本申请涉及医用诊断领域，尤其涉及一种肿瘤患者营养筛查方法及系统。
背景技术：
研究发现，很大一部分的肿瘤患者会出现营养问题，而营养问题又会加重肿瘤患者的病情，影响患者的治疗效果。近年来，随着肿瘤患者的增多，如何诊断肿瘤患者的营养问题，成为人们日益关心及亟待解决的问题。
目前，肿瘤患者的营养问题，通常由具备专业技能的临床营养师进行诊断。然而，由于临床营养师人员数量严重不足，且诊断每个病人时都需要花费不少时间，导致肿瘤患者的营养问题不能被及时诊断出来。
上述肿瘤患者营养问题诊断方法，不仅浪费大量的成本及时间，工作效率低，还影响了肿瘤患者的康复。
技术实现要素：
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请第一个目的在于提出一种肿瘤患者营养筛查方法，实现了通过对用户的电子病例数据中关键字段进行筛查，快速确定用户所属的营养状态，节约了诊断肿瘤患者营养问题的成本，节省了时间，提高了诊断的准确率及效率。
本申请的第二个目的在于提出一种肿瘤患者营养筛查系统。
为达上述目的，本申请实施例第一方面提出了一种肿瘤患者营养筛查方法，包括：获取待筛查的电子病历数据，所述电子病历数据中包括用户的标识；根据预设的提取规则，从所述电子病历数据中提取关键字段集合；根据所述关键字段集合中包括的关键字段的数量和/或类型，确定所述用户所属的营养状态。
在第一方面的一种可能的实现形式中，所述根据预设的提取规则，从所述电子病历数据中提取关键字段集合，包括：
根据预设的关键信息，从所述用户的电子病历数据中提取包括所述关键信息的字段集合，其中，所述关键信息与以下信息中的至少一种相关：症状、体征、血液学变量及生化指标。
在第一方面的另一种可能的实现形式中，所述营养状态包括：存在风险和营养不良；
所述根据所述关键字段集合中包括的关键字段的数量和/或类型，确定所述用户所属的营养状态，包括：
判断所述关键字段集合中的至少一个关键字段是否与第一字段集合中的字段匹配；
若是，则确定所述用户所属的营养状态为营养不良；
否则，判断所述关键字段集合中的至少一个关键字段是否与第二字段集合中的字段匹配；
若是，则确定所述用户所属的营养状态为存在风险；
其中，第一字段集合为营养不良状态对应的特征集，第二字段集合为存在风险状态对应的特征集。
在第一方面的另一种可能的实现形式中，所述判断所述关键字段集合中的至少一个关键字段是否与第一字段集合中的字段匹配之后，还包括：
若否，则确定所述关键字段集合中各关键字段分别对应的分值及权重值；
根据所述各关键字段分别对应的分值及权重值，确定所述关键字段集合的得分是否大于预设的值；
若是，则确定所述用户所属的营养状态为营养不良。
在第一方面的另一种可能的实现形式中，所述确定所述关键字段集合中各关键字段分别对应的分值及权重值之前，还包括：
获取历史肿瘤患者的电子病历数据，所述电子病历数据中包括所述肿瘤患者的营养状态及对应的特征状态信息；
对所述电子病历数据进行训练，确定所述特征状态信息分别对应的分值及权重值；
所述确定所述关键字段集合中各关键字段分别对应的分值及权重值，包括：
分别确定与所述各关键字段匹配的特征状态信息；
根据确定的匹配特征状态信息，确定所述各关键字段分别对应的分值及权重值。
在第一方面的另一种可能的实现形式中，所述历史肿瘤患者的电子病历中还包括所述肿瘤患者的属性信息，所述待筛查的电子病历数据中还包括所述用户的属性信息；
所述确定所述特征状态信息分别对应的分值及权重值，包括：
确定所述特征状态信息分别在不同的属性信息下，对应的分值及权重值；
所述分别确定与所述各关键字段匹配的特征状态信息，包括：
根据所述用户的属性信息，分别确定与所述各关键字段匹配的特征状态信息。
在第一方面的另一种可能的实现形式中，所述获取历史肿瘤患者的电子病历数据之后，还包括：
对所述电子病历数据进行语言解析，确定所述电子病历数据中包括的所述肿瘤患者的营养状态及对应的特征状态信息。
在第一方面的另一种可能的实现形式中，所述确定所述用户所属的营养状态之后，还包括：
通过查询营养状态与改善建议数据库，确定并输出与所述用户所属的营养状态对应的改善建议。
本实施例提供的肿瘤患者营养筛查方法，首先获取待筛查的电子病例数据，然后根据预设的提取规则，从电子病例数据中提取关键字段集合，最后根据关键字段集合中包括的关键字段的数量和/或类型，确定用户所属的营养状态。由此，实现了通过对用户的电子病例数据中关键字段进行筛查，快速确定用户所属的营养状态，节约了诊断肿瘤患者营养问题的成本，节省了时间，提高了诊断的准确率及效率。
为达上述目的，本申请实施例第二方面提出了一种肿瘤患者营养筛查系统，包括：通信接口、处理器和存储器；其中，所述通信接口，用于获取待筛查的电子病历数据，所述电子病历数据中包括用户的标识；所述处理器，用于根据预设的提取规则，从所述电子病历数据中提取关键字段集合；并根据所述关键字段集合中包括的关键字段的数量和/或类型，确定所述用户所属的营养状态；所述存储器，用于存储所述处理器的执行程序。
在第二方面的一种可能的实现形式中，所述处理器，具体用于：
根据预设的关键信息，从所述用户的电子病历数据中提取包括所述关键信息的字段集合，其中，所述关键信息与以下信息中的至少一种相关：症状、体征、血液学变量及生化指标。
在第二方面的另一种可能的实现形式中，所述营养状态包括：存在风险和营养不良；
所述处理器，还用于：
判断所述关键字段集合中的至少一个关键字段是否与第一字段集合中的字段匹配；
若是，则确定所述用户所属的营养状态为营养不良；
否则，判断所述关键字段集合中的至少一个关键字段是否与第二字段集合中的字段匹配；
若是，则确定所述用户所属的营养状态为存在风险；
其中，第一字段集合为营养不良状态对应的特征集，第二字段集合为存在风险状态对应的特征集。
在第二方面的另一种可能的实现形式中，所述处理器，还用于：
所述关键字段集合中的任意一个关键字段都不与第一字段集合中的字段匹配时，确定所述关键字段集合中各关键字段分别对应的分值及权重值；
根据所述各关键字段分别对应的分值及权重值，确定所述关键字段集合的得分是否大于预设的值；
若是，则确定所述用户所属的营养状态为营养不良。
在第二方面的另一种可能的实现形式中，所述通信接口，还用于：
获取历史肿瘤患者的电子病历数据，所述电子病历数据中包括所述肿瘤患者的营养状态及对应的特征状态信息；
所述处理器，还用于对所述电子病历数据进行训练，确定所述特征状态信息分别对应的分值及权重值；
分别确定与所述各关键字段匹配的特征状态信息；
根据确定的匹配特征状态信息，确定所述各关键字段分别对应的分值及权重值。
在第二方面的另一种可能的实现形式中，所述历史肿瘤患者的电子病历中还包括所述肿瘤患者的属性信息，所述待筛查的电子病历数据中还包括所述用户的属性信息；
所述处理器，还用于：
确定所述特征状态信息分别在不同的属性信息下，对应的分值及权重值；
根据所述用户的属性信息，分别确定与所述各关键字段匹配的特征状态信息。
在第二方面的另一种可能的实现形式中，所述处理器，还用于：
对所述电子病历数据进行语言解析，确定所述电子病历数据中包括的所述肿瘤患者的营养状态及对应的特征状态信息。
在第二方面的另一种可能的实现形式中，该肿瘤患者营养筛查系统，还包括：显示组件；
所述处理器，还用于通过所述通信接口查询营养状态与改善建议数据库后，确定与所述用户所属的营养状态对应的改善建议，并通过所述显示组件输出与所述用户所属的营养状态对应的改善建议。
本实施例提供的肿瘤患者营养筛查系统，首先获取待筛查的电子病例数据，然后根据预设的提取规则，从电子病例数据中提取关键字段集合，最后根据关键字段集合中包括的关键字段的数量和/或类型，确定用户所属的营养状态。由此，实现了通过对用户的电子病例数据中关键字段进行筛查，快速确定用户所属的营养状态，节约了诊断肿瘤患者营养问题的成本，节省了时间，提高了诊断的准确率及效率。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本申请一个实施例的肿瘤患者营养筛查方法的流程图；
图2是本申请另一个实施例的肿瘤患者营养筛查方法的流程图；
图3本申请一个实施例的肿瘤患者营养筛查系统的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
本申请各实施例主要针对现有的肿瘤患者营养问题诊断，通常依靠具备专业技能的临床营养师来进行，不仅浪费大量的成本及时间，工作效率低，还影响肿瘤患者康复的问题，提出一种通过对肿瘤患者的电子病历数据进行筛查，快速确定该患者所属的营养状态的方法。
具体的，本申请提供的肿瘤患者营养筛查方法，可以利用历史肿瘤患者的电子病历数据，获取存在风险状态或者营养不良状态对应的特征，再将从待筛查的肿瘤患者的电子病历数据中获取的特征与其比较，以确定肿瘤患者的营养状态。
下面参考附图描述本申请实施例的肿瘤患者营养筛查方法及系统。
图1是本申请一个实施例的肿瘤患者营养筛查方法的流程图。
如图1所示，该肿瘤患者营养筛查方法，包括：
步骤101，获取待筛查的电子病历数据，电子病历数据中包括用户的标识。
本实施例提供的肿瘤患者营养筛查方法，执行主体为本申请实施例提供的肿瘤患者营养筛查系统，该系统可以被配置在医院的中央数据管理中心，或者医院肿瘤科室的中央数据管理中心等，由中央数据管理中心统一管理各个用户的电子病历数据，以方便医务人员根据需要，在诊断过程中，调取相关数据以辅助诊断和治疗。
其中，用户标识，可以是肿瘤患者的姓名、身份证号、医保卡号、病人编号等唯一可以标识该用户区别于其它用户的任一标识。
步骤102，根据预设的提取规则，从电子病历数据中提取关键字段集合。
其中，预设的提取规则，为从电子病历数据库中提取关键字段集合的方法，具体的，可以包括提取的关键字段的类型、数量等。
可以理解的是，在对用户进行治疗的过程中，医务人员可以将用户的各种症状或感受记入中央数据管理中心的电子病历中，从而在诊断肿瘤患者的营养问题时，可以通过用户的标识，调取该用户的电子病历数据，并从电子病历数据中提取关键字段，以确定用户的营养状态。
举例来说，肿瘤患者出现营养问题时，通常会出现例如，恶心，眩晕，无食欲，停止排便排气，进行性吞咽困难，体力状况ECOG评分≥3分，消瘦，黄染(皮肤黏膜发黄)，肤色苍白，双下肢浮肿，体质指数BMI≤18.5kg/m2(千克/平方米)、同时体重下降，体重下降≥5kg(千克)，白蛋白≤35g/L(克/升)、同时体重下降，肌肉量低于正常值范围、同时体重下降2kg，恶液质容，等等症状。则在对肿瘤患者的营养状态进行诊断时，即可从患者的电子病历中，通过字段匹配的方式，提取与上述症状相关的字段。
具体实现时，可以根据各营养状态对应的症状、体征、血液学变量及生化指标等，预先设置要筛选的关键信息，则在获取了待筛查的电子病历数据后，即可从用户的病历数据库中提取包括该关键信息的字段集合。
其中，关键信息可以与以下信息中的至少一种相关：症状、体征、血液学变量及生化指标。具体的，症状为病人患病后对机体生理功能异常的自身体验和感受，例如，恶心、眩晕、进行性吞咽困难、等等；体征为医生在检查病人时所发现的异常变化，例如，体温、脉搏、体重、血压等等；血液学变量为与血液和造血组织有关的变量，例如，白细胞总数，血小板总数等等；生化指标为肝功能、肾功能、炎症等的指标，例如，肌酸指标，尿酸指标，白蛋白指标、前白蛋白指标、C-反应蛋白指标等等。
举例来说，假设预先设置提取与体征、生化指标相关的关键信息，那么若获取的待筛查的用户电子病历数据中，包括体重下降、体质指数BMI≤18.5kg/m2、同时体重下降，体重下降≥5kg，恶心，头晕等信息，则可以从用户的电子病历数据中提取出包括：体重下降、体质指数BMI≤18.5kg/m2、同时体重下降，体重下降≥5kg等字段，作为该患者当前营养状态对应的关键字段集合。
步骤103，根据关键字段集合中包括的关键字段的数量和/或类型，确定用户所属的营养状态。
其中，用户所属的营养状态，可以包括存在风险状态和营养不良状态。
具体实现时，可以预先设置营养不良状态对应的特征集和存在风险状态对应的特征集，则从用户的电子病历数据中提取了关键字段集合后，即可将该关键字段集合中的关键字段与营养不良状态对应的特征集和存在风险状态对应的特征集中的字段进行匹配，根据匹配的关键字段的数量和/或类型，确定用户所属的营养状态。
具体过程可以包括以下步骤：
步骤103a，判断关键字段集合中的至少一个关键字段是否与第一字段集合中的字段匹配。
其中，第一字段集合为营养不良状态对应的特征集，比如可以包括如BMI≤18.5kg/m2、同时体重下降，体重下降≥5kg，白蛋白≤35g/L、同时体重下降等字段。
步骤103b，若是，则确定用户所属的营养状态为营养不良。
步骤103c，否则，判断关键字段集合中的至少一个关键字段是否与第二字段集合中的字段匹配。
其中，第二字段集合为存在风险状态对应的特征集，比如可以包括如黄染，肤色苍白，舟状腹等字段。
步骤103d，若是，则确定用户所属的营养状态为存在风险。
举例来说，假设营养不良状态对应的特征集为：BMI≤18.5kg/m2、同时体重下降，体重下降≥5kg，白蛋白≤35g/L、同时体重下降，肌肉量低于正常值范围、同时体重下降2kg，恶液质容；存在风险状态对应的特征集为：停止排便排气，进行性吞咽困难，体力状况ECOG评分≥3分，消瘦，黄染，肤色苍白，舟状腹，双下肢浮肿。
那么在诊断过程中，若从用户的电子病历数据中提取的关键字段集合为“体重下降7kg，BMI＝19kg/m2”，可以确定该关键字段集合中的“体重下降7kg”与营养不良状态对应的特征集中的“体重下降≥5kg”匹配，则可以确定该用户属于营养不良状态。而若从用户的电子病历数据中提取的关键字段集合为“肤色苍白，双下肢浮肿，体力状况ECOG评分＝2分”，可以确定该关键字段集合中的任一关键字段与营养不良状态对应的特征集中的任意字段都不匹配，可以再将该关键字段集合中的关键字段与存在风险状态对应的特征集中的字段进行比较，由于“肤色苍白，双下肢浮肿”与存在风险状态对应的特征集中的字段匹配，可以确定该用户属于存在风险状态。
另外，可以理解的是，当确定用户所属的营养状态之后，肿瘤患者营养筛查系统还可以为用户提供与营养状态对应的改善建议，即在本申请实施例中，确定用户所属的营养状态之后，还可以包括：
通过查询营养状态与改善建议数据库，确定并输出与用户所属的营养状态对应的改善建议。
具体实现时，可以预先设置营养状态与改善建议的映射关系，并在改善建议数据库中存储用户的各种营养状态与对应的改善建议，及每种营养状态下对应的特征集中，不同字段对应的改善建议，则确定用户所属的营养状态后，可以通过查询改善建议数据库，确定并输出营养状态对应的改善建议，从而使医务人员可以根据改善建议对肿瘤患者的营养问题进行改善。
其中，确定用户所属的营养状态对应的改善建议后，可以将改善建议通过显示屏进行展示，也可以通过关联的打印机，将改善建议以标准报告的形式进行打印，此处不作限制。
本实施例提供的肿瘤患者营养筛查方法，首先获取待筛查的电子病例数据，然后根据预设的提取规则，从电子病例数据中提取关键字段集合，最后根据关键字段集合中包括的关键字段的数量和/或类型，确定用户所属的营养状态。由此，实现了通过对用户的电子病例数据中关键字段进行筛查，快速确定用户所属的营养状态，节约了诊断肿瘤患者营养问题的成本，节省了时间，提高了诊断的准确率及效率。
通过上述分析可知，可以将从用户的电子病例数据中提取的，关键字段集合中的关键字段与各营养状态对应的特征集中的字段逐一进行比较，以确定用户的营养状态。在本申请一种可能的实现形式中，若根据肿瘤患者出现的任意单一症状无法准确判断该患者是否已出现营养不良，那么可以根据该患者出现的各种症状进行综合评价，以确定该患者是否出现营养不良问题，以准确确定用户的营养状态，下面结合图2，对上述情况进行具体的说明。
图2是本申请另一个实施例的肿瘤患者营养筛查方法的流程图。
如图2所示，本实施例提供的肿瘤患者营养筛查方法包括以下步骤：
步骤201，获取待筛查的电子病历数据，电子病历数据中包括用户的标识。
步骤202，根据预设的提取规则，从电子病历数据中提取关键字段集合。
步骤203，判断关键字段集合中的至少一个关键字段是否与第一字段集合中的字段匹配，若是，则执行步骤206，否则，执行步骤204。
其中，第一字段集合为营养不良状态对应的特征集。
步骤204，确定关键字段集合中各关键字段分别对应的分值及权重值。
步骤205，根据各关键字段分别对应的分值及权重值，确定关键字段集合的得分是否大于预设的值，若是，则执行步骤206，否则，执行步骤207。
步骤206，确定用户所属的营养状态为营养不良。
可以理解的是，在医院或者肿瘤科室的中央数据管理中心，可以保管有各个用户的电子病历数据，这些电子病历数据中包括已经确定的肿瘤患者的营养状态及对应的特征集，在本申请实施例中，可以利用这些电子病历数据，确定待筛查的电子病历数据中的关键字段集合的得分，进而确定用户所属的营养状态是否为营养不良状态。即在步骤205之前，还可以包括：
获取历史肿瘤患者的电子病历数据，所述电子病历数据中包括肿瘤患者的营养状态及对应的特征状态信息；
对电子病历数据进行训练，确定特征状态信息分别对应的分值及权重值。
其中，特征状态信息可以为营养不良状态对应的特征集中的特征状态信息，例如可以包括体重变化情况，食欲情况，饮食情况，进食情况，ECOG评分，疾病诊断情况，浮肿情况等方面的信息。
具体的，由于不同医护人员的用语习惯不同，因此，不同医护人员对同一病人诊断时，记录的电子病历数据中的语言可能并不完全一致，为了提高对电子病历数据分析的准确性，可以先对电子病历数据进行语言解析，以便准确识别电子病历中的自然语言，然后再通过特征提取，从电子病历数据中提取肿瘤患者的营养状态及对应的特征状态信息。
例如，在读取肿瘤患者的电子病例数据后，通过运用自然语言的句法和其它知识，确定电子病例数据中各语句的组成成分的功能，以建立一种数据结构，并获取各语句的意义，从而准确识别电子病例中的肿瘤患者的营养状态及对应的特征状态信息，并通过有效学习记忆，逐步建立和完善肿瘤营养问题数据库。
获取了历史电子病历数据中肿瘤患者的营养状态及对应的特征状态信息后，即可基于人工智能技术，通过机器学习、boosting算法等，对电子病例数据进行训练，构建各个营养状态对应的特征状态信息的权重关系模型，组成复杂分类器，并不断优化权重关系模型，从而确定各个营养状态与特征状态信息的对应模型，及各个特征状态信息在各个营养状态中的分值及权重值。进而在获取到待筛查的电子病历后，即可结合已确定的营养状态与特征状态信息的对应模型及各个特征状态信息在不同营养状态中的分值和权重值，根据电子病历数据中的关键字段集合，确定用户所属的营养状态。
相应的，步骤205具体可以包括：
分别确定与各关键字段匹配的特征状态信息；
根据确定的匹配特征状态信息，确定各关键字段分别对应的分值及权重值。
具体实现时，确定了营养不良状态对应的特征状态信息分别对应的分值及权重值后，若从待筛查的电子病历数据中提取的关键字段与某个特征状态信息匹配，则可以根据该特征状态信息对应的分值及权重值，确定匹配的关键字段对应的分值及权重值，进而确定关键字段集合的得分，若该得分大于预设的值，则可以确定该电子病历数据对应的用户属于营养不良状态。
其中，预设的值为用户属于营养不良状态时，关键字段集合的得分，具体的，可以根据通过对历史肿瘤患者的电子病历数据进行训练得到的各特征状态信息的分值和权重值进行设定。
举例来说，假设通过对历史肿瘤患者的电子病历数据的训练，得到了营养不良状态包括的各特征状态信息对应的分值及权重值。具体的，“体重变化情况”对应的权重值为0.5，其中，“体重下降5kg”对应的分值为10.0分，“体重下降4kg”对应的分值为9.0分；“食欲情况”对应的权重值为0.2，其中，“无食欲”对应的分值为10.0分，“食欲下降”对应的分值为9.0分；“ECOG评分”对应的权重值为0.3，其中，“ECOG评分＝3分”对应的分值为10.0分，“ECOG评分＝2分”对应的分值为9.0分。若从某患者待筛查的电子病历数据中提取的关键字段为“体重下降4kg”、“无食欲”，则与第一字段集合中的字段都不匹配，可以对该患者出现的各种症状进行综合评价，以确定该患者是否出现营养不良问题。由于“体重下降4kg”与特征状态信息“体重变化情况”相关，“无食欲”与特征状态信息“食欲情况”相关，而根据特征状态信息“体重变化情况”和“食欲情况”分别对应的分值及权重值，可以确定“体重变化情况”对应的权重值为0.5，“体重下降4kg”对应的分值为9.0分，“食欲情况”对应的权重值为0.2，“无食欲”对应的分值为10.0分，进而确定关键字段集合的得分为6.5分，假设预设的值为6.0分，则该得分大于预设的值，可以确定该电子病历数据对应的用户属于营养不良状态。
值得注意的是，同一特征状态信息，对于不同的用户来说，可能会对应不同的分值及权重值。例如，体重下降5kg，对于老人和成人的影响是不同的，男性和女性的生化指标健康参考值也不相同，那么，在本申请实施例中，还可以根据用户的年龄、性别等信息，确定用户所属的营养状态。
即在步骤205之前，对历史肿瘤患者的电子病历数据进行训练，确定特征状态信息分别对应的分值及权重值时，还可以确定特征状态信息分别在不同的属性信息下，对应的分值及权重值。相应的，确定从待筛查的电子病历数据中提取的关键字段集合中各关键字段分别对应的分值及权重值时，可以先根据用户的属性信息，分别确定与各关键字段匹配的特征状态信息，再根据确定的匹配特征状态信息，确定各关键字段分别对应的分值及权重值，进而确定关键字段集合的得分，从而确定用户所属的营养状态是否为营养不良。
其中，历史肿瘤患者的电子病历数据中和待筛查的电子病历数据中都包括肿瘤患者的属性信息，例如性别、年龄、身高、体重等。
举例来说，假设通过对历史肿瘤患者的电子病历数据的训练，得到用户为成年男性时，“体重变化情况”对应的权重值为0.5，其中，“体重下降5kg”对应的分值为10.0分，“体重下降4kg”对应的分值为9.0分；“食欲情况”对应的权重值为0.2，其中，“无食欲”对应的分值为10.0分，“食欲下降”对应的分值为9.0分；“ECOG评分”对应的权重值为0.3，其中，“ECOG评分＝3分”对应的分值为10.0分，“ECOG评分＝2分”对应的分值为9.0分；用户为成年女性时，“体重变化情况”对应的权重值为0.5，其中，“体重下降5kg”对应的分值为8.0分，“体重下降4kg”对应的分值为7.0分；“食欲情况”对应的权重值为0.2，其中，“无食欲”对应的分值为8.0分，“食欲下降”对应的分值为7.0分；“ECOG评分”对应的权重值为0.3，其中，“ECOG评分＝3分”对应的分值为8.0分，“ECOG评分＝2分”对应的分值为7.0分。若从待筛查的某位成年女性的电子病历数据中提取的关键字段为“体重下降4kg”、“无食欲”，则与第一字段集合中的字段都不匹配，可以对该患者出现的各种症状进行综合评价，以确定该患者是否出现营养不良问题。由于“体重下降4kg”与特征状态信息“体重变化情况”相关，“无食欲”与特征状态信息“食欲情况”相关，而根据用户为成年女性时，特征状态信息“体重变化情况”和“食欲情况”分别对应的分值及权重值，可以确定“体重变化情况”对应的权重值为0.5，“体重下降4kg”对应的分值为7.0分，“食欲情况”对应的权重值为0.2，“无食欲”对应的分值为8.0分，进而确定关键字段集合的得分为5.1分，假设预设的值为5.5分，则该得分小于预设的值，可以确定该电子病历数据对应的用户不属于营养不良状态，从而可以继续判断用户所属的营养状态是否为其它状态。
步骤207，判断关键字段集合中的至少一个关键字段是否与第二字段集合中的字段匹配。
其中，第二字段集合为存在风险状态对应的特征集。
步骤208，若是，则确定用户所属的营养状态为存在风险。
具体的，若关键字段集合的得分小于等于预设的值，则可以继续判断用户所述的营养状态是否为存在风险状态。
可以理解的是，判断用户所属的营养状态是否为存在风险状态时，也可以通过将各关键字段与存在风险状态对应的特征状态信息进行匹配，根据存在风险状态对应的特征状态信息分别对应的分值及权重值，确定各关键字段的得分，进而确定用户是否属于存在风险状态。
本实施例提供的肿瘤患者营养筛查方法，在获取待筛查的电子病历数据后，首先从中提取关键字段集合，再判断关键字段集合是否与第一字段集合中的字段匹配，若否，再确定关键字段集合中各关键字段分别对应的分值及权重值，以确定关键字段集合的得分，然后通过该得分确定用户所属的营养状态是否为营养不良状态，若否，再判断关键字段集合是否与第二字段集合中的字段匹配，从而确定用户所属的营养状态是否为存在风险状态。由此，实现了通过对用户的电子病例数据中关键字段进行筛查，并根据各营养状态对应的特征集，对从用户的电子病例数据中提取的关键字段集合进行评分，以快速确定用户所属的营养状态，节约了诊断肿瘤患者营养问题的成本，节省了时间，提高了诊断的准确率及效率。
为了实现上述实施例，本申请还提出一种肿瘤患者营养筛查系统。图3本申请一个实施例的肿瘤患者营养筛查系统的结构示意图。
如图3所示，该肿瘤患者营养筛查系统30包括：通信接口31、处理器32和存储器33；
其中，所述通信接口31，用于获取待筛查的电子病历数据，所述电子病历数据中包括用户的标识；
所述处理器32，用于根据预设的提取规则，从所述电子病历数据中提取关键字段集合；并根据所述关键字段集合中包括的关键字段的数量和/或类型，确定所述用户所属的营养状态；
所述存储器33，用于存储所述处理器的执行程序。
进一步的，在本申请实施例一种可能的实现形式中，上述处理器32，具体用于：
根据预设的关键信息，从所述用户的电子病历数据中提取包括所述关键信息的字段集合，其中，所述关键信息与以下信息中的至少一种相关：症状、体征、血液学变量及生化指标。
在本申请实施例另一种可能的实现形式中，所述营养状态包括：存在风险和营养不良；
相应的，上述处理器32，还用于：
判断所述关键字段集合中的至少一个关键字段是否与第一字段集合中的字段匹配；
若是，则确定所述用户所属的营养状态为营养不良；
否则，判断所述关键字段集合中的至少一个关键字段是否与第二字段集合中的字段匹配；
若是，则确定所述用户所属的营养状态为存在风险；
其中，第一字段集合为营养不良状态对应的特征集，第二字段集合为存在风险状态对应的特征集。
在本申请实施例另一种可能的实现形式中，上述处理器32，还用于：
所述关键字段集合中的任意一个关键字段都不与第一字段集合中的字段匹配时，确定所述关键字段集合中各关键字段分别对应的分值及权重值；
根据所述各关键字段分别对应的分值及权重值，确定所述关键字段集合的得分是否大于预设的值；
若是，则确定所述用户所属的营养状态为营养不良。
进一步的，上述通信接口31，还用于：
获取历史肿瘤患者的电子病历数据，所述电子病历数据中包括所述肿瘤患者的营养状态及对应的特征状态信息；
相应的，上述处理器32，还用于对所述电子病历数据进行训练，确定所述特征状态信息分别对应的分值及权重值；
分别确定与所述各关键字段匹配的特征状态信息；
根据确定的匹配特征状态信息，确定所述各关键字段分别对应的分值及权重值。
在本申请实施例另一种可能的实现形式中，所述历史肿瘤患者的电子病历中还包括所述肿瘤患者的属性信息，所述待筛查的电子病历数据中还包括所述用户的属性信息；
相应的，上述处理器32，还用于：
确定所述特征状态信息分别在不同的属性信息下，对应的分值及权重值；
根据所述用户的属性信息，分别确定与所述各关键字段匹配的特征状态信息。
在本申请实施例另一种可能的实现形式中，上述处理器32，还用于：
对所述电子病历数据进行语言解析，确定所述电子病历数据中包括的所述肿瘤患者的营养状态及对应的特征状态信息。
在本申请实施例另一种可能的实现形式中，该肿瘤患者营养筛查系统30，还包括：显示组件34；
上述处理器32，还用于通过所述通信接口31查询营养状态与改善建议数据库后，确定与所述用户所属的营养状态对应的改善建议，并通过所述显示组件34输出与所述用户所属的营养状态对应的改善建议。
需要说明的是，前述对肿瘤患者营养筛查方法实施例的解释说明也适用于该实施例的肿瘤患者营养筛查系统，此处不再赘述。
本实施例提供的肿瘤患者营养筛查系统，首先获取待筛查的电子病例数据，然后根据预设的提取规则，从电子病例数据中提取关键字段集合，最后根据关键字段集合中包括的关键字段的数量和/或类型，确定用户所属的营养状态。由此，实现了通过对用户的电子病例数据中关键字段进行筛查，快速确定用户所属的营养状态，节约了诊断肿瘤患者营养问题的成本，节省了时间，提高了诊断的准确率及效率。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。