CN117171478B - 一种医学检测数据误差识别模型构建方法与装置 - Google Patents
一种医学检测数据误差识别模型构建方法与装置 Download PDFInfo
- Publication number
- CN117171478B CN117171478B CN202311138380.0A CN202311138380A CN117171478B CN 117171478 B CN117171478 B CN 117171478B CN 202311138380 A CN202311138380 A CN 202311138380A CN 117171478 B CN117171478 B CN 117171478B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- detection data
- medical detection
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 134
- 238000010276 construction Methods 0.000 title claims description 15
- 238000004140 cleaning Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000010339 medical test Methods 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 10
- 238000013480 data collection Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 12
- 230000035945 sensitivity Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 6
- 238000003908 quality control method Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003556 assay Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000002966 serum Anatomy 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种医学检测数据误差识别模型构建方法与装置，包括：对医学检测数据进行数据清洗得到数据清洗后的医学检测数据；利用数据清洗后的医学检测数据制作训练数据；采用指数加权移动均值法建立初始模型，并为每个初始模型设置不同的模型参数得到多个待选模型；基于训练数据计算每个待选模型的ME‑Score指标，并将ME‑Score指标最大所对应的待选模型作为最终的医学检测数据误差识别模型。本发明基于ME‑Score指标将灵敏度、假阳性率和正确报警前受影响患者数的中位数或均值的评价指标压缩为一个评价指标，用于模型参数的训练，以筛选出最优模型，不仅大大降低了模型建立的时间成本和方法难度，也提升了模型的误差识别效果。
Description
技术领域
本发明涉及数据检验技术领域，特别是涉及一种医学检测数据误差识别模型构建方法与装置。
背景技术
医生大约有近2/3的诊疗决策有赖于准确及时的检测结果。而医学检测误差会导致诊疗差错与延迟，会对患者造成严重伤害，甚至死亡。检测误差可发生于检验全过程。例如，不当的样本采集、运输或处理、仪器设备故障、不当的人员操作等。为保证检测结果的可靠性，传统室内质控是医学实验室最早引入，且目前普遍使用的用于监测检验性能的重要手段之一。室内质控对于临床实验室而言非常重要，它可以减少重复测量，避免错误结果的发出，为临床诊疗决策提供保障。
然而，由于室内质控依赖于定期分析质控品的本质，导致这种质控方式存在回顾性分析，不能实时地监控分析过程。而基于患者数据的质量控制系统可实时检测检验过程中的系统误差，很好的弥补了室内质控的局限。然而，建立基于患者数据的质量控制系统最重要的在于评价系统的性能，传统的评价体系例如混淆矩阵等方式，具有耗时长，数据评价质量不全面的问题，实际使用效果不尽人意。
发明内容
为解决上述问题，本发明的目的是提供一种医学检测数据误差识别模型构建方法与装置。
为实现上述目的，本发明提供了如下方案：
一种医学检测数据误差识别模型构建方法，包括：
收集医学检测数据；
对所述医学检测数据进行数据清洗得到数据清洗后的医学检测数据；
利用所述数据清洗后的医学检测数据制作训练数据；
采用指数加权移动均值法建立初始模型，并为每个初始模型设置不同的模型参数得到多个待选模型；
基于所述训练数据计算每个待选模型的ME-Score指标，并将所述ME-Score指标最大所对应的待选模型作为最终的医学检测数据误差识别模型。
优选地，所述对所述原始的医学检测数据进行数据清洗得到数据清洗后的医学检测数据，包括：
计算同一个患者在预设时间段内医学检测数据类比系数；
判断类比系数的值是否在预设的范围内；
若类比系数的值不在预设的范围内，则将相应预设时间段内的医学检测数据去除；
若类比系数的值在预设的范围内，则将相应预设时间段内的医学检测数据保留，直到遍历完所有的医学检测数据，得到数据清洗后的医学检测数据。
优选地，所述类比系数计算公式为：
其中，pX,Y为类比系数，cov(X,Y)表示在预设时间段内当前医学检测序列与前一个医学检测序列之间的协方差，αX表示当前医学检测序列的均值，αY表示前一个医学检测序列的均值。
优选地，所述采用指数加权移动均值法建立初始模型，并为每个初始模型设置不同的模型参数得到多个待选模型，包括：
采用公式：
Y(i)＝lambda*X(i)+(1-lambda)*Y(i-1)
建立初始模型；其中，X(i)为经过数据清洗后的原始检测结果，Y(i)为经过运算后的新检测结果，lambda为调整系数；
按照检测时间顺序，将原始检测结果带入初始模型，计算新检测结果的均值和标准差，并将均值±a*标准差作为警告限，均值±a*标准差作为失控限，且当新检测结果超过失控限时，发出报警；
按照预设的步长和范围设置不同的lambda和a的值，得到多个待选模型。
优选地，所述基于所述训练数据计算每个待选模型的ME-Score指标，并将所述ME-Score指标最大所对应的待选模型作为最终的医学检测数据误差识别模型，包括：
将训练数据代入到不同的待选模型中得到相应的新检测结果；
采用公式：
ME-Score＝0.8*log(1/(假阳性率+10^-6))+1.5*灵敏度-log(正确报警前受影响患者数的中位数或均值+1)
计算每个待选模型的ME-Score指标，并将所述ME-Score指标最大所对应的待选模型作为最终的医学检测数据误差识别模型。
一种医学检测数据误差识别模型构建装置，包括：
数据收集模块，用于收集医学检测数据；
数据清洗模块，用于对所述医学检测数据进行数据清洗得到数据清洗后的医学检测数据；
训练数据制作模块，用于利用所述数据清洗后的医学检测数据制作训练数据；
待选模型构建模块，用于采用指数加权移动均值法建立初始模型，并为每个初始模型设置不同的模型参数得到多个待选模型；
筛选模块，用于基于所述训练数据计算每个待选模型的ME-Score指标，并将所述ME-Score指标最大所对应的待选模型作为最终的医学检测数据误差识别模型。
优选地，所述数据清洗模块，包括：
类比系数计算单元，用于计算同一个患者在预设时间段内医学检测数据类比系数；
判断单元，用于判断类比系数的值是否在预设的范围内；
第一判断结果单元，用于当类比系数的值不在预设的范围内，则将相应预设时间段内的医学检测数据去除；
第二判断结果单元，用于当类比系数的值在预设的范围内，则将相应预设时间段内的医学检测数据保留，直到遍历完所有的医学检测数据，得到数据清洗后的医学检测数据。
优选地，所述类比系数计算公式为：
其中，pX,Y为类比系数，cov(X,Y)表示在预设时间段内当前医学检测序列与前一个医学检测序列之间的协方差，αX表示当前医学检测序列的均值，αY表示前一个医学检测序列的均值
优选地，所述待选模型构建模块，包括：
初始模型构建单元，用于采用公式：
Y(i)＝lambda*X(i)+(1-lambda)*Y(i-1)
建立初始模型；其中，X(i)为经过数据清洗后的原始检测结果，Y(i)为经过运算后的新检测结果，lambda为调整系数；
报警阈值确定单元，用于按照检测时间顺序，将原始检测结果带入初始模型，计算新检测结果的均值和标准差，并将均值±a*标准差作为警告限，均值±a*标准差作为失控限，且当新检测结果超过失控限时，发出报警；
模型设置单元，用于按照预设的步长和范围设置不同的lambda和a的值，得到多个待选模型。
优选地，所述筛选模块，包括：
新检测结果生成模块，用于将训练数据代入到不同的待选模型中得到相应的新检测结果；
ME-Score指标计算单元，用于采用公式：
ME-Score＝0.8*log(1/(假阳性率+10^-6))+1.5*灵敏度-log(正确报警前受影响患者数的中位数或均值+1)，计算每个待选模型的ME-Score指标；
模型筛选单元，用于将所述ME-Score指标最大所对应的待选模型作为最终的医学检测数据误差识别模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种医学检测数据误差识别模型构建方法与装置，与现有技术相比，本发明基于ME-Score指标将灵敏度、假阳性率和正确报警前受影响患者数的中位数或均值的评价指标压缩为一个评价指标，根据模型在临床中的实际应用场景，给综合评级指标中不同指标不同的权重，用于模型参数的训练，以筛选出最优模型，不仅大大降低了模型建立的时间成本和方法难度，也提升了模型的误差识别效果，更重要的是增加了模型在临床检验工作中的可用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明提供的一种医学检测数据误差识别模型构建方法流程图；
图2为本发明提供的一种医学检测数据误差识别模型构建方法原理图；
图3为本发明提供的利用ME-Score指标对待选模型进行排名示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
为实现上述目的，本发明提供了如下方案：
请参阅图1-2，一种医学检测数据误差识别模型构建方法，包括：
步骤1：收集医学检测数据；
步骤2：对所述医学检测数据进行数据清洗得到数据清洗后的医学检测数据；
进一步的，步骤2包括：
计算同一个患者在预设时间段内医学检测数据类比系数；
判断类比系数的值是否在预设的范围内；其中，类比系数计算公式为：
其中，pX,Y为类比系数，cov(X,Y)表示在预设时间段内当前医学检测序列与前一个医学检测序列之间的协方差，αX表示当前医学检测序列的均值，αY表示前一个医学检测序列的均值。
若类比系数的值不在预设的范围内，则将相应预设时间段内的医学检测数据去除；
若类比系数的值在预设的范围内，则将相应预设时间段内的医学检测数据保留，直到遍历完所有的医学检测数据，得到数据清洗后的医学检测数据。
本发明通过协方差和平均值构建类比系数计算公式，然后基于此可将不符合要求的医学检测数据去除，进而保证数据的真实性。
步骤3：利用所述数据清洗后的医学检测数据制作训练数据；
步骤4：采用指数加权移动均值法建立初始模型，并为每个初始模型设置不同的模型参数得到多个待选模型；
进一步的，步骤4包括：
采用公式：
Y(i)＝lambda*X(i)+(1-lambda)*Y(i-1)
建立初始模型；其中，X(i)为经过数据清洗后的原始检测结果，Y(i)为经过运算后的新检测结果，lambda为调整系数；
按照检测时间顺序，将原始检测结果带入初始模型，计算新检测结果的均值和标准差，并将均值±a*标准差作为警告限，均值±a*标准差作为失控限，且当新检测结果超过失控限时，发出报警；
按照预设的步长和范围设置不同的lambda和a的值，得到多个待选模型。
步骤5：基于所述训练数据计算每个待选模型的ME-Score指标，并将所述ME-Score指标最大所对应的待选模型作为最终的医学检测数据误差识别模型。
传统的模型评价方法通常分别考虑灵敏度、假阳性率和正确报警前受影响患者数的中位数或均值等指标(灵敏度即误差识别概率，假阳性率即误报警概率，正确报警前受影响患者数的中位数或均值)；然而，一个好的模型要求模型有较高的灵敏度，且假阳性率要尽可能低，同时正确报警前受影响患者数的中位数或均值要小，因此，若同时采用三个指标评价模型则会导致模型筛选困难。基于此，本发明创立了可基于三个指标的“获益方向”及指标变化级数将三个指标压缩为一个评价指标，如下：
ME-Score＝0.8*math.log(1/(false_pos_by_normal+1e-6))+1.5*alarm_ratio_by_slice-math.log(alarm_median_success+1)
其中，false_pos_by_normal为假阳性率，alarm_ratio_by_slice为灵敏度，alarm_median_success为正确报警前受影响患者数的中位数。
这样的ME-Score考虑到三个指标的“获益方向”及指标变化级数，将方向统一为正向，分数值越高，则模型性能越好。最终验证模型时挑选ME分数排名靠前的模型进行验证和优化。
在本发明中，步骤5包括：
将训练数据代入到不同的待选模型中得到相应的新检测结果；
采用公式：
ME-Score＝0.8*log(1/(假阳性率+10^-6))+1.5*灵敏度-log(正确报警前受影响患者数的中位数或均值+1)
计算每个待选模型的ME-Score指标，并将所述ME-Score指标最大所对应的待选模型作为最终的医学检测数据误差识别模型。
下面结合具体的实施例对本发明上述的医学检测数据误差识别模型构建方法作进一步的说明：
数据收集：采集一段时间内连续检测数据。如2019年1月-3月的血清Na的检测数据。数据还应该包括检测时间、性别、年龄等变量。按照检测时间将血清Na检测结果排序。
模型训练：
制作训练数据：采用1月-2月的数据作为训练集，在训练集中，以300为间隔，300正常(即保持原来的结果不变)，300异常(对原始检测结果统一加或减原始检测结果*x，其中为0-1之间的小数，根据每个检验项目的允许总误差进行设定)制作训练数据。
采用指数加权移动均值法建立模型，即：
Y(i)＝lambda*X(i)+(1-lambda)*Y(i-1)
其中，X(i)为原始检测结果，Y(i)为经过运算后的新结果，lambda为调整系数，目的在于避免平滑变异，即突然一个过高或者过低的值会影响计算结果，则通过lambda减少影响。按照检测时间顺序，将原始结果带入上述公式计算，会生成新的检测结果。计算新检测结果的均值和标准差，并将均值±2*标准差作为警告限，均值±3*标准差作为失控限。将新的检测结果按检测时间绘制折线图。当检测过程中存在系统误差使，折线图会超过失控限，系统会自动报警。从而实时监测检测过程中的系统误差。
然而，上述模型中涉及几个参数lambda，均值±a*标准差中的系数a。因此，这些参数的设定对于模型识别系统误差的性能及其重要。不合适的参数则会导致无法及时识别系统误差或者导致假阳性率过高，错误报警。因此需要训练合适的参数以检测对应的系统误差。
以Na为例，a(范围：1-6，步长0.5)，lambda(范围：0-1，步长：0.03)，进行自由组合。
基于上述步骤中制作的训练数据，将原始检测结果带入不同参数组合下的模型，计算模型的灵敏度、假阳性率和正确报警前受影响患者数的中位数或均值。此外，根据以下公式计算ME-Score指标：
ME-Score＝0.8*log(1/(假阳性率+10^-6))+1.5*灵敏度-log(正确报警前受影响患者数的中位数或均值+1)。
模型排名和优化：请参阅图3，根据ME-Score指标对模型进行排名，选择分数较高的模型为待评价模型。
本发明基于ME-Score指标将灵敏度、假阳性率和正确报警前受影响患者数的中位数或均值的评价指标压缩为一个评价指标，根据模型在临床中的实际应用场景，给综合评级指标中不同指标不同的权重，用于模型参数的训练，以筛选出最优模型，不仅大大降低了模型建立的时间成本和方法难度，也提升了模型的误差识别效果，更重要的是增加了模型在临床检验工作中的可用性。
本发明还提供了一种医学检测数据误差识别模型构建装置，包括：
数据收集模块，用于收集医学检测数据；
数据清洗模块，用于对所述医学检测数据进行数据清洗得到数据清洗后的医学检测数据；
训练数据制作模块，用于利用所述数据清洗后的医学检测数据制作训练数据；
待选模型构建模块，用于采用指数加权移动均值法建立初始模型，并为每个初始模型设置不同的模型参数得到多个待选模型；
筛选模块，用于基于所述训练数据计算每个待选模型的ME-Score指标，并将所述ME-Score指标最大所对应的待选模型作为最终的医学检测数据误差识别模型。
优选地，所述数据清洗模块，包括：
类比系数计算单元，用于计算同一个患者在预设时间段内医学检测数据类比系数；
判断单元，用于判断类比系数的值是否在预设的范围内；
第一判断结果单元，用于当类比系数的值不在预设的范围内，则将相应预设时间段内的医学检测数据去除；
第二判断结果单元，用于当类比系数的值在预设的范围内，则将相应预设时间段内的医学检测数据保留，直到遍历完所有的医学检测数据，得到数据清洗后的医学检测数据。
优选地，所述类比系数计算公式为：
其中，pX,Y为类比系数，cov(X,Y)表示在预设时间段内当前医学检测序列与前一个医学检测序列之间的协方差，αX表示当前医学检测序列的均值，αY表示前一个医学检测序列的均值
优选地，所述待选模型构建模块，包括：
初始模型构建单元，用于采用公式：
Y(i)＝lambda*X(i)+(1-lambda)*Y(i-1)
建立初始模型；其中，X(i)为经过数据清洗后的原始检测结果，Y(i)为经过运算后的新检测结果，lambda为调整系数；
报警阈值确定单元，用于按照检测时间顺序，将原始检测结果带入初始模型，计算新检测结果的均值和标准差，并将均值±a*标准差作为警告限，均值±a*标准差作为失控限，且当新检测结果超过失控限时，发出报警；
模型设置单元，用于按照预设的步长和范围设置不同的lambda和a的值，得到多个待选模型。
优选地，所述筛选模块，包括：
新检测结果生成模块，用于将训练数据代入到不同的待选模型中得到相应的新检测结果；
ME-Score指标计算单元，用于采用公式：
ME-Score＝0.8*log(1/(假阳性率+10^-6))+1.5*灵敏度-log(正确报警前受影响患者数的中位数或均值+1)，计算每个待选模型的ME-Score指标；
模型筛选单元，用于将所述ME-Score指标最大所对应的待选模型作为最终的医学检测数据误差识别模型。
本发明基于ME-Score指标将灵敏度、假阳性率和正确报警前受影响患者数的中位数或均值的评价指标压缩为一个评价指标，根据模型在临床中的实际应用场景，给综合评级指标中不同指标不同的权重，用于模型参数的训练，以筛选出最优模型，不仅大大降低了模型建立的时间成本和方法难度，也提升了模型的误差识别效果，更重要的是增加了模型在临床检验工作中的可用性。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。
Claims (2)
1.一种医学检测数据误差识别模型构建方法，其特征在于，包括：
收集医学检测数据；
对所述医学检测数据进行数据清洗得到数据清洗后的医学检测数据；
利用所述数据清洗后的医学检测数据制作训练数据；
采用指数加权移动均值法建立初始模型，并为每个初始模型设置不同的模型参数得到多个待选模型；
所述采用指数加权移动均值法建立初始模型，并为每个初始模型设置不同的模型参数得到多个待选模型，包括：
采用公式：
Y(i)＝lambda*X(i)+(1-lambda)*Y(i-1)
建立初始模型；其中，X(i)为经过数据清洗后的原始检测结果，Y(i)为经过运算后的新检测结果，lambda为调整系数；
按照检测时间顺序，将原始检测结果带入初始模型，计算新检测结果的均值和标准差，并将均值±a1*标准差作为警告限，均值±a2*标准差作为失控限，且当新检测结果超过失控限时，发出报警；
按照预设的步长和范围设置不同的lambda和a的值，得到多个待选模型；
基于所述训练数据计算每个待选模型的ME-Score指标，并将所述ME-Score指标最大所对应的待选模型作为最终的医学检测数据误差识别模型；
所述基于所述训练数据计算每个待选模型的ME-Score指标，并将所述ME-Score指标最大所对应的待选模型作为最终的医学检测数据误差识别模型，包括：
将训练数据代入到不同的待选模型中得到相应的新检测结果；
采用公式：
ME-Score＝0.8*log(1/(假阳性率+10^-6))+1.5*灵敏度-log(正确报警前受影响患者数的中位数或均值+1)，计算每个待选模型的ME-Score指标；
将所述ME-Score指标最大所对应的待选模型作为最终的医学检测数据误差识别模型。
2.一种医学检测数据误差识别模型构建装置，其特征在于，包括：
数据收集模块，用于收集医学检测数据；
数据清洗模块，用于对所述医学检测数据进行数据清洗得到数据清洗后的医学检测数据；
训练数据制作模块，用于利用所述数据清洗后的医学检测数据制作训练数据；
待选模型构建模块，用于采用指数加权移动均值法建立初始模型，并为每个初始模型设置不同的模型参数得到多个待选模型；
所述待选模型构建模块，包括：
初始模型构建单元，用于采用公式：
Y(i)＝lambda*X(i)+(1-lambda)*Y(i-1)
建立初始模型；其中，X(i)为经过数据清洗后的原始检测结果，Y(i)为经过运算后的新检测结果，lambda为调整系数；
报警阈值确定单元，用于按照检测时间顺序，将原始检测结果带入初始模型，计算新检测结果的均值和标准差，并将均值±a1*标准差作为警告限，均值±a2*标准差作为失控限，且当新检测结果超过失控限时，发出报警；
模型设置单元，用于按照预设的步长和范围设置不同的lambda和a的值，得到多个待选模型；
筛选模块，用于基于所述训练数据计算每个待选模型的ME-Score指标，并将所述ME-Score指标最大所对应的待选模型作为最终的医学检测数据误差识别模型；
所述筛选模块，包括：
新检测结果生成模块，用于将训练数据代入到不同的待选模型中得到相应的新检测结果；
ME-Score指标计算单元，用于采用公式：
ME-Score＝0.8*log(1/(假阳性率+10^-6))+1.5*灵敏度-log(正确报警前受影响患者数的中位数或均值+1)，计算每个待选模型的ME-Score指标；
模型筛选单元，用于将所述ME-Score指标最大所对应的待选模型作为最终的医学检测数据误差识别模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311138380.0A CN117171478B (zh) | 2023-09-05 | 2023-09-05 | 一种医学检测数据误差识别模型构建方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311138380.0A CN117171478B (zh) | 2023-09-05 | 2023-09-05 | 一种医学检测数据误差识别模型构建方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117171478A CN117171478A (zh) | 2023-12-05 |
| CN117171478B true CN117171478B (zh) | 2024-04-26 |
Family
ID=88939087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311138380.0A Active CN117171478B (zh) | 2023-09-05 | 2023-09-05 | 一种医学检测数据误差识别模型构建方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117171478B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101438238A (zh) * | 2004-10-15 | 2009-05-20 | 伊塔斯公司 | 用于异常检测的方法和系统 |
| JP2010085229A (ja) * | 2008-09-30 | 2010-04-15 | Wako Pure Chem Ind Ltd | 肝細胞癌分析のためのデータを得るための方法、装置及びプログラム |
| CN111834010A (zh) * | 2020-05-25 | 2020-10-27 | 重庆工贸职业技术学院 | 一种基于属性约简和XGBoost的COVID-19检测假阴性识别方法 |
| CN113555124A (zh) * | 2021-01-19 | 2021-10-26 | 内蒙古卫数数据科技有限公司 | 一种基于机器学习的血常规样本差值核查方法 |
| WO2021212756A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技（深圳）有限公司 | 指标异常分析方法、装置、电子设备及存储介质 |
| CN114266939A (zh) * | 2021-12-23 | 2022-04-01 | 太原理工大学 | 一种基于ResTLU-Net模型的脑提取方法 |
| 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 |
| CN115903741A (zh) * | 2022-11-18 | 2023-04-04 | 南京信息工程大学 | 一种工业控制系统数据异常检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015164879A1 (en) * | 2014-04-25 | 2015-10-29 | The Regents Of The University Of California | Recognizing predictive patterns in the sequence of superalarm triggers for predicting patient deterioration |
-
2023
- 2023-09-05 CN CN202311138380.0A patent/CN117171478B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101438238A (zh) * | 2004-10-15 | 2009-05-20 | 伊塔斯公司 | 用于异常检测的方法和系统 |
| JP2010085229A (ja) * | 2008-09-30 | 2010-04-15 | Wako Pure Chem Ind Ltd | 肝細胞癌分析のためのデータを得るための方法、装置及びプログラム |
| WO2021212756A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技（深圳）有限公司 | 指标异常分析方法、装置、电子设备及存储介质 |
| CN111834010A (zh) * | 2020-05-25 | 2020-10-27 | 重庆工贸职业技术学院 | 一种基于属性约简和XGBoost的COVID-19检测假阴性识别方法 |
| CN113555124A (zh) * | 2021-01-19 | 2021-10-26 | 内蒙古卫数数据科技有限公司 | 一种基于机器学习的血常规样本差值核查方法 |
| CN114266939A (zh) * | 2021-12-23 | 2022-04-01 | 太原理工大学 | 一种基于ResTLU-Net模型的脑提取方法 |
| 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 |
| CN115903741A (zh) * | 2022-11-18 | 2023-04-04 | 南京信息工程大学 | 一种工业控制系统数据异常检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Exponentially weighted moving average— Moving average charts for monitoring the process mean;Saowanit Sukparungsee等;PLOS ONE;20200214;第15卷(第2期);第1-24页 * |
| 县域医共体临床检验业务协同系统分析与设计;陈枫艳;中国优秀硕士学位论文全文数据库，医学卫生科技辑;20230115(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117171478A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101106201B1 (ko) | 임상검사분석장치, 임상검사분석방법 및 그 방법을 컴퓨터에 실행시키는 프로그램을 저장하는 컴퓨터 판독 가능한 기록매체 | |
| US6556951B1 (en) | System and method for intelligent quality control of a process | |
| WO2002003077A1 (fr) | Systeme d'examen clinique | |
| US20220122739A1 (en) | Ai-based condition classification system for patients with novel coronavirus | |
| CN117152152B (zh) | 检测试剂盒的生产管理系统及方法 | |
| CN112837799B (zh) | 基于区块链的远程互联网大数据智慧医疗系统 | |
| CN110458039A (zh) | 一种工业过程故障诊断模型的构建方法及其应用 | |
| CN116337135A (zh) | 一种仪表故障诊断方法、系统、电子设备及可读存储介质 | |
| CN113855037B (zh) | 基于Transformer的房颤识别方法及装置 | |
| CN114864086A (zh) | 一种基于肺功能报告模板的疾病预测方法 | |
| CN117129698B (zh) | 全自动凝血测试仪的异常报警与重测系统及方法 | |
| CN117171478B (zh) | 一种医学检测数据误差识别模型构建方法与装置 | |
| CN112102903B (zh) | 基于临床实验室检测结果的质量控制系统 | |
| CN116189909B (zh) | 基于推举算法的临床医学判别方法及系统 | |
| CN117557409A (zh) | 基于物联网的智慧建筑火灾风险可视化评估管理系统 | |
| CN117011593A (zh) | 一种基于深度学习的尿蛋白自动识别和分类方法 | |
| CN111161868A (zh) | 医学快速检验管理系统 | |
| CN112660957B (zh) | 一种电梯运行风险的预警方法及预警系统 | |
| CN114944208A (zh) | 质量控制方法、装置、电子设备及存储介质 | |
| CN114553756A (zh) | 基于联合生成对抗网络的设备故障检测方法与电子设备 | |
| JP3982192B2 (ja) | 臨床検査システム | |
| JP3053902B2 (ja) | 異常原因診断方法 | |
| CN118331212B (zh) | 多源采集与数据建模的工业电气机房环境监控系统和方法 | |
| CN117825731B (zh) | 一种血液分析装置 | |
| CN117607227B (zh) | 基于深度学习的电解质分析仪实时监测与异常预警方法 |
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 |