CN117936006A - 一种基于大数据的医疗信息处理方法及系统 - Google Patents
一种基于大数据的医疗信息处理方法及系统 Download PDFInfo
- Publication number
- CN117936006A CN117936006A CN202410118034.4A CN202410118034A CN117936006A CN 117936006 A CN117936006 A CN 117936006A CN 202410118034 A CN202410118034 A CN 202410118034A CN 117936006 A CN117936006 A CN 117936006A
- Authority
- CN
- China
- Prior art keywords
- medical information
- data
- processing
- medical
- information
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 47
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 82
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000003745 diagnosis Methods 0.000 claims abstract description 25
- 238000007621 cluster analysis Methods 0.000 claims abstract description 18
- 230000002787 reinforcement Effects 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 49
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 11
- 239000012634 fragment Substances 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 239000003814 drug Substances 0.000 claims description 7
- 229940079593 drug Drugs 0.000 claims description 7
- 238000005295 random walk Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种基于大数据的医疗信息处理方法及系统，涉及医疗数据处理技术领域，包括获取历史医疗信息数据；遍历历史医疗信息数据，对历史医疗信息数据进行聚类分析，调取医学信息数据库中同种类医疗诊断结果相对应的患者的音频信息，将聚类分析结果和音频信息进行整合，得到不同数据结构的医疗信息数据；基于改进的CNN算法模型对所有不同数据结构的医疗信息进行处理，计算得到医疗信息的权重分析结果；采用Q‑learning强化学习算法对医疗信息的权重分析结果进行计算调整，得到处理医疗信息的最优调度处理策略。本发明的有益效果为避免冗杂数据的出现扰乱数据的准确度，以辅助医生临床决策，为医疗信息的分类提供基础，提高医疗信息处理的效率。
Description
技术领域
本发明涉及医疗数据处理技术领域，具体而言，涉及基于大数据的医疗信息处理方法及系统。
背景技术
随着社会的发展，人们的生活水平显著提高，对医疗健康越来越重视。医疗的数字化使得接入医疗设备实现数字化，目前，医院记录存储大量的真实医疗文本信息，例如病例信息，手术信息等，医院具有大量的医疗数据，随着医疗数据的快速增长，医疗相关人员需要了解现有的医疗数据，以便丰富完善自身的医疗知识，提高诊疗水平，或者进行科研教学等。
在诊疗过程中，医生主要通过看检验报告以及历史数据来了解与患者相关的疾病诊疗信息。因此，能否正确地了解检验报告中所蕴含的疾病相关信息，将直接关乎其对病情掌握的全面性和准确度，进而影响到随后的医疗决策和处理。然而，在实务中该项工作却远非理想，甚至经常出错。并且，由于与疾病相关的信息散布于各个检查报告中，即使门诊医生浏览完了所有相关的检验报告，在后期的回诊过程中也难以第一时间且准确的将每个患者的病情记起，并且也难以将内容涵义建立全面透彻地理解。有些患者的病情特别紧急，有些患者的病情则较缓，因此，经常会在没有全面透彻理解所有的检验报告内涵的前提下，留下较低的分析结果和处置记录，依赖于人工处理医疗数据信息终究效率低下且在一定程度上容易出错。
发明内容
本发明的目的在于提供一种基于大数据的医疗信息处理方法及系统，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种基于大数据的医疗信息处理方法，包括：
获取历史医疗信息数据，其中包括电子病历、医学档案、医学影像、生理参数、药物信息以及研究数据；
遍历历史医疗信息数据，基于查找到的同种类医疗诊断结果，对历史医疗信息数据进行聚类分析，将聚类分析结果输入至医学信息数据库中；
调取医学信息数据库中同种类医疗诊断结果相对应的患者的音频信息，其中音频信息为医生与患者沟通病情时的音频信息内容；
将聚类分析结果和音频信息进行整合，得到不同数据结构的医疗信息数据；基于改进的CNN算法模型对所有不同数据结构的医疗信息进行处理，计算得到医疗信息的权重分析结果；
采用Q-learning强化学习算法对医疗信息的权重分析结果进行计算调整，得到处理医疗信息的最优调度处理策略。
优选地，所述对历史医疗信息数据进行聚类分析，其中包括：
对历史医疗信息数据进行预处理，得到预处理后的历史医疗信息；其中包括剔除历史医疗信息数据中无效数据，将剩余残缺数据进行均值填补；
对历史医疗信息中的数据进行异常值处理，并将历史医疗信息中至少部分数据项进行归一化处理，得到处理结果；
将处理结果中的数据进行相互关联，针对每一个关联数据建立关联矩阵；
计算每个关联矩阵的相邻样本，过滤不符合预设范围的样本信息，得到过滤后的关联矩阵，并利用随机游走算法融合不同组信息的关联矩阵。
优选地，所述调取医学信息数据库中同种类医疗诊断结果相对应的患者的音频信息，其中包括：
识别同种类医疗诊断结果中的关键词汇；
针对关键词汇搜索医学信息数据库中所有符合条件的关键语句；
调取关键语句所属的音频样本片段，并对音频样本片段进行预处理，得到患者的音频样本集信息，其中预处理过程包括傅立叶变换、梅尔滤波和离散余弦变换。
优选地，所述基于改进的CNN算法模型对所有不同数据结构的医疗信息进行处理，计算得到医疗信息的权重分析结果，其中包括：
引入自调整功能的重采样算法至改进的CNN模型中，其中包括通过利用动态自适应策略，对医疗信息数据分布进行处理，其计算公式如下：
其中，为当前权重值，/>为初始权重平衡值，/>为最终权重，/>为权重因子的索引参数，c为次数。
优选地，所述改进的CNN模型，其中包括：
基于CNN模型，结合自编码神经网络辅助模型，计算卷积层特征图，将卷积数据转换为向量数据，并进行卷积运算，得到相应的卷积结果，其中步骤包括编码、重构以及更新参数，其将卷积数据转换为向量数据计算公式如下：
其中，为一维向量度数，J为目标函数，I和f为自编码器的变量。
第二方面，本申请还提供了一种基于大数据的医疗信息处理系统，包括：
获取模块：用于获取历史医疗信息数据，其中包括电子病历、医学档案、医学影像、生理参数、药物信息以及研究数据；
聚类模块：用于遍历历史医疗信息数据，基于查找到的同种类医疗诊断结果，对历史医疗信息数据进行聚类分析，将聚类分析结果输入至医学信息数据库中；
调取模块：用于调取医学信息数据库中同种类医疗诊断结果相对应的患者的音频信息，其中音频信息为医生与患者沟通病情时的音频信息内容；
处理模块：用于将聚类分析结果和音频信息进行整合，得到不同数据结构的医疗信息数据；基于改进的CNN算法模型对所有不同数据结构的医疗信息进行处理，计算得到医疗信息的权重分析结果；
获得模块：用于采用Q-learning强化学习算法对医疗信息的权重分析结果进行计算调整，得到处理医疗信息的最优调度处理策略。
第三方面，本申请还提供了一种基于大数据的医疗信息处理设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述基于大数据的医疗信息处理方法的步骤。
第四方面，本申请还提供了一种可读存储介质，所述可读存储介质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上述基于基于大数据的医疗信息处理方法的步骤。
本发明的有益效果为：
本发明可以有效地通过大数据处理以特定数据处理流程对获取得到的历史医疗信息数据与患者所患疾病相关的检验报告进行处理，对历史医疗信息数据进行预处理，避免冗杂数据的出现扰乱数据的准确度， 以实现对历史医疗信息的自动化高效解读，以辅助医生临床决策。本发明通过对音频的有效采集，可以为医疗信息的分类提供基础，同时可提高医疗信息处理的效率。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的基于大数据的医疗信息处理方法流程示意图；
图2为本发明实施例中所述的基于大数据的医疗信息处理系统结构示意图；
图3为本发明实施例中所述的基于大数据的医疗信息处理设备结构示意图。
图中：701、获取模块；702、聚类模块；7021、第一预处理单元；7022、第一处理单元；7023、关联单元；7024、第二处理单元；703、调取模块；7031、识别单元；7032、搜索单元；7033、第二预处理单元；704、处理模块；7041、引入单元；70411、计算单元；705、获得模块；7051、优化迭代单元；7052、设置单元；800、基于大数据的医疗信息处理设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例
本实施例提供了一种基于大数据的医疗信息处理方法。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。
S100、获取历史医疗信息数据，其中包括电子病历、医学档案、医学影像、生理参数、药物信息以及研究数据。
可以理解的是，在本步骤中医疗信息数据是指的通过收集、整合和分析医疗领域的大量数据，来获取有关疾病预防、诊断、治疗和管理的信息，故可以包括电子病历、医学档案、医学影像、生理参数、药物信息、研究数据、疾病统计、临床试验以及医疗设备监测等数据。
S200、遍历历史医疗信息数据，基于查找到的同种类医疗诊断结果，对历史医疗信息数据进行聚类分析，将聚类分析结果输入至医学信息数据库中。
可以理解的是，在本步骤S200中包括S201、S202、S203和S204，其中：
S201、对历史医疗信息数据进行预处理，得到预处理后的历史医疗信息；其中包括剔除历史医疗信息数据中无效数据，将剩余残缺数据进行均值填补；
需要说明的是，清除无效数据，并对数据进行均值填补，其中填补方法为将其他月份对应的数据求和，然后求均值，将所述均值作为残缺数据的填补值，进而减少特征数据提取时产生的误差值，并增加聚类的准确率。
S202、对历史医疗信息中的数据进行异常值处理，并将历史医疗信息中至少部分数据项进行归一化处理，得到处理结果；
需要说明的是，对历史医疗信息数据进行预处理，避免冗杂数据的出现扰乱数据的准确度， 以实现对历史医疗信息的自动化高效解读，以辅助医生临床决策。
S203、将处理结果中的数据进行相互关联，针对每一个关联数据建立关联矩阵；
需要说明的是，进一步构建关联矩阵，通过局部高斯核构建相似性度量指标，然后计算每个关联矩阵的相邻样本，如果权重较小，则认为相关度较低，可能是噪声，因此将这部分数据过滤掉。最终得到的过滤后的多组学信息的关联矩阵。
S204、计算每个关联矩阵的相邻样本，过滤不符合预设范围的样本信息，得到过滤后的关联矩阵，并利用随机游走算法融合不同组信息的关联矩阵。
需要说明的是，通过关联矩阵将样本信息过滤后，做数据融合，利用随机游走算法融合不同组学的信息，进而达到一个稳定的状态。其中，构建关联矩阵，公式如下所示：
其中：R为相关矩阵，为关联指标/>和关联指标/>之间的相关系数，w为相关矩阵阶数，/>为关联指标/>的平均值，/>为关联指标/>的平均值，n为不同的数据样本。
S300、调取医学信息数据库中同种类医疗诊断结果相对应的患者的音频信息，其中音频信息为医生与患者沟通病情时的音频信息内容。
可以理解的是，在本步骤S300中包括S301、S302和S303，其中：
S301、识别同种类医疗诊断结果中的关键词汇；
S302、针对关键词汇搜索医学信息数据库中所有符合条件的关键语句；
S303、调取关键语句所属的音频样本片段，并对音频样本片段进行预处理，得到患者的音频样本集信息，其中预处理过程包括傅立叶变换、梅尔滤波和离散余弦变换。
需要说明的是，在本步骤中，对音频样本数据进行预处理具体包括快速傅立叶变换、梅尔滤波和离散余弦变换，对所述样本集中的音频样本数据进行预处理得到梅尔频率倒谱系数为本领域技术人员所熟知的技术方案，故不在此赘述。利用患者的音频样本集信息进行扩充，利用深度卷积生成对抗网络的约束条件，将约束条件和梅尔频率倒谱系数输入生成网络，得到生成数据，并输入至深度卷积，得到数据集。通过对音频的有效采集，可以为医疗信息的分类提供基础，同时可提高医疗信息处理的效率。
S400、将聚类分析结果和音频信息进行整合，得到不同数据结构的医疗信息数据；基于改进的CNN算法模型对所有不同数据结构的医疗信息进行处理，计算得到医疗信息的权重分析结果。
可以理解的是，在本步骤S400中包括S401，其中包括：
S401、引入自调整功能的重采样算法至改进的CNN模型中，其中包括通过利用动态自适应策略，对医疗信息数据分布进行处理，其计算公式如下：
其中，为当前权重值，/>为初始权重平衡值，/>为最终权重，/>为权重因子的索引参数，c为次数。
需要说明的是，自调整采样算法能够实现医学信息数据集类别的动态平衡，加速收敛并减少拟合，通过利用动态自适应策略，尽可能接近医疗信息数据分布。
需要说明的是，在步骤S401中改进的CNN模型，其中包括：
基于CNN模型，结合自编码神经网络辅助模型，计算卷积层特征图，将卷积数据转换为向量数据，并进行卷积运算，得到相应的卷积结果，其中步骤包括编码、重构以及更新参数，其将卷积数据转换为向量数据计算公式如下：
其中，为一维向量度数，J为目标函数，I和f为自编码器的变量。
需要说明的是，自编码神经网络辅助模型是实现多维数据的处理和分析，可以提高数据处理和分析的效率，计算出卷积层输出特征图，将卷积输入数据转换为一维向量，进行卷积运算，获得相应的结果，主要步骤包括编码、重构以及更新参数。具体地，基于上述自调整采样算法、基于CNN模型以及结合自编码神经网络辅助模型，可以实现对医疗信息多维度的数据处理和分析。
S500、采用Q-learning强化学习算法对医疗信息的权重分析结果进行计算调整，得到处理医疗信息的最优调度处理策略。
可以理解的是，在本步骤S500中包括S501和S502，其中：
S501、基于Q-learning强化学习算法，对医疗信息的权重分析结果进行优化，求解迭代；
S502、设置迭代停止条件，得到处理医疗信息的最优调度处理策略，其计算公式如下：
其中，是t时隙/>的期望奖励，/>为最优调度处理策略，Q收敛到最优为/>。
需要说明的是，通过采用Q-learning强化学习算法对医疗信息的权重分析结果进行计算调整，不断交互迭代来学习最优的处理医疗信息的最优调度处理策略，每一轮迭代结束时，将更新Q-table，通过不断自学习，利用探索过程避免算法陷入局部最优，提升了探索能力，实现全局优化，因此求得最优的处理医疗信息的调度处理策略，具体地，有些医疗信息比较紧急，可设为优先处理，有些则较缓，可放暂不处理。
实施例
如图2所示，本实施例提供了一种基于大数据的医疗信息处理系统，参见图2所述系统包括：
获取模块701：用于获取历史医疗信息数据，其中包括电子病历、医学档案、医学影像、生理参数、药物信息以及研究数据；
聚类模块702：用于遍历历史医疗信息数据，基于查找到的同种类医疗诊断结果，对历史医疗信息数据进行聚类分析，将聚类分析结果输入至医学信息数据库中；
调取模块703：用于调取医学信息数据库中同种类医疗诊断结果相对应的患者的音频信息，其中音频信息为医生与患者沟通病情时的音频信息内容；
处理模块704：用于将聚类分析结果和音频信息进行整合，得到不同数据结构的医疗信息数据；基于改进的CNN算法模型对所有不同数据结构的医疗信息进行处理，计算得到医疗信息的权重分析结果；
获得模块705：用于采用Q-learning强化学习算法对医疗信息的权重分析结果进行计算调整，得到处理医疗信息的最优调度处理策略。
具体地，所述聚类模块702，其中包括：
第一预处理单元7021：用于对历史医疗信息数据进行预处理，得到预处理后的历史医疗信息；其中包括剔除历史医疗信息数据中无效数据，将剩余残缺数据进行均值填补；
第一处理单元7022：用于对历史医疗信息中的数据进行异常值处理，并将历史医疗信息中至少部分数据项进行归一化处理，得到处理结果；
关联单元7023：用于将处理结果中的数据进行相互关联，针对每一个关联数据建立关联矩阵；
第二处理单元7024：用于计算每个关联矩阵的相邻样本，过滤不符合预设范围的样本信息，得到过滤后的关联矩阵，并利用随机游走算法融合不同组信息的关联矩阵。
具体地，所述调取模块703，其中包括：
识别单元7031：用于识别同种类医疗诊断结果中的关键词汇；
搜索单元7032：用于针对关键词汇搜索医学信息数据库中所有符合条件的关键语句；
第二预处理单元7033：用于调取关键语句所属的音频样本片段，并对音频样本片段进行预处理，得到患者的音频样本集信息，其中预处理过程包括傅立叶变换、梅尔滤波和离散余弦变换。
具体地，所述处理模块704，其中包括：
引入单元7041：用于引入自调整功能的重采样算法至改进的CNN模型中，其中包括通过利用动态自适应策略，对医疗信息数据分布进行处理，其计算公式如下：
其中，为当前权重值，/>为初始权重平衡值，/>为最终权重，/>为权重因子的索引参数，c为次数。
具体地，所述引入单元7041中的CNN模型，其中包括：
计算单元70411：用于基于CNN模型，结合自编码神经网络辅助模型，计算卷积层特征图，将卷积数据转换为向量数据，并进行卷积运算，得到相应的卷积结果，其中步骤包括编码、重构以及更新参数，其将卷积数据转换为向量数据计算公式如下：
其中，为一维向量度数，J为目标函数，I和f为自编码器的变量。
具体地，所述获得模块705，其中包括：
优化迭代单元7051：用于基于Q-learning强化学习算法，对医疗信息的权重分析结果进行优化，求解迭代；
设置单元7052：用于设置迭代停止条件，得到处理医疗信息的最优调度处理策略，其计算公式如下：
其中，是t时隙/>的期望奖励，/>为最优调度处理策略，Q收敛到最优为/>。
需要说明的是，关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例
对应于上面的方法实施例，本实施例中还提供了一种基于大数据的医疗信息处理设备，下文描述的一种基于大数据的医疗信息处理设备与上文描述的一种基于大数据的医疗信息处理方法可相互对应参照。
图3是根据示例性实施例示出的一种基于大数据的医疗信息处理设备800的框图。如图3所示，该基于大数据的医疗信息处理设备800包括：处理器801和存储器802。该基于大数据的医疗信息处理设备800还包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该基于大数据的医疗信息处理设备800的整体操作，以完成上述的基于大数据的医疗信息处理方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基于大数据的医疗信息处理设备800的操作，这些数据例如可以包括用于在该基于大数据的医疗信息处理设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘、鼠标或按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该基于大数据的医疗信息处理设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi、蓝牙、近场通信(Near FieldCommunication，简称NFC)、2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块、蓝牙模块或NFC模块。
在一示例性实施例中，基于大数据的医疗信息处理设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital SignalProcessing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于大数据的医疗信息处理方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于大数据的医疗信息处理方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由基于大数据的医疗信息处理设备800的处理器801执行以完成上述的基于大数据的医疗信息处理方法。
实施例
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于大数据的医疗信息处理方法可相互对应参照。
可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于大数据的医疗信息处理方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于大数据的医疗信息处理方法，其特征在于，包括：
获取历史医疗信息数据，其中包括电子病历、医学档案、医学影像、生理参数、药物信息以及研究数据；
遍历历史医疗信息数据，基于查找到的同种类医疗诊断结果，对历史医疗信息数据进行聚类分析，将聚类分析结果输入至医学信息数据库中；
调取医学信息数据库中同种类医疗诊断结果相对应的患者的音频信息，其中音频信息为医生与患者沟通病情时的音频信息内容；
将聚类分析结果和音频信息进行整合，得到不同数据结构的医疗信息数据；基于改进的CNN算法模型对所有不同数据结构的医疗信息进行处理，计算得到医疗信息的权重分析结果；
采用Q-learning强化学习算法对医疗信息的权重分析结果进行计算调整，得到处理医疗信息的最优调度处理策略。
2.根据权利要求1所述的基于大数据的医疗信息处理方法，其特征在于，所述对历史医疗信息数据进行聚类分析，其中包括：
对历史医疗信息数据进行预处理，得到预处理后的历史医疗信息；其中包括剔除历史医疗信息数据中无效数据，将剩余残缺数据进行均值填补；
对历史医疗信息中的数据进行异常值处理，并将历史医疗信息中至少部分数据项进行归一化处理，得到处理结果；
将处理结果中的数据进行相互关联，针对每一个关联数据建立关联矩阵；
计算每个关联矩阵的相邻样本，过滤不符合预设范围的样本信息，得到过滤后的关联矩阵，并利用随机游走算法融合不同组信息的关联矩阵。
3.根据权利要求1所述的基于大数据的医疗信息处理方法，其特征在于，所述调取医学信息数据库中同种类医疗诊断结果相对应的患者的音频信息，其中包括：
识别同种类医疗诊断结果中的关键词汇；
针对关键词汇搜索医学信息数据库中所有符合条件的关键语句；
调取关键语句所属的音频样本片段，并对音频样本片段进行预处理，得到患者的音频样本集信息，其中预处理过程包括傅立叶变换、梅尔滤波和离散余弦变换。
4.根据权利要求1所述的基于大数据的医疗信息处理方法，其特征在于，所述基于改进的CNN算法模型对所有不同数据结构的医疗信息进行处理，计算得到医疗信息的权重分析结果，其中包括：
引入自调整功能的重采样算法至改进的CNN模型中，其中包括通过利用动态自适应策略，对医疗信息数据分布进行处理，其计算公式如下：
，
其中，为当前权重值，/>为初始权重平衡值，/>为最终权重，/>为权重因子的索引参数，c为次数。
5.根据权利要求4所述的基于大数据的医疗信息处理方法，其特征在于，所述改进的CNN模型，其中包括：
基于CNN模型，结合自编码神经网络辅助模型，计算卷积层特征图，将卷积数据转换为向量数据，并进行卷积运算，得到相应的卷积结果，其中步骤包括编码、重构以及更新参数，其将卷积数据转换为向量数据计算公式如下：
，
其中，为一维向量度数，J为目标函数，I和f为自编码器的变量。
6.一种基于大数据的医疗信息处理系统，其特征在于，包括：
获取模块：用于获取历史医疗信息数据，其中包括电子病历、医学档案、医学影像、生理参数、药物信息以及研究数据；
聚类模块：用于遍历历史医疗信息数据，基于查找到的同种类医疗诊断结果，对历史医疗信息数据进行聚类分析，将聚类分析结果输入至医学信息数据库中；
调取模块：用于调取医学信息数据库中同种类医疗诊断结果相对应的患者的音频信息，其中音频信息为医生与患者沟通病情时的音频信息内容；
处理模块：用于将聚类分析结果和音频信息进行整合，得到不同数据结构的医疗信息数据；基于改进的CNN算法模型对所有不同数据结构的医疗信息进行处理，计算得到医疗信息的权重分析结果；
获得模块：用于采用Q-learning强化学习算法对医疗信息的权重分析结果进行计算调整，得到处理医疗信息的最优调度处理策略。
7.根据权利要求6所述的基于大数据的医疗信息处理系统，其特征在于，所述聚类模块，其中包括：
第一预处理单元：用于对历史医疗信息数据进行预处理，得到预处理后的历史医疗信息；其中包括剔除历史医疗信息数据中无效数据，将剩余残缺数据进行均值填补；
第一处理单元：用于对历史医疗信息中的数据进行异常值处理，并将历史医疗信息中至少部分数据项进行归一化处理，得到处理结果；
关联单元：用于将处理结果中的数据进行相互关联，针对每一个关联数据建立关联矩阵；
第二处理单元：用于计算每个关联矩阵的相邻样本，过滤不符合预设范围的样本信息，得到过滤后的关联矩阵，并利用随机游走算法融合不同组信息的关联矩阵。
8.根据权利要求6所述的基于大数据的医疗信息处理系统，其特征在于，所述调取模块，其中包括：
识别单元：用于识别同种类医疗诊断结果中的关键词汇；
搜索单元：用于针对关键词汇搜索医学信息数据库中所有符合条件的关键语句；
第二预处理单元：用于调取关键语句所属的音频样本片段，并对音频样本片段进行预处理，得到患者的音频样本集信息，其中预处理过程包括傅立叶变换、梅尔滤波和离散余弦变换。
9.根据权利要求6所述的基于大数据的医疗信息处理系统，其特征在于，所述处理模块，其中包括：
引入单元：用于引入自调整功能的重采样算法至改进的CNN模型中，其中包括通过利用动态自适应策略，对医疗信息数据分布进行处理，其计算公式如下：
，
其中，为当前权重值，/>为初始权重平衡值，/>为最终权重，/>为权重因子的索引参数，c为次数。
10.根据权利要求9所述的基于大数据的医疗信息处理系统，其特征在于，所述引入单元中的CNN模型，其中包括：
计算单元：用于基于CNN模型，结合自编码神经网络辅助模型，计算卷积层特征图，将卷积数据转换为向量数据，并进行卷积运算，得到相应的卷积结果，其中步骤包括编码、重构以及更新参数，其将卷积数据转换为向量数据计算公式如下：
，
其中，为一维向量度数，J为目标函数，I和f为自编码器的变量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410118034.4A CN117936006A (zh) | 2024-01-29 | 2024-01-29 | 一种基于大数据的医疗信息处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410118034.4A CN117936006A (zh) | 2024-01-29 | 2024-01-29 | 一种基于大数据的医疗信息处理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117936006A true CN117936006A (zh) | 2024-04-26 |
Family
ID=90768243
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410118034.4A Pending CN117936006A (zh) | 2024-01-29 | 2024-01-29 | 一种基于大数据的医疗信息处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117936006A (zh) |
-
2024
- 2024-01-29 CN CN202410118034.4A patent/CN117936006A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108831556B (zh) | 一种连续性肾脏替代治疗过程中肝素剂量的预测方法 | |
| CN110852894A (zh) | 保险核保方法及装置、计算机存储介质、电子设备 | |
| CN111477320B (zh) | 治疗效果预测模型的构建系统、治疗效果预测系统及终端 | |
| CN113886716B (zh) | 食品安全突发事件的应急处置推荐方法及系统 | |
| CN111524570B (zh) | 一种基于机器学习的超声随访患者筛选方法 | |
| KR102495419B1 (ko) | 인공지능 기반의 병해충 진단 시스템 및 방법 | |
| 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 | |
| CN116611546B (zh) | 基于知识图谱的目标研究区域滑坡预测方法及系统 | |
| CN111341458B (zh) | 基于多层级结构相似度的单基因病名称推荐方法和系统 | |
| CN111930948A (zh) | 一种信息收集和分级方法、装置、计算机设备及存储介质 | |
| CN110910991A (zh) | 一种医用自动图像处理系统 | |
| CN113988680A (zh) | 一种疼痛等级评估系统 | |
| CN116578677B (zh) | 一种针对医疗检验信息的检索系统和方法 | |
| CN116343980B (zh) | 一种基于智慧医疗复诊随访数据处理方法及系统 | |
| Fritsche et al. | Recognition of critical situations from time series of laboratory results by case-based reasoning | |
| CN117936006A (zh) | 一种基于大数据的医疗信息处理方法及系统 | |
| CN113642669B (zh) | 基于特征分析的防欺诈检测方法、装置、设备及存储介质 | |
| CN112562854A (zh) | 一种高龄人员精准医疗关怀服务推荐方法及系统 | |
| CN111243697A (zh) | 一种基于神经网络对目标对象数据进行判断的方法及系统 | |
| CN111311175A (zh) | 评残条款智能预测方法、装置、计算机设备及存储介质 | |
| CN113488178B (zh) | 一种信息生成方法、装置、存储介质及电子设备 | |
| CN116821145B (zh) | 一种识别数据变化的自适应表结构调整方法及系统 | |
| CN117785862B (zh) | 生物安全数据库提取验证方法和系统 | |
| CN117373688B (zh) | 慢性病数据处理方法、装置、电子设备和存储介质 | |
| CN113421643B (zh) | 一种ai模型可靠性判断方法、装置、设备及存储介质 |
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 |