一种高血压辅诊方法和系统与流程

本发明涉及疾病辅诊领域，特别涉及一种高血压辅诊方法和系统。

背景技术：

据《中国心血管病年报2016》数据显示，中国18岁以上居民高血压患病率为25.2％且呈逐年上升趋势。高血压是一种典型的渐进、长周期、病因繁杂的心身性疾病，受累群体广泛，终点事件险恶，也是脑卒中和冠心病的主要危险因素，后二者则是我国国民死亡的重要原因，因此，控制高血压对于预防心血管疾病的发生，降低因病致死率，改善国民健康水平至关重要。然而，我国高血压的控制状况不甚理想，18岁以上高血压患者的知晓率、服药率和控制率仅分别为46.5％、41.1％和13.8％，形势依然十分严峻。

近年来，随着对高血压临床表型和发病机制的研究不断深入，对高血压的分类分型日趋细化，不同类型高血压患者适宜的诊疗方案也各有差异，因而高血压治疗决策需要个体化及系统论指导，而非盲目降压。然而我国基层医生的诊疗水平参差不齐，临床常用的高血压治疗方案针对性差，很难做到对不同类型的高血压患者进行精准分层和精准治疗。因此亟待建立针对高血压患者的制定个性化诊疗方案。目前虽已有学者研制相关系统或设备，但解决方案大多数基于医生确定诊疗方案后，用于监督提醒或随访记录患者情况，鲜少作用于诊疗环节；虽然杨冬艳等发明人cn104915560a提出了针对高血压患者聚类以预测患者临床诊疗效果，但未针对个性化诊疗方案的制定展开说明，忽略了个体差异及不同时代下体特征和环境的差异性，模型具有一定局限性。

技术实现要素：

本发明旨在提出一种高血压辅诊方法，能够针对待诊疗高血压患者推荐个性化诊疗方案，自动返回预设诊疗结局预测值，且动态更新并调整计算模型。

本发明旨在提供一种与上述高血压辅诊方法相应的系统。

为实现上述目的，本发明提出一种高血压辅诊方法，基于高血压相关教材、指南、论文、药物说明等文献结合医生经验生成知识库及关联规则，并基于此知识库及关联规则自动生成患者数据库；基于待诊疗患者诊疗前数据，从患者数据库中的多个患者的诊疗前数据中选取k个相似记录；基于所述选取的k个相似记录，将患者数据库中与之对应的k个患者的诊疗方案数据进行聚类；基于聚类结果，将所述患者数据库中与之对应的所述k个患者的诊疗后数据分别建立预设诊疗终点评价指标的治疗方案模型。

其中，所述基于待诊疗患者诊疗前数据，从患者数据库中的多个患者的诊疗前数据中选取k个相似记录包括：

基于所述患者数据库中的多个患者的诊疗前数据，计算待诊疗患者的诊疗前数据与患者数据块中的多个患者的诊疗前数据中的各个患者特征项的相似度，得到相似度数据集k；

依据所述相似度数据集k，计算相似度容忍下限阈值以及相似度最大值，得到相似记录数量k；

在所述相似度数据集k中提取相似度最高的前k个记录，此k个记录的患者特征项与待诊疗患者的对应的患者特征项具有较高相似性。

其中，所述计算相似度容忍下限阈值还包括：计算该相似度数据集k的相似度容忍下限阈值，得到相似度容忍区间；建立相似度统一衡量标准及梯度级别，根据相似度容忍区间得到相似度所处梯度级别提示。

其中，所述建立相似度统一衡量标准及梯度级别包括：建立相似度统一衡量标准，对相似度进行标准化处理，使相似度在标准化区间变化；若相似度大于kh，则提示推荐患者相似性良好，若相似度在(kl，kh]，则提示推荐患者相似性一般，相似度小于等于kl，则提示推荐患者相似性较差。

所述基于所述选取的k个相似记录，将所述患者数据库中与之对应的k个患者的诊疗方案数据进行聚类包括：基于所述k个相似记录的标识码识别与之对应的k个相似记录的诊疗方案数据，基于所述k个相似记录的诊疗方案数据的特征项进行聚类；聚类个数为c，

所述基于所述聚类结果，将所述患者数据库中与所述k个患者的诊疗后数据分别建立预设诊疗终点评价指标的方案模型包括：基于所述k个相似记录的标识码识别出与之对应的k个相似记录的诊疗后数据，并基于所述诊疗后数据中预设的临床诊疗终点评价指标的特征项类型选择回归模型类型；基于所述k个相似记录分别对应的诊疗前数据和诊疗方案数据的特征项，针对c类聚类患者分别建立预设诊疗终点评价指标的回归模型，生成基于c类患者的与之对应的c种治疗方案模型。

其中，在所述建立预设诊疗终点评价指标的方案模型后进一步包括：基于选择的治疗方案模型，分别计算与该待诊疗患者对应的治疗方案预测效果数据。

为实现上述目的，本文提出一种高血压辅诊装置，包括：

患者数据库，用于存储第一数据、第二数据和第三数据，所述第一数据是患者的诊疗前数据，第二数据是患者的诊疗方案数据，第三数据是患者的诊疗后数据；

信息导入模块，用于获取所述第一数据、第二数据和第三数据，并分别存入所述患者数据库中；

相似记录推荐模块，用于基于所述第一数据，推荐与待诊疗患者的诊疗前数据相似的k个相似记录；

相似记录聚类模块，用于提取与所述相似记录推荐模块推荐的k个相似记录对应的k个第二数据，并将该k个第二数据进行聚类；

个性化诊疗方案推荐模块，用于基于聚类结果获取与该k个相似记录对应的第三数据，并基于第三数据分别建立预设诊疗终点评价指标的治疗方案模型。

其中，所述患者数据库包括：第一数据单元，用于获取患者的诊疗前数据、和该诊疗前数据的结构化处理与标准化处理；第二数据单元，用于获取患者的诊疗方案数据、和该诊疗方案数据的结构化处理与标准化处理；第三数据单元，用于获取患者的诊疗后数据、和该诊疗后数据的结构化处理与标准化处理。

其中，所述相似记录推荐模块包括：

相似度计算单元，用于获取待诊疗患者的诊疗前数据和从该第一数据单元获取第一数据，并分别计算待诊疗患者的诊疗前数据与第一数据单元中的各个第一数据的相似度，生成相似度数据集k；

相似记录推荐单元，用于从所述相似度计算单元获取所述相似度数据集k，并计算相似度容忍下限阈值及相似度最大值，得到相似度容忍区间和处于该区间内的第一数据单元的k条相似记录；

相似度梯度级别提示单元，建立相似度统一衡量标准，对相似度进行标准化处理，使相似度在标准化区间变化；若相似度大于kh，则提示推荐患者相似性良好，若相似度在(kl，kh]，则提示推荐患者相似性一般，相似度小于等于kl，则提示推荐患者相似性较差。

其中，所述相似记录聚类模块包括：

第一数据获取单元，用于获取所述相似度推荐单元推荐的k条相似记录的识别码，并基于该识别码获取第二数据单元中对应的k条相似记录的第二数据；

相似记录聚类单元，基于所述第一数据获取单元获取的k条相似记录的第二数据的特征项进行聚类，聚类个数为c，

其中，所述个性化诊疗方案推荐模块包括：

第二数据获取单元，基于相似记录聚类单元的聚类结果，分别获取与其对应的相似记录的第一数据、第二数据和第三数据中预设的诊疗终点评价指标数据；

模型设定单元，依据所述预设的诊疗终点评价指标数据类型选择回归模型类型；

治疗方案模型生成单元，基于第二数据获取单元获取的预设的诊疗终点评价指标数据和模型设定单元选择的回归模型类型，分别建立预设诊疗终点评价指标的回归模型，生成基于c类患者的与之对应的c种治疗方案模型；

治疗效果预测单元，用于获取待诊疗患者的诊疗前数据和所述治疗方案模型生成单元生成的c种治疗方案模型并生成与该待诊疗患者对应的治疗方案预测效果数据。

由上述技术方案可以看出，本发明的有益效果在于：

(1)本发明基于待诊疗患者的诊前特征项从患者信息库中推荐相似患者，并基于所推荐患者进行再聚类，不仅可以实现精准人群定位，同时可有效规避以往系统中患者信息固定，聚类预测等方法生成的评估标准不灵活、有时间迟滞性的缺陷。

(2)首次依据推荐患者的特征值自动调整推荐患者个数k值，并通过设定相似度容忍阈值，给医生提供参考标准，形成推荐效果反馈。

(3)依据国家发布的高血压临床指南治疗方案，基于推荐的相似患者进行再聚类，实现不同治疗方案诊疗效果的预测评估，同时根据预测结果实现最佳治疗方案的个性化方案推荐，对医师的临床决策具有积极辅助意义。

附图说明

图1为本发明的高血压辅诊方法的流程图；

图2为本发明根据实施例的高血压辅诊方法的流程图；

图3为本发明的信息导入方法的流程图；

图4为本发明的高血压辅诊方法中的相似患者推荐的流程图；

图5为本发明根据实施例的梯度级别提示的流程图；

图6为本发明根据实施例的相似患者推荐k值的计算流程图；

图7为本发明的高血压辅诊系统结构图；

图8为本发明的数据结构图。

具体实施方式

为了使发明的目的、技术方案及优点更加清晰，以下结合附图对本发明的较为典型的具体实施方式进行详细阐述。应当理解，此处所描述的具体实施案例仅用来阐述解释本发明，并不用于限定本发明。

本发明提出的高血压辅诊方法流程如图1所示，在步骤s101中，基于高血压相关教材、指南、论文、药物说明等文献结合医生经验生成知识库及关联规则，并基于此知识库及关联规则自动生成患者数据库；在步骤s102中，基于待诊疗患者的诊疗前数据，从患者数据库中的多个患者的诊疗前数据中选取k个相似记录；在步骤s103中，基于所述选取的k个相似记录，将数据库中与之对应的k个相似记录的诊疗方案数据进行聚类；在步骤s104中，基于聚类结果，利用患者数据库中的诊疗后数据分别建立预设的诊疗终点评价指标的方案模型。

下面结合附图对本发明的几个此较典型的具体实施例进行详细描述：

图2是根据本发明实施例一的高血压辅诊方法的流程图。如图2所示，针对高血压患者进行辅诊决策主要包括如下步骤：

在步骤s21中，基于高血压相关教材、指南、论文、药物说明等文献结合医生经验生成知识库及关联规则，并根据预设知识爬取频次f1，例如每1个月进行一次知识更新，基于此知识库及关联规则自动生成患者数据库，所述药物说明包括但不限于药品的成分、剂型、药效学、药代学、药物基因组学、药物相互作用。主要步骤如图3所示。

其中，如步骤s210，提取患者信息主要包括提取患者电子病历中的临床诊疗信息，包括诊疗前数据、治疗方案数据、诊疗后数据，其中诊疗前数据主要包括诊疗前患者状态信息，可以包括但不限于患者临床表现、遗传背景、代谢特征、生活方式、社会环境因素、精神心理因素等；诊疗方案数据主要包括治疗路径信息如涉及饮食、运动、用药、手术治疗方案信息；诊疗后数据包括诊后效果及随访信息，此实施例中假设以血压作为终点评估指标；

其中，如步骤s211，根据预设的更新频次f，每5个工作日动态获取患者诊疗信息，诊疗信息依据预设的信息列表自动过滤后，针对非结构化数据信息即涉及诊疗方案类文本数据进行结构化处理，继而将患者诊疗信息导入；

其中，如步骤s212，数据归一化处理，由于涉及指标繁多，量纲各有不同，为避免特征指标的数量级和量纲不同导致的特征指标聚类缺乏统一尺度，需要对所有非二分类变量数据归一化处理，方法为：

式中x为原数据，xmax是数据最大值，xmin是数据最小值，x′为归一化后数据的值。

其中，如步骤s213，依据数据所处诊疗阶段及数据类别分别将患者信息存放为诊疗前数据q¹i×m、诊疗方案数据q²i×n、诊疗后数据q³i×j，i为数据库中患者信息记录条数，m为诊疗前数据特征项个数，n为诊疗方案数据特征项个数，j为诊疗后数据特征项个数，三部分数据通过患者就诊记录唯一标识码识别相连；待诊疗患者信息数据为p¹1×m，m为诊疗前数据特征项个数。

在步骤s22中，基于协同过滤技术选取与待诊疗患者诊疗前数据最相似的k个记录。主要步骤如图4所示。

步骤s301，主要完成相似度计算：

首先，接收待诊疗患者信息数据p¹1×m及数据库中记录的患者诊疗前数据q¹i×m；

然后，待诊疗患者特征与数据库中记录的患者信息特征间存在一定的相关关系，因此需要计算待诊疗患者特征矩阵p¹1×m及患者特征信息矩阵q¹i×m的特征相似度，这里相似度计算方法采用皮尔逊相关系数来计算：

其中，m为特征字段个数。

在此步骤中，计算相似度的方法还可以选择但不限于以下几种：

距离度量：

余弦度量：

最后，基于计算得到的相似度，筛选相似度最高即相关系数最大的前k个记录即前k个患者数据k＝{k1，k2，k3，…，kk}，即在m维特征空间中最靠近p¹1×m患者特征点的k×m个特征点，此k个记录的治疗前临床路径及个体体征等信息与待诊疗患者具有较高相似性，维度m主要包括治疗前患者状态信息，m的具体特征字段依据待诊疗患者已产生的诊疗信息为依据；

步骤s302，主要完成相似度容忍下限阈值计算：

基于相似度数据集k，计算该数据集的平均值kmean和标准差ksd，将kmean+ksd作为相似度容忍下限阈值。

步骤s303，建立相似度统一衡量标准及梯度级别，如图5所示：

为建立相似度反馈机制，形成推荐效果反馈，建立相似度的统一衡量标准，对相似度进行标准化处理，使相似度在[0，1]间变化；若相似度kmean在(kh，1]，则提示推荐患者相似性良好；若相似度kmem在(kl，kh]，则提示推荐患者相似性一般；相似度kmean在(0，kl]，则提示推荐患者相似性较差；在本实施例中，0.7≤kh≤0.8，0.3≤kl≤0.4。

步骤s304，相似患者推荐，如图6所示，k为预设值依据先验临床统计规律得到，既可提供足够的推荐患者，同时降低纳入相似度不高患者的概率，先验临床统计规律建立方法如下：

基于相似度数据集k，将kmean+ksd作为相似度容忍下限阈值，最大值kmax为上限阈值，即得到相似度容忍区间，k值则为容忍度在上述区间内的患者数量；同时为避免k值过小给后续步骤带来问题，设定δ＝10，作为k值过小时取值，具体见下式：

根据k与δ间的关系给医生提供相似患者推荐反馈，内容包括推荐患者k值及该k值最大值对应的可靠性状态。

在步骤s23中，基于k-mean算法患者治疗方案聚类分析：

步骤1：基于所述步骤s304中推荐的k个记录标识码提取所述诊疗方案数据q²i×n对应的k个记录，即q²k×n；治疗方案主要包括是否饮食、饮食要求、是否运动、运动要求、是否用药、用药要求，用药要求主要涉及用药种类、剂量和服药时间，依据指南及医生临床经验，n的指标种类在(8，100)；

步骤2：基于步骤1得到的q²k×n作为输入，采用聚类分析方法对数据进行聚类，聚类个数为c，通过计算q²k×n中k个记录的n个特征点的欧式距离，得到c个聚类质心坐标，继而得到c类患者特征信息矩阵，每类内部的个体治疗方案具有较高的相似性，聚类方法为欧氏距离计算：

其中，x和y为q²k×n的患者，n为各k个患者的特征点。

在步骤s24中，建立预设诊疗终点评价指标的方案模型。

基于所述步骤s23中诊疗后数据的k个记录标识码识别出诊疗后数据中与之对应的k个记录q³k×n，并基于诊疗后数据中预设的临床诊疗终点评价指标的特征项类型，自动选择回归模型类型；所述治疗终点评价指标可以但不仅限为收缩压和舒张压、住院时间、住院费用、出院转归等作为治疗终点评价指标；

基于所述k个记录分别对应的诊疗前数据q¹k×n和诊疗方案数据q²k×n的特征项，针对c类聚类患者，分别建立预设诊疗终点评价指标的回归模型，生成基于c类患者的与之对应的c种治疗方案模型，本例中设c＝3；

依据治疗终点评价指标的数据类型，可自动选择回归模型，即

其中，y为c行1列矩阵，用于存储每类患者临床治疗效果评价指标回归方程，即为预设回归方程；

本例中主要以患者血压值作为终点评估指标，因此选择多元回归方程作为拟合模型。

在步骤s25中，将待治疗患者的特征信息p¹1×m分别用c种拟合模型预测临床治疗效果，并返回预测值；依据所选预测值结合对应的推荐可靠性提示，医生可查看对应的拟合模型，并自动生成该类患者临床诊疗路径，以辅助医生进行最优临床治疗方案的决策。

本发明还提出了与上述高血压辅诊方法对应的系统。

图7是本发明高血压辅诊系统的结构图，如图7所示，该系统包括：数据库、信息导入模块1、相似记录推荐模块2、相似记录聚类模块3、个性化诊疗方案推荐模块4。

其中，所述患者数据库，存储第一数据、第二数据和第三数据，所述第一数据是高血压患者诊前数据，第二数据是高血压患者诊疗方案数据，第三数据是高血压患者诊疗后数据，第一数据、第二数据、第三数据是一一对应的，即每一条患者数据均包括与该患者对应的第一数据、第二数据和第三数据；

其中，所述信息导入模块1，用于获取数据库中高血压患者临床路径全周期数据，分别存入第一数据单元，第二数据单元，第三数据单元；

其中，所述相似记录推荐模块2，基于数据库中的第一数据单元，推荐与待诊疗患者特征项相似的k个记录；

其中，所述相似记录聚类模块3，用于提取已推荐k个相似记录对应的第二数据单元中的k个记录，并依据第二数据单元中的特征项进行聚类；

其中，所述个性化诊疗方案推荐模块4，基于所述聚类结果获取与其记录对应的第一数据和第二数据，并将第三数据单元中的第三数据作为预设的临床诊疗终点评价指标的特征项类型，自动选择回归模型类型，继而生成基于每类记录的治疗方案模型。

所述信息导入模块1，设有第一数据单元11、第二数据单元12、第三数据单元13，其中：

第一数据单元11，用于根据预设更新频次f动态获取高血压患者诊前数据，完成非结构化数据信息的结构化处理与标准化处理；

第二数据单元12，用于根据预设更新频次f动态获取高血压患者诊疗方案数据，完成非结构化数据信息的结构化处理与标准化处理；

第三数据单元13，用于根据预设更新频次f动态获取高血压患者诊疗后数据，完成非结构化数据信息的结构化处理与标准化处理。

所述相似记录推荐模块2，设有相似度计算单元21、相似记录推荐单元22、相似度梯度级别提示单元23，其中：

相似度计算单元21，用于获取待诊疗患者数据及第一数据单元11数据，并分别计算待诊疗患者与第一数据单元11中各条记录的相似度，生成相似度数据集k；

相似记录推荐单元22，用于获取相似度计算单元21的相似度数据集k，并得到相似度容忍下限阈值及相似度最大值，得到相似度容忍区间；继而得到该区间内的第一数据单元11的k条记录；

相似度梯度级别提示单元23，建立相似度统一衡量标准，对相似度进行标准化处理，使相似度在标准化区间变化；若相似度大于kh，则提示推荐患者相似性良好，若相似度在(kl，kh]，则提示推荐患者相似性一般，相似度小于等于kl，则提示推荐患者相似性较差。

所述相似记录聚类模块3，设有第一数据获取单元31、相似记录聚类单元32，其中：

第一数据获取单元31，获取相似度推荐单元22的k条记录的识别码，并基于该识别码获取第二数据单元12中的k条记录；

相似记录聚类单元32，基于第二数据获取单元31中的k条记录，依特征项聚类为c类。

所述个性化诊疗方案推荐模块4，设有第二数据获取单元41、模型设定单元42、治疗方案模型生成单元43、治疗效果预测单元44，其中：

第二数据获取单元41，基于相似记录聚类单元32的c类记录，分别获取其对应的第三数据以作为与聚类结果对应的预设的诊疗终点评价指标数据；

模型设定单元42，依据所述预设诊疗终点评价指标数据类型，自动选择回归模型类型；

治疗方案模型生成单元43，基于第二数据获取单元41和模型设定单元42，分别建立预设诊疗终点评价指标的回归模型，生成基于c种患者的与之对应的治疗方案模型。该治疗方案模型具有预设的诊疗终点评价指标，当选择该种治疗方案模型时，可根据该治疗方案模型获得诊疗终点数据。

治疗效果预测单元44，用于获取待诊疗患者数据，并基于c种治疗方案模型，生成对应的治疗方案预测效果。

以上所述仅为本发明的实施例，并不用于限制本发明，凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。