CN117438023B - 基于大数据的医院信息管理方法及系统 - Google Patents
基于大数据的医院信息管理方法及系统 Download PDFInfo
- Publication number
- CN117438023B CN117438023B CN202311424768.7A CN202311424768A CN117438023B CN 117438023 B CN117438023 B CN 117438023B CN 202311424768 A CN202311424768 A CN 202311424768A CN 117438023 B CN117438023 B CN 117438023B
- Authority
- CN
- China
- Prior art keywords
- patient
- information
- data
- stage
- prediction
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 21
- 201000010099 disease Diseases 0.000 claims abstract description 37
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 229940079593 drug Drugs 0.000 claims abstract description 9
- 239000003814 drug Substances 0.000 claims abstract description 9
- 108091026890 Coding region Proteins 0.000 claims description 25
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 abstract description 11
- 208000005718 Stomach Neoplasms Diseases 0.000 description 4
- 206010017758 gastric cancer Diseases 0.000 description 4
- 201000011549 stomach cancer Diseases 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 208000004300 Atrophic Gastritis Diseases 0.000 description 1
- 208000036495 Gastritis atrophic Diseases 0.000 description 1
- 208000007107 Stomach Ulcer Diseases 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 235000021168 barbecue Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000016644 chronic atrophic gastritis Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 201000005917 gastric ulcer Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 235000005955 light diet Nutrition 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于大数据的医院信息管理方法及系统,涉及大数据与医疗管理领域,所述方法包括:获取医院患者的数据信息,其包括患者的个人信息、电子病历、用药信息、医学影像以及医院检查数据;将所述患者的数据信息划分为患者属性信息与医学属性信息,以及,通过数据集成建立各个所述患者的用户画像;通过对所述患者的用户画像进行多级融合时序预测分析,对各个所述患者在预设时间内的病情进行预测,所述病情的预测包括发病时间间隔预测以及疾病特征异常波动范围预测。本发明根据患者的数据信息对患者的病情进行预测分析,为患者提供更加优质的服务,同时全面提升了医院服务质量和管理水平。
Description
技术领域
本发明涉及大数据与医疗管理领域,具体涉及一种基于大数据的医院信息管理方法及系统。
背景技术
随着大数据时代的到来,医疗业务过程同样也是个医疗大数据累积的过程,并对医疗卫生行业产生巨大的影响。为提高面向患者的优质服务,需要对患者数据信息进行挖掘精炼得到高质量的特征标识,进而对患者的病情进行预测分析,同时全面提升医院服务质量和管理水平。
目前,多是仅对患者在治疗期间的疾病情况进行诊断或跟踪,对每位患者的身体状况进行表达,但都是根据患者发病时进行的检测结果而定,对患者病情发展,例如,加重还是减轻,以及后续发病率的变化,也是根据医师的经验进行大约估值,导致了对患者病情发展的预判全是出自人为经验,非常不稳定,且对于有病情恶化趋势的患者,通过单纯的查看病历数据,也难以进行有效预判,难以对患者的发病时间间隔以及疾病特征异常波动范围进行有效预测。并且,大多的医疗业务数据也不够全面,存在数据缺失或错误等问题,难以搭建患者画像,进而影响对患者的病情进行预测分析。
因此,如何根据医疗业务数据对患者进行画像以及病情预测的问题亟需解决。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述全部或至少一部分问题的基于大数据的医院信息管理方法及系统。
根据本发明的一个方面,提供了一种基于大数据的医院信息管理方法,包括:
获取医院患者的数据信息,其包括患者的个人信息、电子病历、用药信息、医学影像以及医院检查数据;
将所述患者的数据信息划分为患者属性信息与医学属性信息,以及,通过数据集成建立各个所述患者的用户画像;
通过对所述患者的用户画像进行多级融合时序预测分析,对各个所述患者在预设时间内的病情进行预测,所述病情的预测包括发病时间间隔预测以及疾病特征异常波动范围预测。
更进一步地,所述患者属性信息包括患者的性别、年龄、职业、疾病以及所在地域信息,所述医学属性信息包括医院、科室以及治疗方案信息。
更进一步地,所述通过数据集成建立各个所述患者的用户画像之前,对所述患者的数据信息进行空缺值处理、异常值处理以及重复值处理;
其中,所述空缺值处理利用判定树进行补充,所述判定树获得编码数据的公式具体为:
其中,s为患者各维度的数据信息,m为数量,为判断树的分支,/>为给定数据的期望信息。
更进一步地,所述期望信息的具体公式为:
其中,为概率;
所述判断树的分支的具体公式为:
其中,A为患者各维度的数据属性,为数据属性的不同值,/>为在数据属性上的值。
更进一步地,所述通过数据集成建立各个所述患者的用户画像进一步包括:
通过LSTM循环神经网络对所述患者的数据信息在时间维度进行注意力学习,得到各个预设时间步长的相似度权值;
对所述相似度权值进行加权计算得到各个时间步长向量,对所述各个时间步长向量进行归一化得到所述患者的用户画像标签;
根据所述用户画像标签进行数据切片、切块、旋转操作,得到各个所述患者的用户画像。
更进一步地,所述通过对所述患者的用户画像进行多级融合时序预测分析进一步包括:
通过多级编码器对所述患者的用户画像进行多级融合时序预测分析,其中,所述多级编码器包括多头注意力网络、小波分解网络以及时序分解网络。
更进一步地,所述通过多级编码器对所述患者的用户画像进行多级融合时序预测分析进一步包括:
针对任一级多级编码器,该多级编码器获取其上一级多级编码器的输出序列做为第一编码序列,所述多头注意力网络基于所述第一编码序列提取相关性得到第二编码序列;
所述小波分解网络将所述第一编码序列分解得到高频波动分量和低频波动分量,以及,将所述第一编码序列与所述第二编码序列相加得到的序列分解得到时序分量;
将所述高频波动分量和低频波动分量融合至所述时序分量,根据所述时序分解网络对所述时序分量进行预测分析。
更进一步地,所述小波分解网络包括第一线性层和第二线性层,所述第一线性层以及第二线性层包括权重矩阵与偏置系数,其中,所述第一线性层的权重矩阵对应高频滤波器,所述第二线性层的权重矩阵对应低频滤波器。
更进一步地,所述通过对所述患者的用户画像进行多级融合时序预测分析进一步包括:
通过单步预测方法和多步预测方法分别对所述患者的用户画像进行中短期多级融合时序预测。
根据本发明的另一方面,提供了一种基于大数据的医院信息管理系统,包括:
获取模块,用于获取医院患者的数据信息,其包括患者的个人信息、电子病历、用药信息、医学影像以及医院检查数据;
处理模块,用于将所述患者的数据信息划分为患者属性信息与医学属性信息,以及,通过数据集成建立各个所述患者的用户画像;
预测模块,用于通过对所述患者的用户画像进行多级融合时序预测分析,对各个所述患者在预设时间内的病情进行预测,所述病情的预测包括发病时间间隔预测以及疾病特征异常波动范围预测。
根据本发明提供的方案,获取医院患者的数据信息,其包括患者的个人信息、电子病历、用药信息、医学影像以及医院检查数据;将所述患者的数据信息划分为患者属性信息与医学属性信息,以及,通过数据集成建立各个所述患者的用户画像;通过对所述患者的用户画像进行多级融合时序预测分析,对各个所述患者在预设时间内的病情进行预测,所述病情的预测包括发病时间间隔预测以及疾病特征异常波动范围预测。本发明根据患者的数据信息对患者的病情进行预测分析,为患者提供更加优质的服务,同时全面提升了医院服务质量和管理水平。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例的基于大数据的医院信息管理方法的流程示意图;
图2示出了本发明实施例的基于大数据的医院信息管理系统的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例的基于大数据的医院信息管理方法的流程示意图。本方法将患者的数据信息划分为患者属性信息与医学属性信息,通过数据集成建立各个患者的用户画像;通过多级融合时序预测患者的发病时间间隔以及疾病特征异常波动范围。具体地,包括以下步骤:
步骤S101,获取医院患者的数据信息,其包括患者的个人信息、电子病历、用药信息、医学影像以及医院检查数据。
例如,通过中间层与医院的多源异构数据接口(如HIS/EMR、RIS等系统)进行连接,中间层可以屏蔽数据源的异构性以及分布性,并能提供统一标准接口,包括患者的个人信息、电子病历、用药信息、医学影像以及医院检查数据。可选地,还可以包括语音数据、文字数据以及数值数据等。
步骤S102,将所述患者的数据信息划分为患者属性信息与医学属性信息,以及,通过数据集成建立各个所述患者的用户画像。
患者的用户画像就是给每个患者贴上“标签”,标签通常是具备高辨识特性的标识,例如通过年龄、性别、地区、家族史、既往患病历史等多个维度来标识患者。
例如,胃癌患者的用户画像:
年龄:高发年龄是40岁以上的中老年人,男女不限;
饮食习惯:喜好高盐、高油、高热量;
患病史:既往患有萎缩性胃炎、胃溃疡的患者,患胃癌概率很大;
区域性:喜欢烧烤制品、烟熏制品的区域患病概率大,而饮食清淡的沿海地区患病概率小;
家族患病史:家族中曾经出现胃癌的患者,患胃癌的概率增大。
更进一步地,所述患者属性信息包括患者的性别、年龄、职业、疾病以及所在地域信息,所述医学属性信息包括医院、科室以及治疗方案信息。
患者属性信息包括患者的性别、年龄、职业、疾病以及所在地域信息等基础信息,医学属性信息包括医院、科室以及治疗方案信息。例如,对三十岁至五十岁的患者所采取的方案不同,而对其地域信息进行采集,如患者在潮湿地区,其发病原因与干燥地区不同,从而提高对患者疾病预测的准确程度。
更进一步地,所述通过数据集成建立各个所述患者的用户画像之前,对所述患者的数据信息进行空缺值处理、异常值处理以及重复值处理;
其中,所述空缺值处理利用判定树进行补充,所述判定树获得编码数据的公式具体为:
其中,s为患者各维度的数据信息,m为数量,为判断树的分支,/>为给定数据的期望信息。
空缺值、异常值以及重复值产生的原因有多种(人为或机器原因),对其进行处理是数据清洗的重中之重。其中的空缺值主要以两种形式存在,一种是None(一种对象类型,不可运算),另一种则是NAN(浮点类型,可运算)。目前对空缺值的处理方式,一种是直接删除空缺值所在的行或列(这种情况只能用于当空缺值的个数比较少时),另一种是用其他数值填补(均值、前后数值等)。本实例中,利用判定树对空缺值进行补充,可以识别较为重要的字段,并且填充后的数据准确度高,与原数据在方向上不会发生改变。判定树算法是一组规则集合,使用递归的方式将数据样本划分成更小的子集合,直到每一个子集合拥有独有的所属类别标签。该算法通常采用信息论作为属性选择方法。
更进一步地,所述期望信息的具体公式为:
其中,为概率;
所述判断树的分支的具体公式为:
其中,A为患者各维度的数据属性,为数据属性的不同值,/>为在数据属性上的值。
更进一步地,所述通过数据集成建立各个所述患者的用户画像进一步包括:
通过LSTM循环神经网络对所述患者的数据信息在时间维度进行注意力学习,得到各个预设时间步长的相似度权值。LSTM循环神经网络引入“门”结构和“细胞状态”,门结构可以控制信息的流入和流出,细胞状态则可以长期存储状态,能够在长序列中更好地捕捉依赖关系。
对所述相似度权值进行加权计算得到各个时间步长向量,对所述各个时间步长向量进行归一化得到所述患者的用户画像标签;
根据所述用户画像标签进行数据切片、切块、旋转操作,得到各个所述患者的用户画像。其中,切片是在数据立方体的某一维度上选定一个维成员的操作,切块是在两个或多个维度上操作。切片和切块操作可以快速定位感兴趣的数据,从而深入分析和挖掘数据中的规律和异常值。在旋转操作中,将横向的维度转置为纵向的维度,以便更好地展示和分析数据。例如,横向的日期维度可以通过旋转,转变为纵向的日期时间轴,方便分析时间序列数据的趋势和变化。
步骤S103,通过对所述患者的用户画像进行多级融合时序预测分析,对各个所述患者在预设时间内的病情进行预测,所述病情的预测包括发病时间间隔预测以及疾病特征异常波动范围预测。
更进一步地,所述通过对所述患者的用户画像进行多级融合时序预测分析进一步包括:
通过多级编码器对所述患者的用户画像进行多级融合时序预测分析,其中,所述多级编码器包括多头注意力网络、小波分解网络以及时序分解网络。
多头注意力网络提高了注意力机制的空间分辨率,提高了并发度和计算效率。小波分解网络将数据转换到同时带有时域和频域特征,将原始的时间序列通过小波转换后得到特征再送给神经网络,比直接利用神经网络的方法在性能上会更优。
更进一步地,所述通过多级编码器对所述患者的用户画像进行多级融合时序预测分析进一步包括:
针对任一级多级编码器,该多级编码器获取其上一级多级编码器的输出序列做为第一编码序列,所述多头注意力网络基于所述第一编码序列提取相关性得到第二编码序列;
所述小波分解网络将所述第一编码序列分解得到高频波动分量和低频波动分量,以及,将所述第一编码序列与所述第二编码序列相加得到的序列分解得到时序分量;
将所述高频波动分量和低频波动分量融合至所述时序分量,根据所述时序分解网络对所述时序分量进行预测分析。
本实施例中,针对任一级多级编码器,该多级编码器获取其上一级多级编码器的输出序列做为第一编码序列,可加强各个多级编码器之间的信息交互。相比于其他模型,具有更高的时序预测性能,能够直接参与到神经网络的全局参数优化中,提升模型对时间、趋势、高低频信息的提取能力。其中,高通滤波器通过滤除低频信号以增强高频信号,低通滤波器滤除高频信号保留低频信号以进行降噪,防止模型出现过拟合。本实施例中,高通滤波器和低通滤波器通过卷积层实现,其中卷积核的权重是滤波器的系数,通过调整卷积核的大小和系数实现不同的滤波效果。
更进一步地,所述小波分解网络包括第一线性层和第二线性层,所述第一线性层以及第二线性层包括权重矩阵与偏置系数,其中,所述第一线性层的权重矩阵对应高频滤波器,所述第二线性层的权重矩阵对应低频滤波器。
本实施例中,小波分解网络设置有两个线性层以进行小波变换,其中,两个线性层的权重矩阵、偏置为可学习参数,分别对应着高频和低频滤波器。可以利用现有技术对滤波系数进行初始化,本文对此不加以限定。
更进一步地,所述通过对所述患者的用户画像进行多级融合时序预测分析进一步包括:
通过单步预测方法和多步预测方法分别对所述患者的用户画像进行中短期多级融合时序预测。
例如,分别进行1个月、6个月和3年的中短期预测。可选地,从单步预测方法和多步预测方法选择多种算法建立组合预测模型,对时序相关序列数据组进行中短期的时序预测。
根据本发明提供的方案,获取医院患者的数据信息,其包括患者的个人信息、电子病历、用药信息、医学影像以及医院检查数据;将所述患者的数据信息划分为患者属性信息与医学属性信息,以及,通过数据集成建立各个所述患者的用户画像;通过对所述患者的用户画像进行多级融合时序预测分析,对各个所述患者在预设时间内的病情进行预测,所述病情的预测包括发病时间间隔预测以及疾病特征异常波动范围预测。本发明根据患者的数据信息对患者的病情进行预测分析,为患者提供更加优质的服务,同时全面提升了医院服务质量和管理水平。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
Claims (4)
1.一种基于大数据的医院信息管理方法,其特征在于,包括:
获取医院患者的数据信息,其包括患者的个人信息、电子病历、用药信息、医学影像以及医院检查数据;
将所述患者的数据信息划分为患者属性信息与医学属性信息,其中,所述患者属性信息包括患者的性别、年龄、职业、疾病以及所在地域信息,所述医学属性信息包括医院、科室以及治疗方案信息;以及,通过LSTM循环神经网络对所述患者的数据信息在时间维度进行注意力学习,得到各个预设时间步长的相似度权值;对所述相似度权值进行加权计算得到各个时间步长向量,对所述各个时间步长向量进行归一化得到所述患者的用户画像标签;根据所述用户画像标签进行数据切片、切块、旋转操作,得到各个所述患者的用户画像;
根据单步预测方法和多步预测方法分别通过多级编码器对所述患者的用户画像进行中短期多级融合时序预测分析;其中,所述多级编码器包括多头注意力网络、小波分解网络以及时序分解网络,所述小波分解网络包括第一线性层和第二线性层,所述第一线性层以及第二线性层包括权重矩阵与偏置系数,所述第一线性层的权重矩阵对应高频滤波器,所述第二线性层的权重矩阵对应低频滤波器;
针对任一级多级编码器,该多级编码器获取其上一级多级编码器的输出序列做为第一编码序列,所述多头注意力网络基于所述第一编码序列提取相关性得到第二编码序列;所述小波分解网络将所述第一编码序列分解得到高频波动分量和低频波动分量,以及,将所述第一编码序列与所述第二编码序列相加得到的序列分解得到时序分量;将所述高频波动分量和低频波动分量融合至所述时序分量,根据所述时序分解网络对所述时序分量进行预测分析;对各个所述患者在预设时间内的病情进行预测,所述病情的预测包括发病时间间隔预测以及疾病特征异常波动范围预测。
2.根据权利要求1所述的基于大数据的医院信息管理方法,其特征在于,所述得到各个所述患者的用户画像之前,对所述患者的数据信息进行空缺值处理、异常值处理以及重复值处理;
其中,所述空缺值处理利用判定树进行补充,所述判定树获得编码数据的公式具体为:
;
其中,s为患者各维度的数据信息,m为数量,为判断树的分支,/>为给定数据的期望信息。
3.根据权利要求2所述的基于大数据的医院信息管理方法,其特征在于,所述期望信息的具体公式为:
;
其中,为概率;
所述判断树的分支的具体公式为:
;
其中,A为患者各维度的数据属性,为数据属性的不同值,/>为在数据属性上的值。
4.一种基于大数据的医院信息管理系统,该系统基于如权利要求1-3任一项所述的基于大数据的医院信息管理方法,其特征在于,包括:
获取模块,用于获取医院患者的数据信息,其包括患者的个人信息、电子病历、用药信息、医学影像以及医院检查数据;
处理模块,用于将所述患者的数据信息划分为患者属性信息与医学属性信息,其中,所述患者属性信息包括患者的性别、年龄、职业、疾病以及所在地域信息,所述医学属性信息包括医院、科室以及治疗方案信息;以及,通过LSTM循环神经网络对所述患者的数据信息在时间维度进行注意力学习,得到各个预设时间步长的相似度权值;对所述相似度权值进行加权计算得到各个时间步长向量,对所述各个时间步长向量进行归一化得到所述患者的用户画像标签;根据所述用户画像标签进行数据切片、切块、旋转操作,得到各个所述患者的用户画像;根据单步预测方法和多步预测方法分别通过多级编码器对所述患者的用户画像进行中短期多级融合时序预测分析;其中,所述多级编码器包括多头注意力网络、小波分解网络以及时序分解网络,所述小波分解网络包括第一线性层和第二线性层,所述第一线性层以及第二线性层包括权重矩阵与偏置系数,所述第一线性层的权重矩阵对应高频滤波器,所述第二线性层的权重矩阵对应低频滤波器;
预测模块,用于针对任一级多级编码器,该多级编码器获取其上一级多级编码器的输出序列做为第一编码序列,所述多头注意力网络基于所述第一编码序列提取相关性得到第二编码序列;所述小波分解网络将所述第一编码序列分解得到高频波动分量和低频波动分量,以及,将所述第一编码序列与所述第二编码序列相加得到的序列分解得到时序分量;将所述高频波动分量和低频波动分量融合至所述时序分量,根据所述时序分解网络对所述时序分量进行预测分析;对各个所述患者在预设时间内的病情进行预测,所述病情的预测包括发病时间间隔预测以及疾病特征异常波动范围预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311424768.7A CN117438023B (zh) | 2023-10-31 | 2023-10-31 | 基于大数据的医院信息管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311424768.7A CN117438023B (zh) | 2023-10-31 | 2023-10-31 | 基于大数据的医院信息管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117438023A CN117438023A (zh) | 2024-01-23 |
CN117438023B true CN117438023B (zh) | 2024-04-26 |
Family
ID=89551142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311424768.7A Active CN117438023B (zh) | 2023-10-31 | 2023-10-31 | 基于大数据的医院信息管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117438023B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0917078A1 (en) * | 1996-09-30 | 1999-05-19 | Smithkline Beecham Corporation | Disease management method and system |
JP2005050212A (ja) * | 2003-07-30 | 2005-02-24 | Mitsui Sumitomo Insurance Co Ltd | 疾患症状予測サーバ、疾患症状予測システム、疾患症状予測方法、及びプログラム |
CN106778014A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大学 | 一种基于循环神经网络的患病风险预测方法 |
CN109817338A (zh) * | 2019-02-13 | 2019-05-28 | 北京大学第三医院(北京大学第三临床医学院) | 一种慢性病加重风险评估与告警系统 |
KR20190115330A (ko) * | 2018-04-02 | 2019-10-11 | 주식회사 씨씨앤아이리서치 | 만성 호흡기 질환의 급성 악화 예측용 애플리케이션 |
CN110347837A (zh) * | 2019-07-17 | 2019-10-18 | 电子科技大学 | 一种心血管疾病非计划再住院风险预测方法 |
CN111581300A (zh) * | 2020-05-09 | 2020-08-25 | 山东健康医疗大数据有限公司 | 一种基于健康医疗数据的标签矩阵构建及更新方法 |
CN113205523A (zh) * | 2021-04-29 | 2021-08-03 | 浙江大学 | 多尺度表征优化的医学影像分割识别系统、终端及存储介质 |
CN113851220A (zh) * | 2021-08-17 | 2021-12-28 | 合肥工业大学 | 基于时序医疗健康数据的病情趋势预测方法和系统 |
CN114783608A (zh) * | 2022-05-10 | 2022-07-22 | 电子科技大学 | 基于图自编码器的慢病人群疾病风险预测模型的构建方法 |
CN114817773A (zh) * | 2022-05-11 | 2022-07-29 | 中国科学院计算机网络信息中心 | 一种基于多级分解和融合的时序预测系统及方法 |
CN114974485A (zh) * | 2022-04-13 | 2022-08-30 | 乐山市人民医院 | 一种慢病智能化管理方法及系统 |
WO2022227294A1 (zh) * | 2021-04-30 | 2022-11-03 | 山东大学 | 一种基于多模态融合的疾病风险预测方法和系统 |
CN115444366A (zh) * | 2022-08-30 | 2022-12-09 | 广东工业大学 | 一种麻醉深度预测方法 |
CN115458161A (zh) * | 2022-10-19 | 2022-12-09 | 联仁健康医疗大数据科技股份有限公司 | 乳腺癌进展分析方法、装置、设备和介质 |
CN115458108A (zh) * | 2022-10-08 | 2022-12-09 | 上海市内分泌代谢病研究所 | 一种融合多元技术的可视化糖尿病大数据智能分析系统 |
CN116070096A (zh) * | 2023-02-22 | 2023-05-05 | 医途(杭州)科技有限公司 | 通过大数据分析帮助医院搭建患者画像的方法及系统 |
CN116110588A (zh) * | 2022-05-10 | 2023-05-12 | 北京理工大学 | 基于动态邻接矩阵和时空注意力的医学时间序列预测方法 |
CN116230245A (zh) * | 2023-02-10 | 2023-06-06 | 杭州未名信科科技有限公司 | 疾病病程预测方法、装置、电子设备及存储介质 |
WO2023124190A1 (zh) * | 2021-12-27 | 2023-07-06 | 之江实验室 | 一种基于图神经网络的疾病诊断预测系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220399115A1 (en) * | 2021-06-14 | 2022-12-15 | Milagro AI Care Ltd. | System and method for prediction of diseases from signs and symptoms extracted from electronic health records |
-
2023
- 2023-10-31 CN CN202311424768.7A patent/CN117438023B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0917078A1 (en) * | 1996-09-30 | 1999-05-19 | Smithkline Beecham Corporation | Disease management method and system |
JP2005050212A (ja) * | 2003-07-30 | 2005-02-24 | Mitsui Sumitomo Insurance Co Ltd | 疾患症状予測サーバ、疾患症状予測システム、疾患症状予測方法、及びプログラム |
CN106778014A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大学 | 一种基于循环神经网络的患病风险预测方法 |
KR20190115330A (ko) * | 2018-04-02 | 2019-10-11 | 주식회사 씨씨앤아이리서치 | 만성 호흡기 질환의 급성 악화 예측용 애플리케이션 |
CN109817338A (zh) * | 2019-02-13 | 2019-05-28 | 北京大学第三医院(北京大学第三临床医学院) | 一种慢性病加重风险评估与告警系统 |
CN110347837A (zh) * | 2019-07-17 | 2019-10-18 | 电子科技大学 | 一种心血管疾病非计划再住院风险预测方法 |
CN111581300A (zh) * | 2020-05-09 | 2020-08-25 | 山东健康医疗大数据有限公司 | 一种基于健康医疗数据的标签矩阵构建及更新方法 |
CN113205523A (zh) * | 2021-04-29 | 2021-08-03 | 浙江大学 | 多尺度表征优化的医学影像分割识别系统、终端及存储介质 |
WO2022227294A1 (zh) * | 2021-04-30 | 2022-11-03 | 山东大学 | 一种基于多模态融合的疾病风险预测方法和系统 |
CN113851220A (zh) * | 2021-08-17 | 2021-12-28 | 合肥工业大学 | 基于时序医疗健康数据的病情趋势预测方法和系统 |
WO2023124190A1 (zh) * | 2021-12-27 | 2023-07-06 | 之江实验室 | 一种基于图神经网络的疾病诊断预测系统 |
CN114974485A (zh) * | 2022-04-13 | 2022-08-30 | 乐山市人民医院 | 一种慢病智能化管理方法及系统 |
CN114783608A (zh) * | 2022-05-10 | 2022-07-22 | 电子科技大学 | 基于图自编码器的慢病人群疾病风险预测模型的构建方法 |
CN116110588A (zh) * | 2022-05-10 | 2023-05-12 | 北京理工大学 | 基于动态邻接矩阵和时空注意力的医学时间序列预测方法 |
CN114817773A (zh) * | 2022-05-11 | 2022-07-29 | 中国科学院计算机网络信息中心 | 一种基于多级分解和融合的时序预测系统及方法 |
CN115444366A (zh) * | 2022-08-30 | 2022-12-09 | 广东工业大学 | 一种麻醉深度预测方法 |
CN115458108A (zh) * | 2022-10-08 | 2022-12-09 | 上海市内分泌代谢病研究所 | 一种融合多元技术的可视化糖尿病大数据智能分析系统 |
CN115458161A (zh) * | 2022-10-19 | 2022-12-09 | 联仁健康医疗大数据科技股份有限公司 | 乳腺癌进展分析方法、装置、设备和介质 |
CN116230245A (zh) * | 2023-02-10 | 2023-06-06 | 杭州未名信科科技有限公司 | 疾病病程预测方法、装置、电子设备及存储介质 |
CN116070096A (zh) * | 2023-02-22 | 2023-05-05 | 医途(杭州)科技有限公司 | 通过大数据分析帮助医院搭建患者画像的方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于大数据的患者画像标签体系构建方法及应用研究;姚华彦,等;中国卫生信息管理杂志;20191220;第16卷(第06期);667-671 * |
Also Published As
Publication number | Publication date |
---|---|
CN117438023A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lodha et al. | Diagnosis of alzheimer's disease using machine learning | |
Cheng et al. | Robust multi-label transfer feature learning for early diagnosis of Alzheimer’s disease | |
Akter et al. | Prediction of cervical cancer from behavior risk using machine learning techniques | |
Zaitcev et al. | A deep neural network application for improved prediction of $\text {HbA} _ {\text {1c}} $ in type 1 diabetes | |
CN115131642B (zh) | 一种基于多视子空间聚类的多模态医学数据融合系统 | |
Zhou et al. | Optimizing autoencoders for learning deep representations from health data | |
Oyelade et al. | A novel wavelet decomposition and transformation convolutional neural network with data augmentation for breast cancer detection using digital mammogram | |
CN110910991B (zh) | 一种医用自动图像处理系统 | |
Huang et al. | Multiclass machine learning classification of functional brain images for Parkinson's disease stage prediction | |
CN116386869A (zh) | 一种基于多变量的病情危重程度评估方法 | |
Chen et al. | Development of a brain MRI-based hidden Markov model for dementia recognition | |
Sreenivasulu et al. | An efficient lossless ROI image compression using wavelet-based modified region growing algorithm | |
Kirubakaran et al. | Echo state learned compositional pattern neural networks for the early diagnosis of cancer on the internet of medical things platform | |
Hussain et al. | Machine learning-based lungs cancer detection using reconstruction independent component analysis and sparse filter features | |
Pradhan et al. | Optimizing CNN‐LSTM hybrid classifier using HCA for biomedical image classification | |
Kang et al. | Autism spectrum disorder recognition based on multi-view ensemble learning with multi-site fMRI | |
Yeswanth et al. | Super resolution-based leaf disease detection in potato plant using broad deep residual network (BDRN) | |
CN117438023B (zh) | 基于大数据的医院信息管理方法及系统 | |
Albraikan et al. | Automated Deep Learning Based Melanoma Detection and Classification Using Biomedical Dermoscopic Images. | |
Yu et al. | Retinal vessel segmentation with constrained-based nonnegative matrix factorization and 3D modified attention U-Net | |
Shrestha et al. | A novel solution of an elastic net regularisation for dementia knowledge discovery using deep learning | |
Zhang et al. | Cortex2vector: anatomical embedding of cortical folding patterns | |
Srinivasan et al. | A novel approach to schizophrenia Detection: Optimized preprocessing and deep learning analysis of multichannel EEG data | |
Avşar et al. | Classifying Alzheimer's disease based on a convolutional neural network with MRI images | |
US20220391760A1 (en) | Combining model outputs into a combined model output |
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 |