CN116844733B - 一种基于人工智能的医疗数据完整性分析方法 - Google Patents
一种基于人工智能的医疗数据完整性分析方法 Download PDFInfo
- Publication number
- CN116844733B CN116844733B CN202311113587.2A CN202311113587A CN116844733B CN 116844733 B CN116844733 B CN 116844733B CN 202311113587 A CN202311113587 A CN 202311113587A CN 116844733 B CN116844733 B CN 116844733B
- Authority
- CN
- China
- Prior art keywords
- medical data
- monitoring
- integrity
- acquiring
- flow
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 176
- 238000012545 processing Methods 0.000 claims abstract description 68
- 238000013479 data entry Methods 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 64
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000024891 symptom Diseases 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
一种基于人工智能的医疗数据完整性分析方法,涉及医疗数据监管技术领域,获取医疗数据录入流程信息,根据所述流程信息设置医疗数据监测点位,获取各个点位的医疗数据监测指标和医疗数据;构建医疗数据录入全流程模型;根据医疗数据获取各医疗数据监测点位的医疗数据完整性评价结果,并生成数据完整性异常警报信号;获取各医疗数据监测点位的非完整性医疗数据与处理场景序列之间的关联度,在所述医疗数据录入全流程模型的基础上通过机器学习添加医疗数据完整性监测模型;进行各流程子序列的医疗数据完整性预警,并将医疗数据完整性预警信息进行可视化显示,显著提高了医疗数据完整性监测的效率和精度。
Description
技术领域
本发明涉及医疗数据监管技术领域,具体是一种基于人工智能的医疗数据完整性分析方法。
背景技术
医疗数据对医疗行业的发展、患者的治疗和科学的进步都起到关键作用,通过分析患者的个人医疗数据,可以实现个性化的治疗,提高治疗效果,并减少不必要的医疗费用和风险,同时医疗数据对于科学研究和医学创新起到重要作用,研究人员可以利用医疗数据进行大规模的数据分析和挖掘,探索疾病发生机制、评估治疗效果、发现新的药物和治疗方法等,医疗数据对医疗行业的发展和患者的治疗都具有深远影响。
医疗数据完整性分析过程面对多重困难,具有一定的挑战性,目前医疗数据完整性分析过程还比较落后,大多数还是分散监测、单独检测,数据监测点多,大多采用人工监测,医疗数据集中处理难度较大,另外医疗数据完整性分析过程同时也具有医疗数据录入设备数量多、信息量大和故障排查困难等问题。因此针对医疗数据完整性分析过程监测效率低、精度差,无法进行实时动态监测的不足,提出了一种基于人工智能的医疗数据完整性分析方法是现阶段亟需解决的问题。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的医疗数据完整性分析方法,包括以下步骤:
步骤S1:获取医疗数据录入流程信息,根据所述流程信息设置医疗数据监测点位,获取各个点位的医疗数据监测指标和医疗数据;
步骤S2:构建医疗数据录入全流程模型;根据医疗数据获取各医疗数据监测点位的医疗数据完整性评价结果,并根据医疗数据完整性监测结果生成数据完整性异常警报信号;
步骤S3:获取各医疗数据监测点位的非完整性医疗数据与处理场景序列之间的关联度,在所述医疗数据录入全流程模型的基础上通过机器学习添加医疗数据完整性监测模型;
步骤S4:根据医疗数据完整性监测模型的医疗数据完整性预测结果进行各流程子序列的医疗数据完整性预警,并将医疗数据完整性预警信息进行可视化显示。
进一步的,获取医疗数据录入流程信息,根据所述流程信息设置医疗数据监测点位,获取各个点位的医疗数据监测指标和医疗数据的过程包括:
获取当前医疗数据录入的流程信息,根据所述流程信息提取医疗单元特性,将医疗数据录入过程按照医疗单元特性进行划分,划分为若干流程子序列;
在各流程子序列设置医疗数据监测点位,根据对应流程子序列的医疗单元特性中的功能特性利用数据检索获取各个医疗数据监测点位的医疗数据监测指标;
所述医疗数据监测点位根据医疗数据监测指标实时获取医疗数据并标记监测时间,设置监测周期。
进一步的,构建医疗数据录入全流程模型的过程包括:
获取当前医疗数据录入流程中各流程子序列所在的医院科室的物理实体,获取当前医疗数据录入流程中各个医院科室及对应医疗数据监测点位的多源异构数据,并对多源异构数据进行数据格式预处理;
将医院科室的物理实体进行三维建模映射到数字空间,在各医院科室的三维模型上设置API接口,将预处理后的多源异构数据生成孪生数据,获取医疗数据录入流程中各医院科室的医疗数据录入步骤顺序,根据医院科室的医疗数据录入步骤顺序将孪生数据与三维模型进行匹配获取数字孪生模型;
获取各流程子序列的不同处理场景信息,将不同处理场景信息处理为场景序列,将所述场景序列存储至数字空间,将数字孪生模型中医院科室的三维模型结合各流程子序列当前场景序列生成医疗数据录入全流程模型。
进一步的,根据医疗数据获取各医疗数据监测点位的医疗数据完整性评价结果,并根据医疗数据完整性监测结果生成数据完整性异常警报信号的过程包括:
获取各医疗数据监测点位的医疗数据,提取医疗数据中的特征信息,并设置各医疗数据监测点位的医疗数据监测指标的预设特征信息,将医疗数据的特征信息与医疗数据监测指标的预设特征信息进行对比判断医疗数据完整性;
当医疗数据中存在缺失特征时,将对应医疗数据监测点位的医疗数据标记为非完整性医疗数据,并生成数据完整性异常警报信号;
当医疗数据中不存在缺失特征时,将对应医疗数据监测点位的医疗数据标记为完整性医疗数据。
进一步的,获取各医疗数据监测点位的非完整性医疗数据与处理场景序列之间的关联度的过程包括:
获取各医疗数据监测点位在不同的处理场景序列条件下的医疗数据存在缺失特征的最高历史发生概率和最低历史发生概率,根据各医疗数据监测点位的在不同的处理场景序列条件下的医疗数据存在缺失特征的最高历史发生概率与最低历史发生概率的差值构建关于非完整性医疗数据与处理场景序列之间关联度的评价标准,并构建表示非完整性医疗数据与处理场景序列之间的关联度与评价标准之间的模糊关系的隶属度矩阵R;
获取各医疗数据监测点位的医疗数据在不同的场景序列条件下存在缺失特征的平均历史发生概率,并以所述平均历史发生概率为权重系数构建权重矩阵B;
将所述权重矩阵B与所述隶属度矩阵R融合,得到各医疗数据监测点位的非完整性医疗数据与处理场景序列之间关联度的模糊综合评价结果向量Y,根据模糊综合评价结果向量Y获取表示医疗数据监测点位的非完整性医疗数据与处理场景序列之间关联度的关联系数。
进一步的,在所述医疗数据录入全流程模型的基础上通过机器学习添加医疗数据完整性监测模型的过程包括:
基于机器学习构建医疗数据完整性监测模型,在医疗数据录入全流程模型中各医院科室的三维模型API接口上链接医疗数据完整性监测模型;
根据医疗数据录入过程中各医疗数据监测点位的历史非完整性医疗数据的缺失特征和不同处理场景序列构建历史数据集;
将所述历史数据集划分为训练集、测试集,通过训练集对医疗数据完整性监测模型进行实时学习训练,直至损失函数训练平稳,并保存模型参数,之后通过测试集对迭代训练后的医疗数据完整性监测模型的输出数据矩阵进行相似度验证,获得通过测试集验证的医疗数据完整性监测模型。
进一步的,通过医疗数据完整性监测模型对医疗数据录入过程中的非完整性医疗数据进行预测的过程包括:
当获取数据完整性异常警报信号时,基于数据完整性异常警报信号进行数据完整性异常警报信号所在医疗数据监测点位的初步定位,获取所述医疗数据监测点位的医疗数据的缺失特征和所在监测周期内不同监测时间所对应处理场景序列;
根据当前监测周期内不同处理场景序列的监测时间所占比例和关联系数获取不同处理场景序列对医疗数据完整性的影响系数,根据所述影响系数大小将不同处理场景序列进行排序筛选,将筛选后的处理场景序列与医疗数据的缺失特征进行匹配,生成处理场景序列与医疗数据的缺失特征匹配的输入数据集;
将输入数据集中的处理场景序列与医疗数据的缺失特征输入医疗数据完整性监测模型生成当前监测周期内剩余监测时间的非完整性医疗数据的发生概率。
进一步的,根据医疗数据完整性监测模型的医疗数据完整性预测结果进行各流程子序列的医疗数据完整性预警,并将医疗数据完整性预警信息进行可视化显示过程包括:
根据所述医疗数据录入全流程模型获取各流程子序列的医院科室三维模型,在所述医疗数据录入全流程模型中的三维模型上设置分级预警机制,不同的预警等级对应不同的显示颜色;
判断各流程子序列当前监测周期内剩余监测时间的非完整性医疗数据发生概率是否大于预设概率阈值,若大于,则获取非完整性医疗数据发生概率与预设概率阈值的概率差值,根据所述概率差值获取对应预警等级与各流程子序列对应的医院科室三维模型进行匹配。
与现有技术相比,本发明的有益效果是:本发明公开了一种基于人工智能的医疗数据完整性分析方法,包括:获取当前医疗数据录入流程信息,设置各医疗数据监测点位的医疗数据的监测指标;通过医疗数据监测指标获取各个点位的医疗数据监测结果,构建医疗数据录入全流程模型,根据医疗数据监测结果利用医疗数据录入全流程模型进行实时监测及控制;判断生医疗数据录入过程的非完整性医疗数据信息,获取各医疗数据监测点位的非完整性医疗数据与处理场景序列之间的关联度,通过机器学习添加医疗数据完整性监测模型进行实时学习,根据非完整性医疗数据与处理场景序列之间的关联度、处理场景序列和医疗数据的缺失特征进医疗数据录入过程的非完整性数据的预测,并通过医疗数据录入全流程模型进行可视化显示。本发明通过对医疗数据录入全过程进行远程监管,实现了对医疗数据完整性的实时监测及医疗数据录入过程中非完整性数据的预测,显著提高了医疗数据完整性监测的效率和精度。
附图说明
图1为本申请实施例的一种基于人工智能的医疗数据完整性分析方法的原理图。
具体实施方式
下面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、完整的描述,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,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1所示,一种基于人工智能的医疗数据完整性分析方法,包括以下步骤:
步骤S1:获取医疗数据录入流程信息,根据所述流程信息设置医疗数据监测点位,获取各个点位的医疗数据监测指标和医疗数据;
步骤S2:构建医疗数据录入全流程模型;根据医疗数据获取各医疗数据监测点位的医疗数据完整性评价结果,并根据医疗数据完整性监测结果生成数据完整性异常警报信号;
步骤S3:获取各医疗数据监测点位的非完整性医疗数据与处理场景序列之间的关联度,在所述医疗数据录入全流程模型的基础上通过机器学习添加医疗数据完整性监测模型;
步骤S4:根据医疗数据完整性监测模型的医疗数据完整性预测结果进行各流程子序列的医疗数据完整性预警,并将医疗数据完整性预警信息进行可视化显示。
需要进一步说明的是,在具体实施过程中,获取医疗数据录入流程信息,根据所述流程信息设置医疗数据监测点位,获取各个点位的医疗数据监测指标和医疗数据的过程包括:
获取当前医疗数据录入的流程信息,根据所述流程信息提取医疗单元特性,将医疗数据录入过程按照医疗单元特性进行划分,划分为若干流程子序列;
在各流程子序列设置医疗数据监测点位,根据对应流程子序列的医疗单元特性中的功能特性利用数据检索获取各个医疗数据监测点位的医疗数据监测指标;
所述医疗数据监测点位根据医疗数据监测指标实时获取医疗数据并标记监测时间,设置监测周期。
需要进一步说明的是,在具体实施过程中,医疗数据录入的流程信息包括患者与医生进行面诊的相关医院科室、医生根据患者的症状和需要指示患者进行一系列的体格检查或指示实验室检验的相关医院科室、患者根据需要进行影像学检查(如X光、CT扫描、核磁共振等)的相关医院科室、在合法和隐私保护的前提下,患者的医疗数据可以被共享给其他医疗专业人员、研究机构和卫生部门进行研究的相关医院科室等。
需要进一步说明的是,在具体实施过程中,构建医疗数据录入全流程模型的过程包括:
获取当前医疗数据录入流程中各流程子序列所在的医院科室的物理实体,获取当前医疗数据录入流程中各个医院科室及对应医疗数据监测点位的多源异构数据,并对多源异构数据进行数据格式预处理;
将医院科室的物理实体进行三维建模映射到数字空间,在各医院科室的三维模型上设置API接口,将预处理后的多源异构数据生成孪生数据,获取医疗数据录入流程中各医院科室的医疗数据录入步骤顺序,根据医院科室的医疗数据录入步骤顺序将孪生数据与三维模型进行匹配获取数字孪生模型;
获取各流程子序列的不同处理场景信息,将不同处理场景信息处理为场景序列,将所述场景序列存储至数字空间,将数字孪生模型中医院科室的三维模型结合各流程子序列当前场景序列生成医疗数据录入全流程模型。
需要进一步说明的是,在具体实施过程中,各流程子序列的不同处理场景信息包括门诊科室、急诊科室、内科科室、外科科室、妇产科室、儿科科室、检验科室、影像科室等科室以及不同科室的就诊人数、就诊累计时间、科室的医疗设备故障发生概率等。
需要进一步说明的是,在具体实施过程中,根据医疗数据获取各医疗数据监测点位的医疗数据完整性评价结果,并根据医疗数据完整性监测结果生成数据完整性异常警报信号的过程包括:
获取各医疗数据监测点位的医疗数据,提取医疗数据中的特征信息,并设置各医疗数据监测点位的医疗数据监测指标的预设特征信息,将医疗数据的特征信息与医疗数据监测指标的预设特征信息进行对比判断医疗数据完整性;
当医疗数据中存在缺失特征时,将对应医疗数据监测点位的医疗数据标记为非完整性医疗数据,并生成数据完整性异常警报信号;
当医疗数据中不存在缺失特征时,将对应医疗数据监测点位的医疗数据标记为完整性医疗数据。
需要进一步说明的是,在具体实施过程中,医疗数据中的特征信息包括患者的处方基本信息、患者的个人基本信息、患者的疾病诊断信息、医疗诊断时间信息;例如,从医疗数据中提取出的门诊号、处方编号、日期、科别、费别、药房等处方基本信息;患者的年龄、性别、病历号、临床诊断、长期用药等个人基本信息;患者的诊断结果、治疗方案、药物使用等疾病诊断信息和患者就诊的时间间隔、病程的持续时间、就诊时间的季节性等医疗诊断时间信息。
需要进一步说明的是,在具体实施过程中,获取各医疗数据监测点位的非完整性医疗数据与处理场景序列之间的关联度的过程包括:
获取各医疗数据监测点位在不同的处理场景序列条件下的医疗数据存在缺失特征的最高历史发生概率和最低历史发生概率,根据各医疗数据监测点位的在不同的处理场景序列条件下的医疗数据存在缺失特征的最高历史发生概率与最低历史发生概率的差值构建关于非完整性医疗数据与处理场景序列之间关联度的评价标准,并构建表示非完整性医疗数据与处理场景序列之间的关联度与评价标准之间的模糊关系的隶属度矩阵R;
获取各医疗数据监测点位的医疗数据在不同的场景序列条件下存在缺失特征的平均历史发生概率,并以所述平均历史发生概率为权重系数构建权重矩阵B;
将所述权重矩阵B与所述隶属度矩阵R融合,得到各医疗数据监测点位的非完整性医疗数据与处理场景序列之间关联度的模糊综合评价结果向量Y,根据模糊综合评价结果向量Y获取表示医疗数据监测点位的非完整性医疗数据与处理场景序列之间关联度的关联系数。
需要进一步说明的是,在具体实施过程中,将所述权重矩阵B与所述隶属度矩阵R融合,得到各医疗数据监测点位的非完整性医疗数据与处理场景序列之间关联度的模糊综合评价结果向量Y的过程包括:
通过如下公式融合所述权重矩阵B与所述隶属度矩阵R以获得各项数据的模糊综合评价矩阵M,从而获取模糊综合评价矩阵M中各处理场景序列对应的模糊综合评价结果向量Y;
其中,所述公式为:
;
其中,“”表示所述权重矩阵和所述隶属度矩阵相对应位置处的元素相加,
为用于控制所述各项数据的模糊综合评价矩阵中所述权重矩阵和所述隶属度矩阵之间的
平衡的加权参数。
需要进一步说明的是,在具体实施过程中,在所述医疗数据录入全流程模型的基础上通过机器学习添加医疗数据完整性监测模型的过程包括:
基于机器学习构建医疗数据完整性监测模型,在医疗数据录入全流程模型中各医院科室的三维模型API接口上链接医疗数据完整性监测模型;
根据医疗数据录入过程中各医疗数据监测点位的历史非完整性医疗数据的缺失特征和不同处理场景序列构建历史数据集;
将所述历史数据集划分为训练集、测试集,通过训练集对医疗数据完整性监测模型进行实时学习训练,直至损失函数训练平稳,并保存模型参数,之后通过测试集对迭代训练后的医疗数据完整性监测模型的输出数据矩阵进行相似度验证,获得通过测试集验证的医疗数据完整性监测模型。
需要进一步说明的是,在具体实施过程中,通过医疗数据完整性监测模型对医疗数据录入过程中的非完整性医疗数据进行预测的过程包括:
当获取数据完整性异常警报信号时,基于数据完整性异常警报信号进行数据完整性异常警报信号所在医疗数据监测点位的初步定位,获取所述医疗数据监测点位的医疗数据的缺失特征和所在监测周期内不同监测时间所对应处理场景序列;
根据当前监测周期内不同处理场景序列的监测时间所占比例和关联系数获取不同处理场景序列对医疗数据完整性的影响系数,根据所述影响系数大小将不同处理场景序列进行排序筛选,将筛选后的处理场景序列与医疗数据的缺失特征进行匹配,生成处理场景序列与医疗数据的缺失特征匹配的输入数据集;
将输入数据集中的处理场景序列与医疗数据的缺失特征输入医疗数据完整性监测模型生成当前监测周期内剩余监测时间的非完整性医疗数据的发生概率。
需要进一步说明的是,在具体实施过程中,根据医疗数据完整性监测模型的医疗数据完整性预测结果进行各流程子序列的医疗数据完整性预警,并将医疗数据完整性预警信息进行可视化显示过程包括:
根据所述医疗数据录入全流程模型获取各流程子序列的医院科室三维模型,在所述医疗数据录入全流程模型中的三维模型上设置分级预警机制,不同的预警等级对应不同的显示颜色;
判断各流程子序列当前监测周期内剩余监测时间的非完整性医疗数据发生概率是否大于预设概率阈值,若大于,则获取非完整性医疗数据发生概率与预设概率阈值的概率差值,根据所述概率差值获取对应预警等级与各流程子序列对应的医院科室三维模型进行匹配。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (4)
1.一种基于人工智能的医疗数据完整性分析方法,其特征在于,包括以下步骤:
步骤S1:获取医疗数据录入流程信息,根据所述流程信息设置医疗数据监测点位,获取各个点位的医疗数据监测指标和医疗数据;
步骤S2:构建医疗数据录入全流程模型;根据医疗数据获取各医疗数据监测点位的医疗数据完整性评价结果,并根据医疗数据完整性监测结果生成数据完整性异常警报信号;
构建医疗数据录入全流程模型的过程包括:
获取当前医疗数据录入流程中各流程子序列所在的医院科室的物理实体,获取当前医疗数据录入流程中各个医院科室及对应医疗数据监测点位的多源异构数据,并对多源异构数据进行数据格式预处理;
将医院科室的物理实体进行三维建模映射到数字空间,在各医院科室的三维模型上设置API接口,将预处理后的多源异构数据生成孪生数据,获取医疗数据录入流程中各医院科室的医疗数据录入步骤顺序,根据医院科室的医疗数据录入步骤顺序将孪生数据与三维模型进行匹配获取数字孪生模型;
获取各流程子序列的不同处理场景信息,将不同处理场景信息处理为场景序列,将所述场景序列存储至数字空间,将数字孪生模型中医院科室的三维模型结合各流程子序列当前场景序列生成医疗数据录入全流程模型;
步骤S3:获取各医疗数据监测点位的非完整性医疗数据与处理场景序列之间的关联度,在所述医疗数据录入全流程模型的基础上通过机器学习添加医疗数据完整性监测模型;
获取各医疗数据监测点位的非完整性医疗数据与处理场景序列之间的关联度的过程包括:
获取各医疗数据监测点位在不同的处理场景序列条件下的医疗数据存在缺失特征的最高历史发生概率和最低历史发生概率,根据各医疗数据监测点位的在不同的处理场景序列条件下的医疗数据存在缺失特征的最高历史发生概率与最低历史发生概率的差值构建关于非完整性医疗数据与处理场景序列之间关联度的评价标准,并构建表示非完整性医疗数据与处理场景序列之间的关联度与评价标准之间的模糊关系的隶属度矩阵R;
获取各医疗数据监测点位在不同的处理场景序列条件下的医疗数据存在缺失特征的平均历史发生概率,以各医疗数据监测点位在不同的处理场景序列条件下的医疗数据存在缺失特征的的平均历史发生概率为权重系数,构建不同处理场景序列的权重矩阵B;
将所述权重矩阵B与所述隶属度矩阵R融合,得到各医疗数据监测点位的非完整性医疗数据与处理场景序列之间关联度的模糊综合评价结果向量Y,根据模糊综合评价结果向量Y获取表示医疗数据监测点位的非完整性医疗数据与处理场景序列之间关联度的关联系数;
在所述医疗数据录入全流程模型的基础上通过机器学习添加医疗数据完整性监测模型的过程包括:
基于机器学习构建医疗数据完整性监测模型,在医疗数据录入全流程模型中各医院科室的三维模型API接口上链接医疗数据完整性监测模型;
根据医疗数据录入过程中各医疗数据监测点位的历史非完整性医疗数据的缺失特征和不同处理场景序列构建历史数据集;
将所述历史数据集划分为训练集、测试集,通过训练集对医疗数据完整性监测模型进行实时学习训练,直至损失函数训练平稳,并保存模型参数,之后通过测试集对迭代训练后的医疗数据完整性监测模型的输出数据矩阵进行相似度验证,获得通过测试集验证的医疗数据完整性监测模型;
步骤S4:根据医疗数据完整性监测模型的医疗数据完整性预测结果进行各流程子序列的医疗数据完整性预警,并将医疗数据完整性预警信息进行可视化显示;
通过医疗数据完整性监测模型对医疗数据录入过程中的非完整性医疗数据进行预测的过程包括:
当获取数据完整性异常警报信号时,基于数据完整性异常警报信号进行数据完整性异常警报信号所在医疗数据监测点位的初步定位,获取所述医疗数据监测点位的医疗数据的缺失特征和所在监测周期内不同监测时间所对应处理场景序列;
根据当前监测周期内不同处理场景序列的监测时间所占比例和关联系数获取不同处理场景序列对医疗数据完整性的影响系数,根据所述影响系数大小将不同处理场景序列进行排序筛选,将筛选后的处理场景序列与医疗数据的缺失特征进行匹配,生成处理场景序列与医疗数据的缺失特征匹配的输入数据集;
将输入数据集中的处理场景序列与医疗数据的缺失特征输入医疗数据完整性监测模型生成当前监测周期内剩余监测时间的非完整性医疗数据的发生概率。
2.根据权利要求1所述的一种基于人工智能的医疗数据完整性分析方法,其特征在于,获取医疗数据录入流程信息,根据所述流程信息设置医疗数据监测点位,获取各个点位的医疗数据监测指标和医疗数据的过程包括:
获取当前医疗数据录入的流程信息,根据所述流程信息提取医疗单元特性,将医疗数据录入过程按照医疗单元特性进行划分,划分为若干流程子序列;
在各流程子序列设置医疗数据监测点位,根据对应流程子序列的医疗单元特性中的功能特性利用数据检索获取各个医疗数据监测点位的医疗数据监测指标;
所述医疗数据监测点位根据医疗数据监测指标实时获取医疗数据并标记监测时间,设置监测周期。
3.根据权利要求2所述的一种基于人工智能的医疗数据完整性分析方法,其特征在于,根据医疗数据获取各医疗数据监测点位的医疗数据完整性评价结果,并根据医疗数据完整性监测结果生成数据完整性异常警报信号的过程包括:
获取各医疗数据监测点位的医疗数据,提取医疗数据中的特征信息,并设置各医疗数据监测点位的医疗数据监测指标的预设特征信息,将医疗数据的特征信息与医疗数据监测指标的预设特征信息进行对比判断医疗数据完整性;
当医疗数据中存在缺失特征时,将对应医疗数据监测点位的医疗数据标记为非完整性医疗数据,并生成数据完整性异常警报信号;
当医疗数据中不存在缺失特征时,将对应医疗数据监测点位的医疗数据标记为完整性医疗数据。
4.根据权利要求3所述的一种基于人工智能的医疗数据完整性分析方法,其特征在于,根据医疗数据完整性监测模型的医疗数据完整性预测结果进行各流程子序列的医疗数据完整性预警,并将医疗数据完整性预警信息进行可视化显示过程包括:
根据所述医疗数据录入全流程模型获取各流程子序列的医院科室三维模型,在所述医疗数据录入全流程模型中的三维模型上设置分级预警机制,不同的预警等级对应不同的显示颜色;
判断各流程子序列当前监测周期内剩余监测时间的非完整性医疗数据发生概率是否大于预设概率阈值,若大于,则获取非完整性医疗数据发生概率与预设概率阈值的概率差值,根据所述概率差值获取对应预警等级与各流程子序列对应的医院科室三维模型进行匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311113587.2A CN116844733B (zh) | 2023-08-31 | 2023-08-31 | 一种基于人工智能的医疗数据完整性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311113587.2A CN116844733B (zh) | 2023-08-31 | 2023-08-31 | 一种基于人工智能的医疗数据完整性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116844733A CN116844733A (zh) | 2023-10-03 |
CN116844733B true CN116844733B (zh) | 2023-11-07 |
Family
ID=88165557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311113587.2A Active CN116844733B (zh) | 2023-08-31 | 2023-08-31 | 一种基于人工智能的医疗数据完整性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116844733B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332543B (zh) * | 2023-12-01 | 2024-02-13 | 国网江苏省电力有限公司南通供电分公司 | 电网异构数据源的分布处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2724163A1 (en) * | 1999-03-10 | 2000-09-14 | Pointright Inc. | Automated data integrity auditing system |
WO2022222026A1 (zh) * | 2021-04-19 | 2022-10-27 | 浙江大学 | 医疗诊断缺失数据补全方法及补全装置、电子设备、介质 |
CN115438033A (zh) * | 2022-09-06 | 2022-12-06 | 北京航空航天大学 | 一种数字孪生运维数据质量检验方法 |
CN115905348A (zh) * | 2022-10-25 | 2023-04-04 | 国网福建省电力有限公司经济技术研究院 | 一种多源异构数据的行业用电异常预警方法及系统 |
CN115984889A (zh) * | 2023-03-22 | 2023-04-18 | 中国人民解放军总医院 | 基于人工智能的医疗文书完整性分析方法及系统 |
CN116313083A (zh) * | 2023-03-06 | 2023-06-23 | 宋超 | 基于算法和大数据的糖尿病智慧互联远程实时监测管理系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220375621A1 (en) * | 2021-05-23 | 2022-11-24 | Innovision LLC | Digital twin |
-
2023
- 2023-08-31 CN CN202311113587.2A patent/CN116844733B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2724163A1 (en) * | 1999-03-10 | 2000-09-14 | Pointright Inc. | Automated data integrity auditing system |
WO2022222026A1 (zh) * | 2021-04-19 | 2022-10-27 | 浙江大学 | 医疗诊断缺失数据补全方法及补全装置、电子设备、介质 |
CN115438033A (zh) * | 2022-09-06 | 2022-12-06 | 北京航空航天大学 | 一种数字孪生运维数据质量检验方法 |
CN115905348A (zh) * | 2022-10-25 | 2023-04-04 | 国网福建省电力有限公司经济技术研究院 | 一种多源异构数据的行业用电异常预警方法及系统 |
CN116313083A (zh) * | 2023-03-06 | 2023-06-23 | 宋超 | 基于算法和大数据的糖尿病智慧互联远程实时监测管理系统 |
CN115984889A (zh) * | 2023-03-22 | 2023-04-18 | 中国人民解放军总医院 | 基于人工智能的医疗文书完整性分析方法及系统 |
Non-Patent Citations (2)
Title |
---|
Evaluating the Impact of Health Care Data Completeness for Deep Generative Models;Benjamin Smith等;《METHODS OF INFORMATION IN MEDICINE》;全文 * |
关于医院数据中心的应用探讨;林育华;;科技资讯(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116844733A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11681962B2 (en) | Peer-review flagging system and methods for use therewith | |
US20220192590A1 (en) | Dental Image Feature Detection | |
RU2543563C2 (ru) | Системы и способы поддержки клинических решений | |
CN111292821A (zh) | 一种医学诊疗系统 | |
Zheng et al. | Artificial intelligence in digital cariology: a new tool for the diagnosis of deep caries and pulpitis using convolutional neural networks | |
Kainz et al. | Non-invasive diagnosis of deep vein thrombosis from ultrasound imaging with machine learning | |
CN111863267A (zh) | 数据信息获取方法、数据分析方法、装置以及存储介质 | |
CN116844733B (zh) | 一种基于人工智能的医疗数据完整性分析方法 | |
CN111899866B (zh) | 基于深度学习的外科手术并发症评测系统 | |
CN115714022B (zh) | 基于人工智能的新生儿黄疸健康管理系统 | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
CN111063448A (zh) | 输血不良反应数据库建立方法、存储系统以及主动预警系统 | |
CN103370629A (zh) | 临床质量分析系统 | |
CN111524570B (zh) | 一种基于机器学习的超声随访患者筛选方法 | |
US20220005565A1 (en) | System with retroactive discrepancy flagging and methods for use therewith | |
US20140046694A1 (en) | Systems and methods for synoptic element structured reporting | |
CN116864104A (zh) | 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统 | |
CN111226287B (zh) | 用于分析医学成像数据集的方法、系统、程序产品和介质 | |
WO2022141929A1 (zh) | 一种健康自测系统、服务器及健康检测系统 | |
Nour | Artificial intelligence (AI) for improving performance at the cutting edge of medical imaging | |
CN111739639A (zh) | 一种基于时间编码的围手术期并发症的数据预测系统 | |
AU2021102832A4 (en) | System & method for automatic health prediction using fuzzy based machine learning | |
Gunasekara et al. | A feasibility study for deep learning based automated brain tumor segmentation using magnetic resonance images | |
Ang et al. | Healthcare Data Handling with Machine Learning Systems: A Framework | |
CN117476231A (zh) | 基于机器学习的药物性肝损伤风险预测方法、系统 |
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 |