基于AI技术的肾脏病血液透析方案定制方法及系统与流程

本发明涉及血液透析方案定制技术，具体涉及一种基于ai技术的肾脏病血液透析定制方法及系统。
背景技术：
：肾脏病是一种严重危害人类健康常见病的统称，主要包括不同类型的肾炎、急性肾衰竭、肾结石、肾囊肿等等。急慢性肾功能衰竭患者会以血液透析的方式来替代治疗，把身体中血液引流到体外，清除身体中的代谢废物，维持电解质和酸碱平衡。血液透析是一项专业性较强、风险性较大的医疗护理行为。患者在透析周期中经常出现一些不良反应，在透析过程中会出现一些偶然的、突发的变化，为应付某些意外情况的发生，事先制定出个性化的透析方案，可以有效地将透析风险化解到最小，从而保证病人的安全，提高医疗护理质量。目前现有的血透中大多依靠医护人员的经验判断或者专业仪器的检测进行血透方案的制定及生命体征的检测，但是不同患者个体情况复杂，医护人员判断经验有限，同时，使用仪器每隔一定时间（如半小时左右）监测一次生命体征，操作频繁增加了工作量，而且不是实时监测，增加了发生危急情况的可能性。亟需对现有技术做出改进，提供个性化透析方案适应性，提高血透风险评估的准确性和效率，降低透析风险。技术实现要素：发明目的：针对现有血液透析中不良反应人工评判能力不能满足患者实际不良反应预警需求的问题，本发明提出一种基于人工智能技术构建肾脏病血液透析定制方案的方法，能够有效的将血液透析风险化解到最小，保证病人的安全，提高医疗护理质量。本发明的另一目的是提供一种基于ai技术的肾脏病血液透析方案定制系统。技术方案：根据本发明的第一方面，一种基于ai技术的肾脏病血液透析方案定制方法，包括以下步骤：整理待定制用户数据，将待定制用户数据代入透析方案生成模型，生成一种或多种透析方案；将待定制用户数据以及一个或多个透析方案带入血液透析异常情况评估模型，获得所述一种或多种透析方案的异常情况评估结果，其中，所述血液透析异常情况评估模型根据历史透析数据利用决策树算法训练而得到；根据血液透析异常情况评估结果，确定肾脏病血液透析定制方案。其中，所述透析方案生成模型中涉及的内容包括：透析模式、预设脱水、透析时间、透析器、灌流器、置换液、置换液量、抗凝剂、透析液温度、透析液浓度ca、透析液浓度k、透析液浓度na、拟用药、透析液流量，所述一种或多种透析方案根据待定制用户数据按照预设的医学规则生成，所述待定制用户数据包括患者基础信息、透析前体格检查、历史检验检查数据。进一步地，所述血液透析异常情况评估模型为使用cart算法建立的决策树，所述决策树中每个内部节结点为提取的医学特征，表示在一个属性上的测试，每个分支代表测试输出，每个叶结点代表异常情况中的一种类别。进一步地，所述血液透析异常情况评估模型的训练具体过程包括：获取已有血液透析全过程样本数据，包括患者基础信息、透析前体格检查、透析方案、治疗效果、历史检验检查数据；对获取的样本数据进行清洗和标准化预处理；基于预处理后的数据，采用统计学方法和xgboost算法得到影响血液透析中发生异常情况的特征数据；将特征数据划分为训练集和测试集，利用训练集数据对血液透析异常情况评估模型进行训练，利用测试集数据对血液透析异常情况评估模型进行测试，根据kappa系数确定训练合格的血液透析异常情况评估模型。进一步地，所述患者基础信息包括包括年龄、性别、身高、体重、血型、民族、透析龄、原发病、传染史、重要病史中的一项或多项；所述透析前体格检查包括干体重、上次下机体重、透析前体重、血压-低压、血压-高压、心率、体温中的一项或多项；所述透析方案包括透析模式、预设脱水、透析时间、透析器、灌流器、置换液、置换液量、抗凝剂、透析液温度、透析液浓度ca、透析液浓度k、透析液浓度na、拟用药、透析液流量中的一项或多项；所述治疗效果包括透中情况；所述历史检验检查数据包括血红蛋白、平均血红蛋白浓度、平均血红蛋白含量、血小板计数、白细胞计数、红细胞计数、红细胞比积、平均红细胞体积、肌酐、尿素、尿酸、白蛋白、总蛋白、前白蛋白、葡萄糖、钠、钾、钙、磷、氯、碳酸氢根、血浆纤维蛋白原、纤维蛋白(原)降解产物、血浆d-d二聚体、血清肌钙蛋白i、血清肌钙蛋白t、肌红蛋白、血清铁、血清总铁结合力、血清铁蛋白、甲状旁腺激素、尿隐血、尿蛋白中的一项或多项。进一步地，所述对获取的样本数据进行清洗和标准化预处理包括：依据医学实体标准库与规定的单位换算，找出样本数据中不同的单位名称，采用统一单位对各不同的单位名称进行统一替换；根据非数值型数据转换规则，对样本数据中非数值型数据进行赋值换算；对样本数据中数值型数据进行异常值处理，得到标准化样本数据。进一步地，所述采用统计学方法和xgboost算法得到影响血液透析中发生异常情况的特征数据包括：针对数值型医学特征数据，通过levene检验查看方差是否齐，如果方差齐，则采用统计学上的方差分析方法；如果方差不齐，则采用统计学上的welch检验，对于没有统计学意义的医学特征进行数据删除；针对非数值型医学特征数据，采用统计学上的卡方检验，对于没有统计学意义的医学特征进行数据删除；利用xgboost算法对上述统计学方法处理后的特征进行排序，并选取排序指定部分的作为特征数据。根据本发明的第二方面，一种基于ai技术的肾脏病血液透析方案定制系统，包括：数据输入模块，用于将待定制用户数据整理成透析方案生成模块和血液透析异常情况评估模块的数据输入的标准，将数据发送给透析方案生成模块和血液透析异常情况评估模块；透析方案生成模块，用于根据待定制用户数据，基于预设的医学规则生成一种或多种透析方案；血液透析异常情况评估模块，用于根据待定制用户数据和所述一个或多个透析方案，基于预先训练好的血液透析异常情况评估模型得到所述一种或多种透析方案的异常情况评估结果，其中，所述血液透析异常情况评估模型是根据历史透析数据利用决策树算法训练而得到；定制方案输出模块，用于根据血液透析异常情况评估结果，确定肾脏病血液透析定制方案。进一步地，所述血液透析异常情况评估模型是基于血液透析异常情况评估模型构建模块而得到，所述血液透析异常情况评估模型构建模块包括：数据获取单元，用于获取已有血液透析全过程样本数据，包括患者基础信息、透析前体格检查、透析方案、治疗效果、历史检验检查数据；预处理单元，用于对获取的样本数据进行清洗和标准化预处理；特征提取单元，用于基于预处理后的数据，采用统计学方法和xgboost算法得到影响血液透析中发生异常情况的特征数据；模型训练单元，用于将特征数据划分为训练集和测试集，利用训练集数据对血液透析异常情况评估模型进行训练，利用测试集数据对血液透析异常情况评估模型进行测试，根据kappa系数确定训练合格的血液透析异常情况评估模型。进一步地，所述预处理单元包括：第一处理单元，用于针对数值型医学特征数据进行处理，包括：通过levene检验查看方差是否齐，如果方差齐，则采用统计学上的方差分析方法；如果方差不齐，则采用统计学上的welch检验，对于没有统计学意义的医学特征进行数据删除；第二处理单元，用于针对非数值型医学特征数据进行处理，包括采用统计学上的卡方检验，对于没有统计学意义的医学特征进行数据删除；排序选择单元，用于利用xgboost算法对上述统计学方法处理后的特征进行排序，并选取排序指定部分的作为特征数据。有益效果：本发明提出一种基于人ai技术的肾脏病血液透析定制方法及系统，利用已有的患者透析数据对基于ai技术构建的血液透析异常情况评估模型进行训练，得到一个可精准预测血透异常情况的模型，再根据待测患者数据，结合基于医学规则生成的一种或多种透析方案，得到适合于患者的肾脏病血液透析定制方案。本发明利用人工智能的学习能力，建立异常情况评估模型，能够根据身体基础信息、透析前体格检查、供参考的透析方案、历史检验检查数据自动推出最佳定制方案，从而实现有效降低血液透析风险，保证病人安全，提高医疗护理质量。附图说明图1是本发明实施例提供的基于ai技术的肾脏病血液透析方案定制方法流程图；图2是本发明实施例提供的血液透析异常情况评估模型构建流程图；图3是本发明实施例提供的ai技术的肾脏病血液透析方案定制系统结构框图。具体实施方式下面结合附图对本发明的技术方案作进一步说明。参照图1，在一个实施例中，一种基于ai技术的肾脏病血液透析方案定制方法，包括以下步骤：步骤1，整理待定制用户数据，将待定制用户数据代入透析方案生成模型，生成一种或多种透析方案；步骤2，将待定制用户数据以及一个或多个透析方案带入血液透析异常情况评估模型，获得所述一种或多种透析方案的异常情况评估结果，其中，所述血液透析异常情况评估模型根据历史透析数据利用决策树算法训练而得到；步骤3，根据血液透析异常情况评估结果，确定肾脏病血液透析定制方案。具体而言，在本发明实施例中，待定制用户数据包括患者基础信息、透析前体格检查、历史检验检查数据。三类数据的具体内容和血液透析异常情况评估异常模型建立过程中使用的数据相同，将在下文给出描述。在步骤1中，将待定制用户数据整理成透析方案生成模型和血液透析异常情况评估模型所需要的数据标准，在本发明实施例中，透析方案生成模型是根据医护人员给出的医学规则，将血透方案的判别标准进行汇总、归纳、整合而形成。透析方案生成模型内容包括：透析模式、预设脱水、透析时间、透析器、灌流器、置换液、置换液量、抗凝剂、透析液温度、透析液浓度ca、透析液浓度k、透析液浓度na、拟用药、透析液流量。根据医护人员的规则给患者生成透析方案，因为包含多种医学承认的组合方式，所以会生成一种或多种透析方案。透析方案生成模型参考的详细规则如下：透析模式：一般有如下两种方式：血透、血滤。在不考虑医疗费用的情况下，血滤是更好的选择。预设脱水：预设脱水量=此次上机前体重-干体重；当体重小于60kg时，若计算出来的预设脱水量小于3.5kg，即按照计算出来的值，也可以参考过往的透析记录里的预设脱水数值；若计算出来的预设脱水量大于3.5kg，首先参考过往的透析记录里的预设脱水数值，若无数值可参考，预设脱水量即为3.5kg；当体重大于60kg时，若计算出来的预设脱水量小于4.5kg，即按照计算出来的值，也可以参考过往的透析记录里的预设脱水数值；若计算出来的预设脱水量大于4.5kg，首先参考过往的透析记录里的预设脱水数值，若无数值可参考，预设脱水量即为4.5kg。透析时间：常规使用3小时、3.5小时、4小时、4.5小时。透析器：主要参考患者的透析充分性（kt/v、urr）和患者体重，根据不同情况选择不同面积的透析器。血透时使用（ts1.3s、ts1.6s、ts1.8s、fb150u、aps15u（rexeed15uc））；血滤时使用（ts1.3u、ts1.6u、ts1.8u）。灌流器：主要参考体重。若体重小于60kg，常规使用ha130；若体重大于60kg，常规使用ha230。置换液：只有血滤时才使用。置换液分前稀释、后稀释置换液。置换液量：根据相关公式计算得到。公式：置换液量=0.94*体重-6.06；前稀释、后稀释所对应的置换液量不同，前稀释法为后稀释法的2-3倍。抗凝剂：若患者存在大便隐血或前一周有出血，不能使用低分子抗凝剂；若出现血红蛋白>=13g、原发病有糖尿病或体重偏大的情况，低分子抗凝剂用量要适当提高；低分子肝素通常选60-80iu/kg，根据患者其他合并症情况再综合评判；非以上特殊情况下，考虑使用普通肝素或低分子抗凝剂。透析液温度：常规36-36.5；透析中血压下降可小调至35.8；透析中高血压或有畏寒症状可上调为36.8-37。透析液浓度ca：ca小于1.9时用高钙透析液。透析液浓度k：k小于3.5时用高钾透析液。透析液浓度na：常用透析液na浓度（130,135,140,145）。拟用药：包括促红素、佐卡和其他。使用促红素的规则：若血红蛋白6-10g，12000促红素/周；血红蛋白10-11g，9000促红素/周；血红蛋白11-12g，9000促红素/周；血红蛋白12-13g，3000促红素/周；血红蛋白>13g，不用促红素/周。以上给出的是周计量计算规则，当次计量可选（不用促红素;3000促红素;4000促红素;6000促红素;10000促红素），可以一次用完整周计量，也可以分批次用完，每次用量不固定，保证周计量总量不变即可。使用佐卡的规则：常规病人，佐卡1g装1支，3次/周；合并冠心病、心脏疾病，佐卡1g装2支，3次/周；合并神经病变（癫痫），不用佐卡。根据本周已用佐卡的次数，如果已经完成本周次数，本次将不用佐卡。使用其他的规则：若钙小于1.8时用使用葡萄糖酸钙40ml；1.8<=钙<2.0不使用葡萄糖酸钙40ml。透析液流量：一般有三种规格（500ml/min，600ml/min，800ml/min）。因为包含多种医学承认的组合方式，所以会生成一种或多种透析方案。下表列举某类病人的部分可选方案示例：表1部分透析方案示例针对以上8种方案，现有不良反应人工评判能力，不能满足患者实际不良反应预警需求。现在人工对不良反应，通过一些检验指标如隐血试验、大便隐血、尿隐血、凝血功能进行判断，仅仅预测出血、凝血倾向，而对于其他不良反应例如：心血管、血压波动、低钙、低血糖等情况，则无法预测。本发明将分别针对这8个方案以及患者的基础信息、透析前体格检查、历史检验检查数据，运用血液透析异常情况评估模型，得到患者在这8种方案下，透中不良反应的预测情况，从中选取最优透析方案为最终个性化血液透析定制方案。参照图2，在一个实施例中，血液透析异常情况评估模型的建立和训练包括以下步骤：s1，搜集数据。获取已有血液透析全过程数据，选用某血液净化中心的维持性透析患者透析数据，包括基础信息、透析前体格检查、透析方案、治疗效果、历史检验检查数据。所述基础信息数据包括年龄、性别、身高、体重、血型、民族、透析龄、原发病、传染史、重要病史中的一项或多项；所述透析前体格检查包括干体重、上次下机体重、透析前体重、血压（低压）、血压（高压）、心率、体温中的一项或多项；所述透析方案包括透析模式、预设脱水、透析时间、透析器、灌流器、置换液、置换液量、抗凝剂、透析液温度、透析液浓度ca、透析液浓度k、透析液浓度na、拟用药、透析液流量中的一项或多项；所述治疗效果包括透中情况；所述历史检验检查数据包括血红蛋白、平均血红蛋白浓度、平均血红蛋白含量、血小板计数、白细胞计数、红细胞计数、红细胞比积、平均红细胞体积、肌酐、尿素、尿酸、白蛋白、总蛋白、前白蛋白、葡萄糖、钠、钾、钙、磷、氯、碳酸氢根、血浆纤维蛋白原、纤维蛋白(原)降解产物、血浆d-d二聚体、血清肌钙蛋白i、血清肌钙蛋白t、肌红蛋白、血清铁、血清总铁结合力、血清铁蛋白、甲状旁腺激素、尿隐血、尿蛋白中的一项或多项。s2，数据清洗和标准化预处理。根据医生提供的医学规则（例如：医学名词标准化、无效数据判别）整理数据；对非数值型数据进行有效赋值；对数值型数据进行异常值处理。具体而言，数据清洗和标准化预处理的步骤包括：依据建立的医学实体标准库与规定的单位换算，找出样本数据中不同的单位名称，采用统一单位对各不同的单位名称进行统一替换；制定非数值型数据转换规则，对样本数据中非数值型数据按照转换规则进行赋值换算；对样本数据中每一个数值型数据进行异常值处理，得到标准化样本数据。所述非数值型数据转换规则的部分示例见表2：表2部分非数值型数据转换规则检查项目名称取值赋值性别[男、女][1、2]尿隐血[-、+-、1+、2+、3+、4+][0、1、2、3、4、5]尿蛋白[-、+-、1+、2+、3+、4+][0、1、2、3、4、5]所述异常值处理的步骤包括：如果样本数据中数值型数据服从正态分布，样本数据中的数据距离其平均值大于3倍标准差之外的数据为异常数据，将该异常数据所对应的样本数据剔除；如果样本数据中数值型特征不服从正态分布，则由人工定义数据距离其平均值的倍数，标准差之外的数据为异常数据，将该异常数据所对应的样本数据剔除；所述平均值是指特征数据所在列的平均值；特别地，对于治疗效果包括的透中情况，该字段的清洗规则如下：根据其透中情况，将其归纳为无异常、心血管、血压波动、低钙、低血糖、出血倾向、透析器凝血、静脉壶凝血、调整抗凝剂这9大类中的一类。作为示例，对于各个类别的说明如下：心血管：含服硝酸甘油、心慌；血压波动：调节电导、暂停血滤、暂停超滤、抽筋、痉挛、出汗、盐水补液、减定容、加定容、含服心痛定、单超；低钙：头晕、身体疼痛、呕吐；低血糖：静推gs、高糖静推、低血糖、烦躁；调整抗凝剂：更换静脉壶、调整抗凝剂。应当理解，此处举例仅是为了说明的作用，而不是对本发明的限制。s3，选取重要特征。选取影响血液透析中发生异常情况的重要特征采用统计学方法和xgboost算法。其中，统计学方法如下：针对数值型医学特征数据，如果样本数据中数值型医学特征数据通过levene检验查看方差是否齐，如果方差齐，则采用统计学上的方差分析方法；如果样本数据中数值型医学特征数据方差不齐，采用统计学上的welch检验，对于没有统计学意义的医学特征进行数据删除；针对非数值型医学特征数据，采用统计学上的卡方检验，对于没有统计学意义的医学特征进行数据删除。例如，以尿隐血的卡方检验举例：选择尿隐血和透中情况这两个变量，使用卡方检验方法。结论：不同的透中情况在尿隐血上表现出一致性，并没有差异性。即用尿隐血来区分透中情况是没有统计学意义。levene检验、方差分析方法、welch检验和卡方检验均是统计学方法，是现有技术，本发明仅是采用了这些方法，并未对上述统计学方法进行创新，对于levene检验、方差分析方法、welch检验和卡方检验在此不再赘述。所述xgboost算法如下：通过梯度提升的方法，可以根据提升之后的树获取每个特征的重要性。xgboost是一个流行的机器学习第三方库，可提供python的接口，可以利用xgboost轻松的获取重要特征及其排序。本发明并未对上述算法进行创新，在此不再赘述。最终，得到影响血液透析中发生异常情况的重要特征。s4，设置训练集和测试集。采用python的sklearn包的stratifiedshufflesplit分层分割方法将步骤s3中得到的选取的重要特征数据集分成n份，n>2；选取其中的n-1份作为模型的训练数据，剩余的一份作为模型的测试数据。stratifiedshufflesplit分层分割方法是一种现有技术，属于python计算机程序的功能模块。此处不再赘述。s5，根据训练数据进行血液透析异常情况评估模型的调参训练。具体采用python开发语言的sklearn包，选用决策树的cart算法。决策树是一种树型结构，其中每个内部节结点（上述的医学特征）表示在一个属性上的测试，每一个分支代表一个测试输出，每个叶结点代表一种类别（即上述9大类中的一类）。决策树学习采用的是自顶向下的递归方法，其基本思想是以信息熵为度量构造一棵熵值下降最快的树。到叶子结点的处的熵值为零，此时每个叶结点中的实例都属于同一类。建立决策树主要有三种算法，本发明选用cart算法，其使用的是gini系数，cart分类树算法使用gini系数来选择内部节结点上的医学特征。cart决策树是一棵二叉树，每一次分裂会产生两个子节点，将选择能够最小化分裂后节点gini系数的分裂属性。cart算法有两步：决策树生成和剪枝。决策树生成：递归地构建二叉决策树的过程，基于训练数据集生成决策树，生成的决策树要尽量大；自上而下从根开始建立节点，在每个节点处要选择一个gini系数来分裂，使得子节点中的训练集尽量的纯。通过设置特征选择标准、特征划分标准等参数生成决策树。决策树剪枝：设置决策树的最大深度、节点划分最小不纯度、叶子节点最少的样本数等参数调整进行剪枝。上述名词解释如下：sklern中使用sklearn.tree.decisiontreeclassifier类来实现决策树分类算法。其中几个典型的参数解释如下：criterion（特征选择标准）：选择‘gini’，即代表cart算法；splitter（特征划分标准）：‘best’or‘random’(default=”best”)前者在特征的所有划分点中找出最优的划分点。后者是随机的在部分划分点中找局部最优的划分点。max_depth（决策树最大深度）：常用的可以取值10-100之间。常用来解决过拟合。min_impurity_decrease（节点划分最小不纯度）：这个值限制了决策树的增长，如果某节点的不纯度小于这个阈值，则该节点不再生成子节点。min_samples_leaf（叶子节点最少样本数）：这个值限制了叶子节点最少的样本数，如果某叶子节点数目小于样本数，则会和兄弟节点一起被剪枝。还包括迭代训练的步骤：将血液透析异常情况评估模型的预测结果与相应患者真实的透中异常的结果进行比较，如果血液透析异常情况评估模型预测结果与相应患者真实的透中异常的结果不符，则对该条数据放入cart分类树继续进行训练，调节cart分类树中的树生成、剪枝的参数，最终使得血液透析异常情况评估模型预测结果与相应患者真实的透中异常的结果相符，从而得到能够判别血液透析异常情况的相适应的树生成、剪枝的参数，构成了血液透析异常情况评估模型。s6、对血液透析异常情况评估模型进行测试。将s4的测试数据代入上述评估模型，评估模型给出预测结果，将预测结果与真实的情况进行统计。所述预测结果为无异常、心血管、血压波动、低钙、低血糖、出血倾向、透析器凝血、静脉壶凝血、调整抗凝剂这9类中的一个。所述真实的情况，即数据本身对应的透中情况，为无异常、心血管、血压波动、低钙、低血糖、出血倾向、透析器凝血、静脉壶凝血、调整抗凝剂中的一种。s7：判断模型是否合格。对测试数据得到的预测结果计算kappa系数，如果kappa系数超过了预设阈值，则该血液透析异常情况评估模型合格；如果其值没有达到预设阈值，则进行返回步骤s5再次使用训练数据，进行算法调参，重新得到血液透析的相适应的血液透析异常情况评估参数集，再次得到血液透析异常情况评估模型。所述kappa系数计算公式如下：p0表示总体分类精度，预测正确的总数/总的个数，pe表示sum（pe是归结为各类样本数*各类样本数）/样本总数平方。参照表3进行举例说明，为了便于描述，这里分为了4类。r1是真实分类，r2是预测类。表3预测结果计算kappa系数示例第一行数字依次解释如下：真实分类是类别1，共8个预测，其中有4个预测正确，有2个预测为类别2，有2个被预测为类别3，没有被预测为类别4。其他行的含义依此类推，则：p0=预测正确的总数/总的个数=（4+20+9+3）/53=0.68；pe=(8*8+25*27+16*14+4*4)/(53*53)=0.348；kappa系数=(p0-pe)/(1-pe)=(0.68-0.348)/(1-0.348)=0.51。应理解，此处举例仅是为了方便说明kappa系数的计算原理，在本发明具体实施例中分类数目为9类。系数的值在-1到1之间，具体一致等级如下：表4kappa系数的一致等级划分kappa系数小于00~0.20.2~0.40.4~0.60.6~0.80.8~1一致等级极差极低一般中等高度几乎完全一致在本发明实施例中，经过步骤s5和s6得到的kappa系数超过了0.8的血液透析异常情况评估模型，则判定为最终合格的血液透析异常情况评估模型。在得到合格的血液透析异常情况评估模型后，将待定制用户的数据，以及根据透析方案生成模型产生的一种或多种透析方案，分别输入到血液透析异常情况评估模型中，查看评估结果，在几种透析方案中选出透中效果最好的，将其命名为最终个性化血液透析定制方案。本发明采用机器学习cart决策树算法训练血液透析异常情况评估模型，能够根据身体基础信息、透析前体格检查、供参考的透析方案、历史检验检查数据自动推出最佳定制方案。参照图3，在一个实施例中，基于ai技术的肾脏病血液透析定制系统包括：数据输入模块、透析方案生成模块、血液透析异常情况评估模块、定制方案输出模块、血液透析异常情况评估模型自学习模块；所述的数据输入模块，提供用户操作界面/接口，医院将导入或批量导入，或输入用户的基础信息、透析前体格检查、历史检验检查数据，数据输入模块按照透析方案生成模块和血液透析异常情况评估模块的数据输入标准，将数据发送给透析方案生成模块和血液透析异常情况评估模块；所述透析方案生成模块，根据预设的医学规则，基于传入的用户数据生成一种或多种透析方案，并发送给血液透析异常情况评估模块；所述血液透析异常情况评估模块，根据数据输入模块传入的数据和一种或多种透析方案，分别输入到血液透析异常情况评估模型中，在几种透析方案中选出透中效果最好的，将其命名为最终个性化血液透析定制方案；所述定制方案输出模块，用于显示血液透析异常情况评估模块结果，将最终个性化血液透析定制方案结果通过页面展示出来。所述血液透析异常情况评估模型自学习模块，模型能够自学习迭代，将运行时产生的数据，加入到原来的训练数据集合中再次训练；上线后根据数据量不断的迭代，优化血液透析异常情况评估模型，提高模型准确率。其中血液透析异常情况评估模型由血液透析异常情况评估模型构建模块得到，血液透析异常情况评估模型构建模块具体包括：数据获取单元，用于获取已有血液透析全过程样本数据，包括患者基础信息、透析前体格检查、透析方案、治疗效果、历史检验检查数据；预处理单元，用于对获取的样本数据进行清洗和标准化预处理；特征提取单元，用于基于预处理后的数据，采用统计学方法和xgboost算法得到影响血液透析中发生异常情况的特征数据；模型训练单元，用于将特征数据划分为训练集和测试集，利用训练集数据对血液透析异常情况评估模型进行训练，利用测试集数据对血液透析异常情况评估模型进行测试，根据kappa系数确定训练合格的血液透析异常情况评估模型。进一步地，所述预处理单元包括：第一处理单元，用于针对数值型医学特征数据进行处理，包括：通过levene检验查看方差是否齐，如果方差齐，则采用统计学上的方差分析方法；如果方差不齐，则采用统计学上的welch检验，对于没有统计学意义的医学特征进行数据删除；第二处理单元，用于针对非数值型医学特征数据进行处理，包括采用统计学上的卡方检验，对于没有统计学意义的医学特征进行数据删除；排序选择单元，用于利用xgboost算法对上述统计学方法处理后的特征进行排序，并选取排序指定部分的作为特征数据。应理解，本发明实施例中的肾脏病血液透析定制系统可以实现上述方法实施例中的全部技术方案，其各个功能模块的功能可以根据上述方法实施例中的方法具体实现，在系统实施例中未提及的数据类型、数据内容、方案设计规则、参数计算公式等具体的实施方式，可参照上述方法实施例中的相关描述，此处不再赘述。该肾脏病血液透析定制系统的应用为血液透析工作带来了便捷。在一个实施例中，针对在透患者，患者可以在家自行进行体重、血压、心率等信息测量，利用智能手机将测量结果上传到集成了该肾脏病血液透析定制系统的服务平台。肾脏病血液透析定制系统会提供出一种或多种个性化血透方案。医护人员可以提前接收到患者数据与透析方案，进行方案的调整与确认，提高工作效率。针对医护人员，在患者透析前，实时对患者数据进行采集分析，肾脏病血液透析定制方案系统将展示患者历史透析单，并及时提供最终个性化血透方案供其参考与调整，提高医护对患者病程的知晓度，提高医护人员的工作效率。基于与方法实施例相同的技术构思，根据本发明的另一实施例，提供一种计算机设备，所述设备包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现方法实施例中的各步骤。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。当前第1页12