CN117198535A - 一种基于临床数据的急性生理慢性健康评估方法及系统 - Google Patents
一种基于临床数据的急性生理慢性健康评估方法及系统 Download PDFInfo
- Publication number
- CN117198535A CN117198535A CN202311276903.8A CN202311276903A CN117198535A CN 117198535 A CN117198535 A CN 117198535A CN 202311276903 A CN202311276903 A CN 202311276903A CN 117198535 A CN117198535 A CN 117198535A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- chronic health
- clinical data
- clinical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000001684 chronic effect Effects 0.000 title claims abstract description 129
- 230000001154 acute effect Effects 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000009411 base construction Methods 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 26
- 230000004927 fusion Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 11
- 210000002966 serum Anatomy 0.000 description 6
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 4
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 238000004820 blood count Methods 0.000 description 2
- 229940109239 creatinine Drugs 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005534 hematocrit Methods 0.000 description 2
- 210000000265 leukocyte Anatomy 0.000 description 2
- 230000037323 metabolic rate Effects 0.000 description 2
- 150000002926 oxygen Chemical class 0.000 description 2
- 238000006213 oxygenation reaction Methods 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 229910052708 sodium Inorganic materials 0.000 description 2
- 239000011734 sodium Substances 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明属数据分析技术领域,公开了一种基于临床数据的急性生理慢性健康评估方法及系统。所述的方法包括如下步骤:构建专家知识库;对若干历史临床数据进行聚类和样本均衡;将若干样本均衡后历史临床数据集输入专家知识库进行优化;使用深度学习算法,构建体征严重程度预测模型;进行急性生理慢性健康评估;进行体征严重程度预测;生成急性生理慢性健康评估报告。所述的系统包括依次连接的专家知识库构建模块、数据处理模块、数据优化模块、模型构建模块、急性生理慢性健康评估模块、体征严重程度预测模块以及报告生成模块。本发明解决了现有技术存在的工作量大、分析效率低下以及准确性低下的问题。
Description
技术领域
本发明属数据分析技术领域,具体涉及一种基于临床数据的急性生理慢性健康评估方法及系统。
背景技术
随着经济的发展和人们生活水平的日益提升,大家对美好生活和健康体魄的需求日益提升。在中老年群体,由于身体素质的下降,伴随着各种疾病的影响和侵蚀,而现有的医疗水平,无法实现对中老年群体的实时健康监控,只能在用户身体表征明显或主动医院体检时才能察觉出急性生理慢性健康问题的存在。
现有的健康评估方案,大多依赖专业医生的丰富经验和专业知识,通过对用户进行面对面观察,对医疗报告、化验单等进行人工分析,工作量大,对医疗资源带来巨大压力,并且人工分析效率低下,存在误分析可能,准确性低下,导致无法对急性生理体征进行及时的判断,也无法对潜在的慢性健康体征进行准确评估。
发明内容
为了解决现有技术存在的工作量大、分析效率低下以及准确性低下的问题,本发明目的在于提供一种基于临床数据的急性生理慢性健康评估方法及系统。
本发明所采用的技术方案为:
一种基于临床数据的急性生理慢性健康评估方法,包括如下步骤:
根据急性生理慢性健康评分规则和若干急性生理慢性健康专家知识,构建专家知识库;
获取若干历史用户的历史临床数据和历史用户图像数据,并对若干历史临床数据进行聚类和样本均衡,得到不同体征类型的若干样本均衡后历史临床数据集;
将若干样本均衡后历史临床数据集输入专家知识库进行优化,得到若干样本均衡后历史临床主成分数据和优化后专家知识库;
使用深度学习算法,构建体征严重程度预测模型,并将若干样本均衡后历史临床主成分数据和对应的历史用户图像数据输入体征严重程度预测模型进行优化,得到优化后体征严重程度预测模型;
获取当前用户的实时临床数据及实时用户图像数据,将当前用户的实时临床数据输入优化后专家知识库进行评估,得到急性生理慢性健康评分和对应的实时临床主成分数据;
将当前用户的实时临床主成分数据和对应的实时用户图像数据输入优化后体征严重程度预测模型进行预测,得到体征严重程度预测结果;
将急性生理慢性健康评分和体征严重程度预测结果按照预设报告格式生成对应的急性生理慢性健康评估报告。
进一步地,急性生理慢性健康评分规则包括急性生理评分规则、年龄评分规则以及慢性健康评分规则,急性生理评分规则包括若干临床指标、临床数据范围以及对应的急性生理分值,年龄评分规则包括若干年龄指标、年龄数据范围以及对应的年龄分值,慢性健康评分规则包括若干慢性健康指标、慢性健康标准和对应的慢性健康分值。
进一步地,急性生理慢性健康评分规则还包括急性生理慢性健康评分计算函数,公式为:
P=w1·p1+w2·p2+w3·p3
式中,P为急性生理慢性健康评分;p1、p2、p3为急性生理评分、年龄评分、慢性健康评分;w1、w2、w3为急性生理评分、年龄评分、慢性健康评分的对应的权值。
进一步地,获取若干历史用户的历史临床数据和历史用户图像数据,并对若干历史临床数据进行聚类和样本均衡,得到不同体征类型的若干样本均衡后历史临床数据集,包括如下步骤:
获取若干历史用户的历史临床数据和历史用户图像数据;
使用k均值聚类算法对若干历史临床数据进行聚类,得到若干聚类中心,并为聚类中心添加体征类型标签;
根据历史临床数据与若干聚类中心的欧氏距离,将历史临床数据聚类至对应的聚类中心,并将聚类中心的体征类型标签作为历史临床数据的体征类型标签,得到不同体征类型的若干历史临床数据集;
更新若干历史临床数据集的聚类中心,得到若干更新后聚类中心;
根据到更新后聚类中心预设的欧氏距离阈值,对若干历史临床数据集进行样本均衡,得到不同体征类型且样本数量相同的若干样本均衡后历史临床数据集。
进一步地,欧氏距离的公式为:
式中,D为历史临床数据(x1,x2,...xn)到聚类中心(y1,y2,...yn)的欧氏距离;n为历史临床数据的维度总数。
进一步地,历史临床数据集包括属于同一体征类型的若干历史临床数据;
样本均衡后历史临床数据集包括属于同一体征类型的若干样本均衡后历史临床数据。
进一步地,将若干样本均衡后历史临床数据集输入专家知识库进行优化,得到若干样本均衡后历史临床主成分数据和优化后专家知识库,包括如下步骤:
将当前体征类型的样本均衡后历史临床数据集中样本均衡后历史临床数据转换为对应的包含若干数据行向量的样本均衡后历史临床数组;
根据专家知识库中急性生理慢性健康评分规则包括的临床指标、年龄指标以及慢性健康指标,对样本均衡后历史临床数组进行主成分筛选,得到对应的主若干成分数据行向量;
将若干主成分数据行向量进行组合,得到当前体征类型对应的样本均衡后历史临床主成分数据;
遍历所有体征类型的样本均衡后历史临床数据集,得到不同体征类型对应的若干样本均衡后历史临床主成分数据;
根据不同体征类型的若干样本均衡后历史临床主成分数据的数据均值,对专家知识库中急性生理慢性健康评分规则包括的临床数据范围、年龄数据范围以及慢性健康标准进行优化,得到优化后专家知识库。
进一步地,深度学习算法为Double-CNN-Attention-BiLSTM算法,体征严重程度预测模型包括第一特征提取通道、第二特征提取通道、特征融合层以及分类层,特征融合层分别与第一特征提取通道、第二特征提取通道以及分类层连接;
第一特征提取通道包括依次连接的第一CNN层、第一Attention层以及第一BiLSTM层,第二特征提取通道包括依次连接的第二CNN层、第二Attention层以及第二BiLSTM层。
进一步地,将当前用户的实时临床主成分数据和对应的实时用户图像数据输入优化后体征严重程度预测模型进行预测,得到体征严重程度预测结果,包括如下步骤:
将当前用户的实时临床主成分数据输入优化后体征严重程度预测模型的第一特征提取通道,将对应的实时用户图像数据输入输入优化后体征严重程度预测模型的第二特征提取通道;
使用第一CNN层提取实时临床主成分数据的临床数据特征,使用第二CNN层提取实时用户图像数据的图像数据特征;
使用第一Attention层对临床数据特征进行加权,得到临床数据加权特征,使用第二Attention层对图像数据特征进行加权,得到图像数据加权特征;
使用第一BiLSTM层对临床数据加权特征进行学习,得到临床数据特征向量,使用第二BiLSTM层对图像数据加权特征进行学习,得到图像数据特征向量;
使用特征融合层对临床数据特征向量和图像数据特征向量进行特征融合,得到融合特征向量;
使用分类层对融合特征向量进行分类,得到体征严重程度预测值,即体征严重程度预测结果。
一种基于临床数据的急性生理慢性健康评估系统,用于实现急性生理慢性健康评估方法,包括依次连接的专家知识库构建模块、数据处理模块、数据优化模块、模型构建模块、急性生理慢性健康评估模块、体征严重程度预测模块以及报告生成模块;
专家知识库构建模块,用于根据急性生理慢性健康评分规则和若干急性生理慢性健康专家知识,构建专家知识库;
数据处理模块,用于获取若干历史用户的历史临床数据和历史用户图像数据,并对若干历史临床数据进行聚类和样本均衡,得到不同体征类型的若干样本均衡后历史临床数据集;
数据优化模块,用于将若干样本均衡后历史临床数据集输入专家知识库进行优化,得到若干样本均衡后历史临床主成分数据和优化后专家知识库;
模型构建模块,用于使用深度学习算法,构建体征严重程度预测模型,并将若干样本均衡后历史临床主成分数据和对应的历史用户图像数据输入体征严重程度预测模型进行优化,得到优化后体征严重程度预测模型;
急性生理慢性健康评估模块,用于获取当前用户的实时临床数据及实时用户图像数据,将当前用户的实时临床数据输入优化后专家知识库进行评估,得到急性生理慢性健康评分和对应的实时临床主成分数据;
体征严重程度预测模块,用于将当前用户的实时临床主成分数据和对应的实时用户图像数据输入优化后体征严重程度预测模型进行预测,得到体征严重程度预测结果;
报告生成模块,用于将急性生理慢性健康评分和体征严重程度预测结果按照预设报告格式生成对应的急性生理慢性健康评估报告。
本发明的有益效果为:
本发明提供的一种基于临床数据的急性生理慢性健康评估方法及系统,通过根据急性生理慢性健康评分规则和若干急性生理慢性健康专家知识,构建专家知识库,避免了对专业医生的依赖,降低了医生工作量,减轻了医疗资源的压力,基于用户的临床数据进行自动化的急性生理慢性健康评估和体征严重程度预测,提高了智能化程度、分析效率低以及预测准确性,能够及时的对急性生理体征进行提前预测,也能够对潜在的慢性健康体征进行挖掘和评估,提高了实用性和功能性。
本发明的其他有益效果将在具体实施方式中进一步进行说明。
附图说明
图1是本发明中基于临床数据的急性生理慢性健康评估方法的流程框图。
图2是本发明中基于临床数据的急性生理慢性健康评估系统的结构框图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步阐释。
实施例1:
如图1所示,本实施例提供一种基于临床数据的急性生理慢性健康评估方法,包括如下步骤:
根据急性生理慢性健康评分规则和若干急性生理慢性健康专家知识,构建专家知识库;
急性生理慢性健康评分规则包括急性生理评分规则、年龄评分规则以及慢性健康评分规则,急性生理评分规则包括若干临床指标、临床数据范围以及对应的急性生理分值,年龄评分规则包括若干年龄指标、年龄数据范围以及对应的年龄分值,慢性健康评分规则包括若干慢性健康指标、慢性健康标准和对应的慢性健康分值;
临床指标包括肛温、基础代谢率、心室率、呼吸频率、氧合作用、饱和氧、动脉血pH值、血清钠、血清钾、血肌酐、红细胞比容以及白细胞计数;
年龄指标包括第一年龄等级(≤44)、第二年龄等级(15~54)、第三年龄等级(55~64)、第四年龄等级(65~74)以及第五年龄等级(≥75);
慢性健康指标包括非手术或急诊手术后用户标识(0或1)和择期术后用户标识(0或1);
通过上述急性生理慢性健康评分规则,能够准确量化分析用户的急性生理体征情况和慢性健康体征情况,为后续的急性生理慢性健康评估和体征严重程度预测提供数据框架;
急性生理慢性健康评分规则还包括急性生理慢性健康评分计算函数,公式为:
P=w1·p1+w2·p2+w3·p3
式中,P为急性生理慢性健康评分;p1、p2、p3为急性生理评分、年龄评分、慢性健康评分;w1、w2、w3为急性生理评分、年龄评分、慢性健康评分的对应的权值;
急性生理评分代表了用户急性生理体征的情况,年龄评分体现了各年龄段急性生理体征和慢性健康体征的普遍情况,随着年龄的提升,急性生理体征和慢性健康体征的表现呈现下滑趋势,慢性健康评分代表了用户的慢性健康体征情况,通过将上述评分进行结合,能够准确的反映出用户的身体素质和健康情况;
获取若干历史用户的历史临床数据和历史用户图像数据,并对若干历史临床数据进行聚类和样本均衡,得到不同体征类型的若干样本均衡后历史临床数据集,包括如下步骤:
获取若干历史用户的历史临床数据和历史用户图像数据;
使用k均值聚类算法对若干历史临床数据进行聚类,得到若干聚类中心,并为聚类中心添加体征类型标签;
根据历史临床数据与若干聚类中心的欧氏距离,将历史临床数据聚类至对应的聚类中心,并将聚类中心的体征类型标签作为历史临床数据的体征类型标签,得到不同体征类型的若干历史临床数据集;
欧氏距离的公式为:
式中,D为历史临床数据(x1,x2,...xn)到聚类中心(y1,y2,...yn)的欧氏距离;n为历史临床数据的维度总数;
更新若干历史临床数据集的聚类中心,得到若干更新后聚类中心;
根据到更新后聚类中心预设的欧氏距离阈值,对若干历史临床数据集进行样本均衡,得到不同体征类型且样本数量相同的若干样本均衡后历史临床数据集;
体征类型包括各项急性生理体征和慢性健康体征;
通过聚类,将属于同一体征类型的临床数据整合在同一数据集,并且通过样本均衡,将各体征类型对应的样本数据进行统一,避免了特异性数据影响模型的训练,提高了模型的准确率;
历史临床数据集包括属于同一体征类型的若干历史临床数据;
样本均衡后历史临床数据集包括属于同一体征类型的若干样本均衡后历史临床数据;
将若干样本均衡后历史临床数据集输入专家知识库进行优化,得到若干样本均衡后历史临床主成分数据和优化后专家知识库,包括如下步骤:
将当前体征类型的样本均衡后历史临床数据集中样本均衡后历史临床数据转换为对应的包含若干数据行向量的样本均衡后历史临床数组;
数据行向量存储了一条包含临床数据同一数据指标的数据序列,而临床数据本身包含的数据指标丰富,例如,除急性生理评分规则中的临床指标:肛温、基础代谢率、心室率、呼吸频率、氧合作用、饱和氧、动脉血pH值、血清钠、血清钾、血肌酐、红细胞比容以及白细胞计数之外,还包括其它无关的数据指标,例如腰围、体重、尿量以及血压等等,在本实施例的急性生理评分规则中的各项数据指标外,其余数据指标均为噪音数据,通过将噪音数据对应的数据行向量进行剔除,剩下主成分数据行向量,减轻了临床数据的模型特征输入量和数据体量,提高了模型预测的准确性和效率;
根据专家知识库中急性生理慢性健康评分规则包括的临床指标、年龄指标以及慢性健康指标,对样本均衡后历史临床数组进行主成分筛选,得到对应的主若干成分数据行向量;
将若干主成分数据行向量进行组合,得到当前体征类型对应的样本均衡后历史临床主成分数据;
遍历所有体征类型的样本均衡后历史临床数据集,得到不同体征类型对应的若干样本均衡后历史临床主成分数据;
根据不同体征类型的若干样本均衡后历史临床主成分数据的数据均值,对专家知识库中急性生理慢性健康评分规则包括的临床数据范围、年龄数据范围以及慢性健康标准进行优化,得到优化后专家知识库;
使用深度学习算法,构建体征严重程度预测模型,并将若干样本均衡后历史临床主成分数据和对应的历史用户图像数据输入体征严重程度预测模型进行优化,得到优化后体征严重程度预测模型;
深度学习算法为Double-卷积神经网络(Convolutional Neural Network,CNN)-注意力机制Attention-双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)算法,体征严重程度预测模型包括第一特征提取通道、第二特征提取通道、特征融合层以及分类层,特征融合层分别与第一特征提取通道、第二特征提取通道以及分类层连接;
第一特征提取通道包括依次连接的第一CNN层、第一Attention层以及第一BiLSTM层,第二特征提取通道包括依次连接的第二CNN层、第二Attention层以及第二BiLSTM层;
采用双层结构的特征提取通道,同时对临床数据和图像数据进行特征提取,提高了数据分析的效率,然后采用BiLSTM网络对特征进行学习,挖掘数据特征与体征严重程度之间的深层关系,最后通过融合特征进行预测;
获取当前用户的实时临床数据及实时用户图像数据,将当前用户的实时临床数据输入优化后专家知识库进行评估,得到急性生理慢性健康评分和对应的实时临床主成分数据;
将当前用户的实时临床主成分数据和对应的实时用户图像数据输入优化后体征严重程度预测模型进行预测,得到体征严重程度预测结果,包括如下步骤:
将当前用户的实时临床主成分数据输入优化后体征严重程度预测模型的第一特征提取通道,将对应的实时用户图像数据输入输入优化后体征严重程度预测模型的第二特征提取通道;
使用第一CNN层提取实时临床主成分数据的临床数据特征,使用第二CNN层提取实时用户图像数据的图像数据特征;
使用第一Attention层对临床数据特征进行加权,得到临床数据加权特征,使用第二Attention层对图像数据特征进行加权,得到图像数据加权特征;
由于不同的临床数据特征对体征严重程度的影响力不同,通过Attention结构对临床数据特征进行加权分析,提高了体征严重程度预测的准确率;
使用第一BiLSTM层对临床数据加权特征进行学习,得到临床数据特征向量,使用第二BiLSTM层对图像数据加权特征进行学习,得到图像数据特征向量;
使用特征融合层对临床数据特征向量和图像数据特征向量进行特征融合,得到融合特征向量;
使用分类层对融合特征向量进行分类,得到体征严重程度预测值,即体征严重程度预测结果;
将急性生理慢性健康评分和体征严重程度预测结果按照预设报告格式生成对应的急性生理慢性健康评估报告。
实施例2:
如图2所示,本实施例提供一种基于临床数据的急性生理慢性健康评估系统,用于实现急性生理慢性健康评估方法,包括依次连接的专家知识库构建模块、数据处理模块、数据优化模块、模型构建模块、急性生理慢性健康评估模块、体征严重程度预测模块以及报告生成模块;
专家知识库构建模块,用于根据急性生理慢性健康评分规则和若干急性生理慢性健康专家知识,构建专家知识库;
数据处理模块,用于获取若干历史用户的历史临床数据和历史用户图像数据,并对若干历史临床数据进行聚类和样本均衡,得到不同体征类型的若干样本均衡后历史临床数据集;
数据优化模块,用于将若干样本均衡后历史临床数据集输入专家知识库进行优化,得到若干样本均衡后历史临床主成分数据和优化后专家知识库;
模型构建模块,用于使用深度学习算法,构建体征严重程度预测模型,并将若干样本均衡后历史临床主成分数据和对应的历史用户图像数据输入体征严重程度预测模型进行优化,得到优化后体征严重程度预测模型;
急性生理慢性健康评估模块,用于获取当前用户的实时临床数据及实时用户图像数据,将当前用户的实时临床数据输入优化后专家知识库进行评估,得到急性生理慢性健康评分和对应的实时临床主成分数据;
体征严重程度预测模块,用于将当前用户的实时临床主成分数据和对应的实时用户图像数据输入优化后体征严重程度预测模型进行预测,得到体征严重程度预测结果;
报告生成模块,用于将急性生理慢性健康评分和体征严重程度预测结果按照预设报告格式生成对应的急性生理慢性健康评估报告。
本发明提供的一种基于临床数据的急性生理慢性健康评估方法及系统,通过根据急性生理慢性健康评分规则和若干急性生理慢性健康专家知识,构建专家知识库,避免了对专业医生的依赖,降低了医生工作量,减轻了医疗资源的压力,基于用户的临床数据进行自动化的急性生理慢性健康评估和体征严重程度预测,提高了智能化程度、分析效率低以及预测准确性,能够及时的对急性生理体征进行提前预测,也能够对潜在的慢性健康体征进行挖掘和评估,提高了实用性和功能性。
本发明不局限于上述可选的实施方式,任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制,本发明的保护范围应当以权利要求书中界定的为准,并且说明书可以用于解释权利要求书。
Claims (10)
1.一种基于临床数据的急性生理慢性健康评估方法,其特征在于:包括如下步骤:
根据急性生理慢性健康评分规则和若干急性生理慢性健康专家知识,构建专家知识库;
获取若干历史用户的历史临床数据和历史用户图像数据,并对若干历史临床数据进行聚类和样本均衡,得到不同体征类型的若干样本均衡后历史临床数据集;
将若干样本均衡后历史临床数据集输入专家知识库进行优化,得到若干样本均衡后历史临床主成分数据和优化后专家知识库;
使用深度学习算法,构建体征严重程度预测模型,并将若干样本均衡后历史临床主成分数据和对应的历史用户图像数据输入体征严重程度预测模型进行优化,得到优化后体征严重程度预测模型;
获取当前用户的实时临床数据及实时用户图像数据,将当前用户的实时临床数据输入优化后专家知识库进行评估,得到急性生理慢性健康评分和对应的实时临床主成分数据;
将当前用户的实时临床主成分数据和对应的实时用户图像数据输入优化后体征严重程度预测模型进行预测,得到体征严重程度预测结果;
将急性生理慢性健康评分和体征严重程度预测结果按照预设报告格式生成对应的急性生理慢性健康评估报告。
2.根据权利要求1所述的一种基于临床数据的急性生理慢性健康评估方法,其特征在于:所述的急性生理慢性健康评分规则包括急性生理评分规则、年龄评分规则以及慢性健康评分规则,所述的急性生理评分规则包括若干临床指标、临床数据范围以及对应的急性生理分值,所述的年龄评分规则包括若干年龄指标、年龄数据范围以及对应的年龄分值,所述的慢性健康评分规则包括若干慢性健康指标、慢性健康标准和对应的慢性健康分值。
3.根据权利要求2所述的一种基于临床数据的急性生理慢性健康评估方法,其特征在于:所述的急性生理慢性健康评分规则还包括急性生理慢性健康评分计算函数,公式为:
P=w1·p1+w2·p2+w3·p3
式中,P为急性生理慢性健康评分;p1、p2、p3为急性生理评分、年龄评分、慢性健康评分;w1、w2、w3为急性生理评分、年龄评分、慢性健康评分的对应的权值。
4.根据权利要求1所述的一种基于临床数据的急性生理慢性健康评估方法,其特征在于:获取若干历史用户的历史临床数据和历史用户图像数据,并对若干历史临床数据进行聚类和样本均衡,得到不同体征类型的若干样本均衡后历史临床数据集,包括如下步骤:
获取若干历史用户的历史临床数据和历史用户图像数据;
使用k均值聚类算法对若干历史临床数据进行聚类,得到若干聚类中心,并为聚类中心添加体征类型标签;
根据历史临床数据与若干聚类中心的欧氏距离,将历史临床数据聚类至对应的聚类中心,并将聚类中心的体征类型标签作为历史临床数据的体征类型标签,得到不同体征类型的若干历史临床数据集;
更新若干历史临床数据集的聚类中心,得到若干更新后聚类中心;
根据到更新后聚类中心预设的欧氏距离阈值,对若干历史临床数据集进行样本均衡,得到不同体征类型且样本数量相同的若干样本均衡后历史临床数据集。
5.根据权利要求4所述的一种基于临床数据的急性生理慢性健康评估方法,其特征在于:所述的欧氏距离的公式为:
式中,D为历史临床数据(x1,x2,...xn)到聚类中心(y1,y2,...yn)的欧氏距离;n为历史临床数据的维度总数。
6.根据权利要求4所述的一种基于临床数据的急性生理慢性健康评估方法,其特征在于:所述的历史临床数据集包括属于同一体征类型的若干历史临床数据;
所述的样本均衡后历史临床数据集包括属于同一体征类型的若干样本均衡后历史临床数据。
7.根据权利要求6所述的一种基于临床数据的急性生理慢性健康评估方法,其特征在于:将若干样本均衡后历史临床数据集输入专家知识库进行优化,得到若干样本均衡后历史临床主成分数据和优化后专家知识库,包括如下步骤:
将当前体征类型的样本均衡后历史临床数据集中样本均衡后历史临床数据转换为对应的包含若干数据行向量的样本均衡后历史临床数组;
根据专家知识库中急性生理慢性健康评分规则包括的临床指标、年龄指标以及慢性健康指标,对样本均衡后历史临床数组进行主成分筛选,得到对应的主若干成分数据行向量;
将若干主成分数据行向量进行组合,得到当前体征类型对应的样本均衡后历史临床主成分数据;
遍历所有体征类型的样本均衡后历史临床数据集,得到不同体征类型对应的若干样本均衡后历史临床主成分数据;
根据不同体征类型的若干样本均衡后历史临床主成分数据的数据均值,对专家知识库中急性生理慢性健康评分规则包括的临床数据范围、年龄数据范围以及慢性健康标准进行优化,得到优化后专家知识库。
8.根据权利要求1所述的一种基于临床数据的急性生理慢性健康评估方法,其特征在于:所述的深度学习算法为Double-CNN-Attention-BiLSTM算法,所述的体征严重程度预测模型包括第一特征提取通道、第二特征提取通道、特征融合层以及分类层,所述的特征融合层分别与第一特征提取通道、第二特征提取通道以及分类层连接;
所述的第一特征提取通道包括依次连接的第一CNN层、第一Attention层以及第一BiLSTM层,所述的第二特征提取通道包括依次连接的第二CNN层、第二Attention层以及第二BiLSTM层。
9.根据权利要求8所述的一种基于临床数据的急性生理慢性健康评估方法,其特征在于:将当前用户的实时临床主成分数据和对应的实时用户图像数据输入优化后体征严重程度预测模型进行预测,得到体征严重程度预测结果,包括如下步骤:
将当前用户的实时临床主成分数据输入优化后体征严重程度预测模型的第一特征提取通道,将对应的实时用户图像数据输入输入优化后体征严重程度预测模型的第二特征提取通道;
使用第一CNN层提取实时临床主成分数据的临床数据特征,使用第二CNN层提取实时用户图像数据的图像数据特征;
使用第一Attention层对临床数据特征进行加权,得到临床数据加权特征,使用第二Attention层对图像数据特征进行加权,得到图像数据加权特征;
使用第一BiLSTM层对临床数据加权特征进行学习,得到临床数据特征向量,使用第二BiLSTM层对图像数据加权特征进行学习,得到图像数据特征向量;
使用特征融合层对临床数据特征向量和图像数据特征向量进行特征融合,得到融合特征向量;
使用分类层对融合特征向量进行分类,得到体征严重程度预测值,即体征严重程度预测结果。
10.一种基于临床数据的急性生理慢性健康评估系统,用于实现如权利要求1-9任一所述的急性生理慢性健康评估方法,其特征在于:包括依次连接的专家知识库构建模块、数据处理模块、数据优化模块、模型构建模块、急性生理慢性健康评估模块、体征严重程度预测模块以及报告生成模块;
专家知识库构建模块,用于根据急性生理慢性健康评分规则和若干急性生理慢性健康专家知识,构建专家知识库;
数据处理模块,用于获取若干历史用户的历史临床数据和历史用户图像数据,并对若干历史临床数据进行聚类和样本均衡,得到不同体征类型的若干样本均衡后历史临床数据集;
数据优化模块,用于将若干样本均衡后历史临床数据集输入专家知识库进行优化,得到若干样本均衡后历史临床主成分数据和优化后专家知识库;
模型构建模块,用于使用深度学习算法,构建体征严重程度预测模型,并将若干样本均衡后历史临床主成分数据和对应的历史用户图像数据输入体征严重程度预测模型进行优化,得到优化后体征严重程度预测模型;
急性生理慢性健康评估模块,用于获取当前用户的实时临床数据及实时用户图像数据,将当前用户的实时临床数据输入优化后专家知识库进行评估,得到急性生理慢性健康评分和对应的实时临床主成分数据;
体征严重程度预测模块,用于将当前用户的实时临床主成分数据和对应的实时用户图像数据输入优化后体征严重程度预测模型进行预测,得到体征严重程度预测结果;
报告生成模块,用于将急性生理慢性健康评分和体征严重程度预测结果按照预设报告格式生成对应的急性生理慢性健康评估报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311276903.8A CN117198535A (zh) | 2023-09-28 | 2023-09-28 | 一种基于临床数据的急性生理慢性健康评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311276903.8A CN117198535A (zh) | 2023-09-28 | 2023-09-28 | 一种基于临床数据的急性生理慢性健康评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117198535A true CN117198535A (zh) | 2023-12-08 |
Family
ID=88999803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311276903.8A Pending CN117198535A (zh) | 2023-09-28 | 2023-09-28 | 一种基于临床数据的急性生理慢性健康评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117198535A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117894422A (zh) * | 2024-03-18 | 2024-04-16 | 攀枝花学院 | 一种基于icu重症监测的数据可视化方法及系统 |
-
2023
- 2023-09-28 CN CN202311276903.8A patent/CN117198535A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117894422A (zh) * | 2024-03-18 | 2024-04-16 | 攀枝花学院 | 一种基于icu重症监测的数据可视化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111261282A (zh) | 一种基于机器学习的脓毒症早期预测方法 | |
CN106934235B (zh) | 一种基于迁移学习的疾病领域间病人相似性度量迁移系统 | |
CN113040711B (zh) | 一种脑卒中发病风险预测系统、设备、存储介质 | |
CN103714261B (zh) | 二阶段混合模型的智能辅助医疗决策支持方法 | |
WO2022198761A1 (zh) | 一种基于决策树和改进smote算法的哮喘病诊断系统 | |
CN110277167A (zh) | 基于知识图谱的慢性非传染性疾病风险预测系统 | |
CN117198535A (zh) | 一种基于临床数据的急性生理慢性健康评估方法及系统 | |
CN115831364A (zh) | 基于多模态特征融合的2型糖尿病风险分层预测方法 | |
CN111105877A (zh) | 基于深度置信网络的慢性病精确干预方法及系统 | |
CN111951965A (zh) | 基于时序知识图谱的全景式健康动态监测与预测系统 | |
CN111081334A (zh) | 一种基于风险因素概率组合分析的慢性疾病早期预警方法 | |
CN113707317B (zh) | 一种基于混合模型的疾病危险因素重要性分析方法 | |
CN114628008A (zh) | 一种基于异质图注意力网络的社交用户抑郁倾向检测方法 | |
CN109192312B (zh) | 一种心力衰竭患者不良事件智能管理系统及方法 | |
CN113345590B (zh) | 一种基于异质图的用户心理健康监测方法及系统 | |
CN111611375B (zh) | 一种基于深度学习和转折关系的文本情感分类方法 | |
CN112668633A (zh) | 一种基于细粒度领域自适应的图迁移学习方法 | |
CN112348360A (zh) | 一种基于大数据技术的中药生产工艺参数分析系统 | |
CN116564521A (zh) | 一种慢性病风险评估模型建立方法、介质及系统 | |
CN106485054A (zh) | 基于bp神经网络算法的智能诊断用数据分析方法及系统 | |
AU2021102593A4 (en) | A Method for Detection of a Disease | |
CN113012776B (zh) | 大规模不平衡糖尿病电子病历并行分类邻域证据Spark方法 | |
CN114504298A (zh) | 基于多源健康感知数据融合的生理特征判别方法及系统 | |
CN117235487B (zh) | 一种用于预测哮喘患者住院事件的特征提取方法和系统 | |
CN117079821B (zh) | 一种患者住院事件预测方法 |
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 |