1.本发明涉及医疗领域，特别涉及一种基于病患描述和病理学知识图谱的预分诊分析算法。
背景技术：
2.知识图谱的应用，可以更好的帮助我们获取知识，知识图谱在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
3.知识图谱，是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论，在进行病患的预分诊分析，常常无法很好的进行判定，需要经过很多询问和了解后才能进行诊断，这样就很浪费时间，因此需要提供一种基于病患描述和病理学知识图谱的预分诊分析算法。
技术实现要素：
4.本发明的目的在于提供一种基于病患描述和病理学知识图谱的预分诊分析算法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种基于病患描述和病理学知识图谱的预分诊分析算法包括如下步骤：
6.步骤一：进行知识图谱的构建，再按照患者的指标进行分类对应；
7.步骤二：进行病患的初步分类；
8.步骤三：制定分析模型，进行风险评分系统的建立；
9.步骤四：建立诊断回归模型，进行参数分层和单因素变化分析。
10.优选的，在步骤一中，进行指标确定时，进行多个指标的判定，最后给出的结果进行判定。
11.优选的，在进行病患的分类时，按照科室进行病患的初步分类，分类好后对病患进行标签化。
12.优选的，使用一致性指数来衡量系统辨别力，回归模型中分数为1意味着完美的预测，分数为0.5表示该模型没有区分能力。。
13.优选的，模型定标是通过定标曲线图进行直观评价的，当模型的预测值与患者的实际风险完全匹配时，45
°
线表示完美校准。高于或低于45
°
线表示偏离了这一预测。
14.优选的，根据知识图谱对标签化的患者进行一一对应，然后将需要进行评测预估的患者指标导入到模型中，最后根据模型进行结构的判定。
15.优选的，患者的评估指标包括：体重，性别,年龄,吸烟史,以往病史。
16.优选的，在模型中，均值和标准差用来描述连续变量，通过kaplan
–
meier方法评估不同组的生存率，并使用对数秩检验分析生存曲线的等效性。
17.本发明的技术效果和优点：
18.(1)本发明通过设置模型进行分析，使用一致性指数来衡量系统辨别力，回归模型中分数为1意味着完美的预测，分数为0.5表示该模型没有区分能力，可以更好的进行辅助诊断，提高诊断的正确性和时效性；
19.(2)本发明模型定标是通过定标曲线图进行直观评价的，当模型的预测值与患者的实际风险完全匹配时，45
°
线表示完美校准。高于或低于45
°
线表示偏离了这一预测，可以准确的进行诊断，大大提高效率。
具体实施方式
20.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，所描述的实施例仅仅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。
21.实施例一：
22.一种基于病患描述和病理学知识图谱的预分诊分析算法：
23.步骤一：进行知识图谱的构建，再按照患者的指标进行分类对应；
24.步骤二：进行病患的初步分类；
25.步骤三：制定分析模型，进行风险评分系统的建立；
26.步骤四：建立诊断回归模型，进行参数分层和单因素变化分析。
27.在步骤一中，进行指标确定时，进行多个指标的判定，然后进行病患的分类时，按照科室进行病患的初步分类，分类好后对病患进行标签化。最后给出的结果进行判定，使用一致性指数来衡量系统辨别力，回归模型中分数为1意味着完美的预测，分数为0.5表示该模型没有区分能力，模型定标是通过定标曲线图进行直观评价的，当模型的预测值与患者的实际风险完全匹配时，45
°
线表示完美校准。高于或低于45
°
线表示偏离了这一预测，根据知识图谱对标签化的患者进行一一对应，然后将需要进行评测预估的患者指标导入到模型中，最后根据模型进行结构的判定，患者的评估指标包括：体重，性别,年龄,吸烟史,以往病史，在模型中，均值和标准差用来描述连续变量，通过kaplan
–
meier方法评估不同组的生存率并，使用对数秩检验分析生存曲线的等效性。
28.实施例二：
29.一种基于病患描述和病理学知识图谱的预分诊分析算法：
30.步骤一：进行知识图谱的构建，再按照患者的指标进行分类对应；
31.步骤二：进行病患的初步分类；
32.步骤三：制定分析模型，进行风险评分系统的建立；
33.步骤四：建立诊断回归模型，进行参数分层和两到三个因素变化分析。
34.在步骤一中，进行指标确定时，进行多个指标的判定，然后进行病患的分类时，按照科室进行病患的初步分类，分类好后对病患进行标签化。最后给出的结果进行判定，使用一致性指数来衡量系统辨别力。回归模型中分数为1意味着完美的预测，分数为0.8表示该
模型没有区分能力，模型定标是通过定标曲线图进行直观评价的，当模型的预测值与患者的实际风险完全匹配时，55
°
线表示完美校准。高于或低于55
°
线表示偏离了这一预测，根据知识图谱对标签化的患者进行一一对应，然后将需要进行评测预估的患者指标导入到模型中，最后根据模型进行结构的判定，患者的评估指标包括：体重，性别,年龄,吸烟史,以往病史，在模型中，均值和标准差用来描述连续变量，通过kaplan
–
meier方法评估不同组的生存率，并使用对数秩检验分析生存曲线的等效性。
35.最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，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。
技术特征：
1.一种基于病患描述和病理学知识图谱的预分诊分析算法，其特征在于，包括如下步骤：步骤一：进行知识图谱的构建，再按照患者的指标进行分类对应；步骤二：进行病患的初步分类；步骤三：制定分析模型，进行风险评分系统的建立；步骤四：建立诊断回归模型，进行参数分层和单因素变化分析。2.根据权利要求1所述的一种基于病患描述和病理学知识图谱的预分诊分析算法，其特征在于，在进行病患的分类时，按照科室进行病患的初步分类，分类后对病患进行标签化。3.根据权利要求1所述的一种基于病患描述和病理学知识图谱的预分诊分析算法，其特征在于，在步骤一中，进行指标确定时，进行多个指标的判定，最后给出的结果进行判定。4.根据权利要求1所述的一种基于病患描述和病理学知识图谱的预分诊分析算法，其特征在于，使用一致性指数来衡量系统辨别力，回归模型中分数为1意味着完美的预测，分数为0.5表示该模型没有区分能力。5.根据权利要求1所述的一种基于病患描述和病理学知识图谱的预分诊分析算法，其特征在于，模型定标是通过定标曲线图进行直观评价的，当模型的预测值与患者的实际风险完全匹配时，45
°
线表示完美校准。高于或低于45
°
线表示偏离了这一预测。6.根据权利要求1所述的一种基于病患描述和病理学知识图谱的预分诊分析算法，其特征在于，根据知识图谱对标签化的患者进行一一对应，然后将需要进行评测预估的患者指标导入到模型中，最后根据模型进行结构的判定。7.根据权利要求1所述的一种基于病患描述和病理学知识图谱的预分诊分析算法，其特征在于，患者的评估指标包括：体重，性别,年龄,吸烟史,以往病史。8.根据权利要求1所述的一种基于病患描述和病理学知识图谱的预分诊分析算法，其特征在于，在模型中，均值和标准差用来描述连续变量，通过kaplan
–
meier方法评估不同组的生存率，并使用对数秩检验分析生存曲线的等效性。
技术总结
本发明公开了一种基于病患描述和病理学知识图谱的预分诊分析算法，包括如下步骤：进行知识图谱的构建，进行病患的初步分类，再按照患者的指标进行分类对应，制定分析模型，建立风险评分系统，建立诊断回归模型，实现参数分层和单因素变化分析。本发明通过设置模型参数进行不同场景的分析，使用一致性指数来衡量系统辨别力，回归模型中分数为1意味着完美的预测，分数为0.5表示该模型没有辨别能力。该发明通过模型进行患者的预分诊，可以实现快速准确的判定，更好地辅助诊断，同时提高诊断的正确性和时效性。确性和时效性。
技术研发人员：黄晨宇 王宏亮 洪镇林 薛云 黄愉翔 陈国勇
受保护的技术使用者：苏州贝果智能科技有限公司
技术研发日：2022.08.17
技术公布日：2022/12/5