VTE智能防治管理系统的制作方法

本发明涉及静脉血栓栓塞症技术领域，特别是涉及一种vte智能防治管理系统。

背景技术：

静脉血栓栓塞症(vte，venousthromboembolism)，包括深静脉血栓形成和肺血栓栓塞症，肺栓塞是导致住院患者非预期死亡的重要原因。该疾病可广泛存在多科室，高危因素有久卧床、手术、创伤、肿瘤等。vte发病隐匿，其高发生率、高致残率、高死亡率，是导致医院内患者非预期死亡的重要原因，防控形势严峻。量表评估被视作有效预防vte的重要手段，但临床真正推行使用率不高，且不同专科医生对vte认知差异显著，评估欠缺统一规范，预防率低。传统的量表评估工作非常加重医务人员负担，量表中所需填写的临床资料分散在医院各个信息系统中，无法高度共享利用，每手动评估一次需要消耗医务人员不少时间，且数据难以保存利用，临床上也渴望有一种自动评估的工具，以减轻工作负担。更进一步地，现有的人工量表评估难以动态实时地把控病情变化的关键节点，而实际临床过程中，是需要通过一些细微重要的患者动态变化，更精准地找出潜在风险的目标患者，尽早实施规范化、个性化的诊治方案。从而，真正达到预防vte的发生，或对已发生vte的患者避免严重后果和不良事件的出现的目的，实现医疗质量的提升，保障医疗安全，使患者获益最大化。

技术实现要素：

本发明针对现有技术存在的问题和不足，提供一种新型的vte智能防治管理系统。

本发明是通过下述技术方案来解决上述技术问题的：

本发明提供一种vte智能防治管理系统，其特点在于，其包括预处理模块、分词模块、计算模块、判断模块、降维模块、训练模块、测试模块和分档模块；

所述预处理模块用于对每一患者的历史文本数据进行预处理；

所述分词模块用于对预处理后的历史文本数据进行分词处理，从分出的分词症状中筛选出不同的与vte相关的分词症状作为关联影响因子，所述历史文本数据包括患者基础数据、检查检验结果数据、护理及医生病程记录单、体征及各类仪器记录数据和医嘱数据；

所述计算模块用于计算所有历史文本数据中当出现任一关联影响因子时对应患有vte的支持度以及所有患有该关联影响因子的历史文本数据中对应患有vte的置信度；

所述判断模块用于判断支持度是否大于对应的支持度设定值以及置信度是否大于对应的置信度设定值，在均为是时将该关联影响因子作为关键影响因子，在为否时将该关联影响因子不作为关键影响因子；

所述降维模块用于对该些关键影响因子进行降维处理，以获得相互之间没有共线关系的关键影响因子作为最优影响因子；

所述训练模块用于将预处理后的历史文本数据中部分历史文本数据的最优影响因子和患者是否患有vte作为训练样本代入随机森林模型进行模型训练，以获得训练好的风险评估模型；

所述测试模块用于将剩余历史文本数据中的最优影响因子作为测试样本代入训练好的风险评估模型中测试，以获得测试患者患有vte的概率值；

所述分档模块用于将每一概率值转换成秩次，将秩次分布映射到正态分布曲线上，运用正态分布的3σ原则进行分档，以获得每个测试患者对应的风险档次标签。

较佳地，所述分档模块用于将每一概率值转换成秩次，基于各个秩次计算对应各个累计频率，将各个累计频率换算成对应的概率单位，将各个概率单位分别代入直线回归方程中推算出对应的估计值，将各个估计值分布映射到正态分布曲线上，运用正态分布的3σ原则进行分档，以获得每个测试患者对应的风险档次标签。

较佳地，所述系统还包括优化模块，所述优化模块用于对训练好的风险评估模型进行修正优化。

较佳地，所述优化模块用于基于通过德尔菲打分法制定的固定规则来修正优化训练好的风险评估模型。

较佳地，所述降维模块用于采用主成分分析法对该些关键影响因子进行降维处理。

较佳地，所述系统还包括预测模块，所述预测模块用于将新患者的经预处理后的文本数据代入经训练和测试的风险评估模型中进行预测，以获得新患者患有vte的概率和对应的风险档次标签。

较佳地，所述风险档次标签包括低风险、中风险和高风险；所述系统还包括提醒模块，所述提醒模块用于基于不同的风险档次标签提醒对应的工作人员，且在获得新患者患有vte的风险档次标签为中风险或高风险后、新患者的文本数据出现最优影响因子中的任一最优影响因子时，进行最高等级风险提醒。

较佳地，所述计算模块用于计算支持度＝所有历史文本数据中出现该关联影响因子时对应患有vte的历史文本数据数量/所有历史文本数据总数；

所述计算模块还用于计算置信度＝所有患有该关联影响因子的历史文本数据中对应患有vte的历史文本数据数量/所有患有该关联影响因子的历史文本数据总数。

较佳地，所述分词模块用于利用nlp技术对预处理后的历史文本数据进行分词处理。

在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

本发明的积极进步效果在于：

本发明的vte智能防治管理系统，从历史文本数据中筛选出关联影响因子，对关联影响因子进行支持度判断、置信度判断以及降维处理后获得最优影响因子，基于最优影响因子训练测试模型获得测试患者患有vte的概率值，并运用正态分布的3σ原则进行分档以获得每个测试患者对应的风险档次标签；其后，将新患者的经预处理后的文本数据代入风险评估模型中预测即可获得新患者患有vte的概率和对应的风险档次标签。本发明通过风险预测，评估结果医护共享，达到早期精准识别目标患者的效果，将vte不良后果风险尽可能避免。本系统保证评估结果的科学有效，让评估流程更快、更加节省人力成本，可以持续更新评估规则，保证评估的准确性。

附图说明

图1为本发明较佳实施例的vte智能防治管理系统的结构框图。

具体实施方式

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。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的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。

如图1所示，本实施例提供一种vte智能防治管理系统，其包括预处理模块1、分词模块2、计算模块3、判断模块4、降维模块5、训练模块6、测试模块7、分档模块8、预测模块9、提醒模块10和优化模块11。

所述预处理模块1用于对每一患者的历史文本数据进行预处理，所述历史文本数据包括患者基础数据(年龄、性别、bmi等)、检查检验结果数据(肾小球滤过率、inr、血小板计数等)、护理及医生病程记录单、体征及各类仪器记录数据和医嘱数据。

预处理包含两步：数据清洗和数据类型转化。第一步：获取到的历史文本数据基本上会有数据缺失、数据噪声、数据冗余、离群点/异常值、数据重复等问题。针对这些数据采用不同的方式进行处理，例如数据缺失，对于缺失不同的数据会选择手动补填、自动填充以及剔除该条数据等方式，如当性别缺失时可能采用众数进行填充，当有些临床数据缺失会通过讨论进行人工手动补填，当认为重要特征因素缺失时，则会剔除该条数据。第二步：数据类型转换，比如年龄，把年龄转换成0(0-40岁)、1(41-60岁)、2(61-70岁)、3(71-85岁)、5(>85岁)，把风险等级2(高风险)、1(中等风险)、0(低风险)等，通过以上转换之后为模型创建打下了良好的基础。

所述分词模块2用于利用nlp(自然语言处理)技术对预处理后的历史文本数据进行分词处理(风湿性疾病、恶性肿瘤、激素治疗、vte病史等)，从分出的分词症状中筛选出不同的与vte相关的分词症状作为关联影响因子(胸闷、胸痛、呼吸急促、低氧或氧饱和度低、咳嗽、肿胀等)。

所述计算模块3用于计算所有历史文本数据中当出现任一关联影响因子时对应患有vte的支持度以及所有患有该关联影响因子的历史文本数据中对应患有vte的置信度。

其中，所述计算模块3用于计算支持度＝所有历史文本数据中出现该关联影响因子时对应患有vte的历史文本数据数量/所有历史文本数据总数。

所述计算模块3还用于计算置信度＝所有患有该关联影响因子的历史文本数据中对应患有vte的历史文本数据数量/所有患有该关联影响因子的历史文本数据总数。

例如：假设历史文本数据有100个，其中当风湿性疾病词汇出现时患者患有vte的历史文本数据有5个，则支持度为0.05；所有患有风湿性疾病的历史文本数据中同时患有vte的历史文本数据数量与所有患有风湿性疾病的历史文本数据总数的比值为置信度，假设计算出的置信度为30％。此时会评审风湿性疾病是否作为vte风险因素，由于支持度和置信度均大于对应的设定值则认为风湿性疾病会增加发生vte风险，因此风湿性疾病关键词会作为关键影响因子。

所述判断模块4用于判断支持度是否大于对应的支持度设定值以及置信度是否大于对应的置信度设定值，在均为是时将该关联影响因子作为关键影响因子，在为否时将该关联影响因子不作为关键影响因子。

所述降维模块5用于采用主成分分析法对该些关键影响因子进行降维处理，以获得相互之间没有共线关系的关键影响因子作为最优影响因子。

在上面找到关键影响因子后发现，找到的关键影响因子众多，例如一共有42个关键影响因子，其中包含11个患者属性、8个检查检验结果以及23个关键词。关键影响因子多而且各个关键影响因子存在相关关系，比如年龄和风湿性疾病存在高度相关关系，如果把这两个影响因子同时纳入评估模型中显然是不合理的，此时需要找出公共因子来替代存在相关关系的两个关键影响因子。所以使用pca全称principalcomponentanalysis，即主成分分析法，一种常用的数据降维方法进行降维处理，它可以通过线性变换将原始数据变换为一组各维度线性无关的表示，以此来提取数据的主要线性分量。使用主成分分析法降维后纳入模型评估因素只剩下14个影响因子作为最优影响因子，从而保证评估模型的准确快速。

所述训练模块6用于将预处理后的历史文本数据中部分历史文本数据的最优影响因子和患者是否患有vte作为训练样本代入随机森林模型进行模型训练，以获得训练好的风险评估模型。其中，部分历史文本数据中最优影响因子作为随机森林模型的输入样本，部分历史文本数据中患者是否患有vte作为随机森林模型的输出样本。

所述测试模块7用于将剩余历史文本数据中的最优影响因子作为测试样本代入训练好的风险评估模型中测试，以获得测试患者患有vte的概率值。

所述分档模块8用于将测试出的每一概率值转换成秩次，基于各个秩次计算对应各个累计频率，将各个累计频率换算成对应的概率单位，将各个概率单位分别代入直线回归方程中推算出对应的估计值，将各个估计值分布映射到正态分布曲线上，运用正态分布的3σ原则进行分档，以获得每个测试患者对应的风险档次标签。

对患者进行分档，可以把有限的医疗资源进行合理科学的分配，针对于高风险的患者进行高度关注，对于患者变化趋势属于恶化的趋势进行深入发现了解，从而避免院内不良事件的发生。

所述预测模块9用于将新患者的经预处理后的文本数据代入经训练和测试的风险评估模型中进行预测，以获得新患者患有vte的概率和对应的风险档次标签，所述风险档次标签包括低风险、中风险和高风险。

所述提醒模块10用于基于不同的风险档次标签提醒对应的工作人员，且在获得新患者患有vte的风险档次标签为中风险或高风险后、新患者的文本数据出现最优影响因子中的任一最优影响因子时，进行最高等级风险提醒。

例如：按照风险级别不同程度，可设置分别提醒到医生(床位住院医师→值班医师→主治医师→主任医师)→管理者(医疗组长→科主任→医务科→医院vte防治管理组组长)，以保证高风险vte患者得到临床医师的审核确认和关注。

所述优化模块11用于基于通过德尔菲打分法制定的固定规则来修正优化训练好的风险评估模型。

在临床辅助决策的过程中，不仅仅需要参考自动分类的结果，为了保证风险评估模型的安全性，会通过德尔菲打分法制定一些固定的规则，然后通过规更新预测结果，比如：当换成d二聚体大于某个阈值后，比如：d二聚体大于2.5mg/l，会直接更新为高风险患者等，如此不断积累，不断更新规则优化整个风险评估模型。

本系统将医护系统与各临床辅助系统(lis\his\ris\手麻系统\心电监护等物联设备)联合，综合实时分析，在通用量表评分的基础上增加对患者变化关键词(如症状词、体征词)的捕捉，通过风险预测，评估结果医护共享，达到早期精准识别目标患者的效果。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。