结果的质控处理方法，其特征在于，包括：
获取质控请求，并根据所述质控请求，获取所述质控请求中待质控医学检验项目的多个检验结果，以及与每个所述检验结果对应的患者信息；
根据所述患者信息中的科室信息，构建以科室为中心节点、患者为终端节点的拓扑图；每个所述终端节点中包括对应患者的患者信息；
利用图网络对所述拓扑图进行特征提取，以获取所述拓扑图对应的图嵌入，并基于所述待质控医学检验项目对应的预配置的函数关系，确定所述图嵌入对应的检验结果的标准值；
获取所述多个检验结果的平均值与所述标准值的差值，并在所述差值大于预设阈值，或者，所述差值与所述平均值的比值大于预设比例阈值时，确定所述待质控医学检验项目的检验结果异常，以生成携带有检验结果异常和仪器导致异常的提醒信息。
2.根据权利要求1所述的医学检验结果的质控处理方法，其特征在于，所述利用图网络对所述拓扑图进行特征提取，以获取所述拓扑图对应的图嵌入，包括：
对所述拓扑图中的每一个终端节点进行注意力计算，获取所述拓扑图中每一个终端节点的特征值；
将所述拓扑图中每一个终端节点的特征值进行整合，形成特征值数组，以作为所述拓扑图对应的图嵌入；
其中，所述特征值表征所述终端节点与所述拓扑图中每一个终端节点的关系。
3.根据权利要求2所述的医学检验结果的质控处理方法，其特征在于，所述待质控医学检验项目对应的预配置的函数关系的获取方式为：
多次获取所述待质控医学检验项目的多个样本检验结果，以及与每个所述样本检验结果对应的样本患者信息；所述样本检验结果中不包含仪器异常因素；
针对每一次获取的样本患者信息，根据所述样本患者信息中的科室信息，构建以科室为中心节点、患者为终端节点的样本拓扑图，每个所述终端节点中包括对应患者的样本患者信息；
利用图网络对所述样本拓扑图进行特征提取，以获取所述样本拓扑图对应的样本图嵌入，并获取多个样本检验结果的平均值；
根据多次获取的样本图嵌入以及对应的样本检验结果的平均值，拟合出图嵌入与检验结果的关系曲线，以获取所述待质控医学检验项目对应的预配置的函数关系。
4.根据权利要求1至3中任一项所述的医学检验结果的质控处理方法，其特征在于，所述患者信息包括以下一项或多项的组合：
患者年龄，患者性别，科室信息，初步诊断信息，患者类型，检测日期，检测时间以及参考区间。
5.一种医学检验结果的质控处理装置，其特征在于，包括：
获取模块，用于获取质控请求，并根据所述质控请求，获取所述质控请求中待质控医学检验项目的多个检验结果，以及与每个所述检验结果对应的患者信息；
处理模块，用于根据所述患者信息中的科室信息，构建以科室为中心节点、患者为终端节点的拓扑图；每个所述终端节点中包括对应患者的患者信息；
所述处理模块，还用于利用图网络对所述拓扑图进行特征提取，以获取所述拓扑图对应的图嵌入，并基于所述待质控医学检验项目对应的预配置的函数关系，确定所述图嵌入对应的检验结果的标准值；
所述处理模块，还用于获取所述多个检验结果的平均值与所述标准值的差值，并在所述差值大于预设阈值，或者，所述差值与所述平均值的比值大于预设比例阈值时，确定所述待质控医学检验项目的检验结果异常，以生成携带有检验结果异常和仪器导致异常的提醒信息。
6.根据权利要求5所述的医学检验结果的质控处理装置，其特征在于，所述处理模块，具体用于：
对所述拓扑图中的每一个终端节点进行注意力计算，获取所述拓扑图中每一个终端节点的特征值；
将所述拓扑图中每一个终端节点的特征值进行整合，形成特征值数组，以作为所述拓扑图对应的图嵌入；
其中，所述特征值表征所述终端节点与所述拓扑图中每一个终端节点的关系。
7.根据权利要求6所述的医学检验结果的质控处理装置，其特征在于，所述处理模块，还用于：
多次获取所述待质控医学检验项目的多个样本检验结果，以及与每个所述样本检验结果对应的样本患者信息；所述样本检验结果中不包含仪器异常因素；
针对每一次获取的样本患者信息，根据所述样本患者信息中的科室信息，构建以科室为中心节点、患者为终端节点的样本拓扑图，每个所述终端节点中包括对应患者的样本患者信息；
利用图网络对所述样本拓扑图进行特征提取，以获取所述样本拓扑图对应的样本图嵌入，并获取多个样本检验结果的平均值；
根据多次获取的样本图嵌入以及对应的样本检验结果的平均值，拟合出图嵌入与检验结果的关系曲线，以获取所述待质控医学检验项目对应的预配置的函数关系。
8.根据权利要求5至7中任一项所述的医学检验结果的质控处理装置，其特征在于，所述患者信息包括以下一项或多项的组合：
患者年龄，患者性别，科室信息，初步诊断信息，患者类型，检测日期，检测时间以及参考区间。
9.一种电子设备，其特征在于，包括：
处理器，存储器，通信接口；
所述存储器用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至4中任一项所述的医学检验结果的质控处理方法。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的医学检验结果的质控处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310567633.XA CN116844684B (zh) | 2023-05-18 | 2023-05-18 | 一种医学检验结果的质控处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310567633.XA CN116844684B (zh) | 2023-05-18 | 2023-05-18 | 一种医学检验结果的质控处理方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116844684A true CN116844684A (zh) | 2023-10-03 |
| CN116844684B CN116844684B (zh) | 2024-04-02 |
Family
ID=88162381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310567633.XA Active CN116844684B (zh) | 2023-05-18 | 2023-05-18 | 一种医学检验结果的质控处理方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116844684B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008305358A (ja) * | 2007-06-11 | 2008-12-18 | Nidek Co Ltd | 医療情報管理システム |
| US20090172773A1 (en) * | 2005-02-01 | 2009-07-02 | Newsilike Media Group, Inc. | Syndicating Surgical Data In A Healthcare Environment |
| CN105116156A (zh) * | 2015-07-22 | 2015-12-02 | 江苏英诺华医疗技术有限公司 | 一种优化的适合医学检验的生化检测方法 |
| CN105139162A (zh) * | 2015-10-16 | 2015-12-09 | 上海市浦东新区周浦医院 | 一种管理危重患者的临床诊疗信息及质控方法及系统 |
| CN108899076A (zh) * | 2018-06-12 | 2018-11-27 | 涓ユ不 | 一种医疗质控信息化系统及其控制方法 |
| WO2021189730A1 (zh) * | 2020-03-27 | 2021-09-30 | 深圳壹账通智能科技有限公司 | 检测异常高密子图的方法、装置、设备及存储介质 |
| CN113537274A (zh) * | 2021-04-14 | 2021-10-22 | 内蒙古卫数数据科技有限公司 | 一种基于机器学习技术的设备异常识别方法 |
| CN115691722A (zh) * | 2022-04-15 | 2023-02-03 | 首都医科大学附属北京朝阳医院 | 医疗数据检测的质控方法、装置、设备、介质及程序产品 |
| CN115910364A (zh) * | 2022-11-18 | 2023-04-04 | 首都医科大学附属北京朝阳医院 | 医学检验质控模型训练方法、医学检验质控方法及系统 |
-
2023
- 2023-05-18 CN CN202310567633.XA patent/CN116844684B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090172773A1 (en) * | 2005-02-01 | 2009-07-02 | Newsilike Media Group, Inc. | Syndicating Surgical Data In A Healthcare Environment |
| JP2008305358A (ja) * | 2007-06-11 | 2008-12-18 | Nidek Co Ltd | 医療情報管理システム |
| CN105116156A (zh) * | 2015-07-22 | 2015-12-02 | 江苏英诺华医疗技术有限公司 | 一种优化的适合医学检验的生化检测方法 |
| CN105139162A (zh) * | 2015-10-16 | 2015-12-09 | 上海市浦东新区周浦医院 | 一种管理危重患者的临床诊疗信息及质控方法及系统 |
| CN108899076A (zh) * | 2018-06-12 | 2018-11-27 | 涓ユ不 | 一种医疗质控信息化系统及其控制方法 |
| WO2021189730A1 (zh) * | 2020-03-27 | 2021-09-30 | 深圳壹账通智能科技有限公司 | 检测异常高密子图的方法、装置、设备及存储介质 |
| CN113537274A (zh) * | 2021-04-14 | 2021-10-22 | 内蒙古卫数数据科技有限公司 | 一种基于机器学习技术的设备异常识别方法 |
| CN115691722A (zh) * | 2022-04-15 | 2023-02-03 | 首都医科大学附属北京朝阳医院 | 医疗数据检测的质控方法、装置、设备、介质及程序产品 |
| CN115910364A (zh) * | 2022-11-18 | 2023-04-04 | 首都医科大学附属北京朝阳医院 | 医学检验质控模型训练方法、医学检验质控方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116844684B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7100336B2 (ja) | デジタル病理学のために、画像を処理し、処理された画像を分類するためのシステムおよび方法 | |
| CN110473615B (zh) | 一种信息处理方法及装置 | |
| KR102498686B1 (ko) | 품질 제어를 위해 전자 이미지들을 분석하기 위한 시스템들 및 방법들 | |
| CN101478912A (zh) | 评估痴呆与痴呆型紊乱 | |
| US7315784B2 (en) | Network for evaluating data obtained in a biochip measurement device | |
| TW202032435A (zh) | 用於判定體液樣品中之分析物濃度的方法和系統及用於產生軟體實施模組的方法和系統 | |
| CN112885481A (zh) | 病例分组方法、装置、电子设备及存储介质 | |
| KR102221067B1 (ko) | 네트워크 엔트로피에 기초하는 생체의 상태 천이의 예조의 검출을 지원하는 검출 장치, 검출 방법 및 검출 프로그램 | |
| JP6060209B2 (ja) | 品質管理物質の統計学的に有効な分析平均値および分析範囲を得るシステムおよび方法 | |
| CN110403611B (zh) | 血液中糖化血红蛋白成分值预测方法、装置、计算机设备和存储介质 | |
| WO2014050160A1 (ja) | 動的ネットワークバイオマーカーの検出装置、検出方法及び検出プログラム | |
| CN113360611A (zh) | 基于检查结果的ai诊断方法、装置、存储介质和设备 | |
| CN116844684B (zh) | 一种医学检验结果的质控处理方法、装置、设备及介质 | |
| US20230022030A1 (en) | Systems and methods for processing images for image matching | |
| JP6198161B2 (ja) | 動的ネットワークバイオマーカーの検出装置、検出方法及び検出プログラム | |
| CN111601539A (zh) | 一种自动诊断对象病症的方法及实施该方法的系统 | |
| CN114266738A (zh) | 轻度脑损伤磁共振影像数据的纵向分析方法及系统 | |
| WO2021103623A1 (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
| CN110706803A (zh) | 一种确定心肌纤维化的方法、装置、可读介质及电子设备 | |
| CN113344914B (zh) | 基于图像识别智能分析ppd皮试结果的方法及装置 | |
| CN117011242B (zh) | 经颈静脉肝内门体分流术后肝性脑病预测方法和系统 | |
| CN117637154B (zh) | 一种基于优化算法的神经内科重症指标预测方法及系统 | |
| KR20190081825A (ko) | 질량 분석 및 기계 학습을 활용하는 암 결정기 및 암 결정기가 수행하는 방법 | |
| Jin et al. | Unidimensionality, agreement and concordance probability | |
| CN115798710A (zh) | 一种基于正交逆学习神经网络的糖尿病诊断方法 |
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 |