一种基于规则引擎的电子病例质控方法与流程

本发明属于医疗数据处理，具体而言，涉及一种基于规则引擎的电子病例质控方法。

背景技术：

1、随着医疗信息化的发展，电子病例已经成为医疗机构日常工作的重要组成部分，电子病例的质量直接影响到医疗服务的质量和效率。因此，对电子病例进行质控是提高医疗服务质量的重要手段。然而，现有的电子病例质控方法主要依赖于人工审核，效率低下，且容易出错。因此，急需一种能够自动、高效、准确地判断电子病例质控流程有效性的方法。

技术实现思路

1、为了解决上述技术问题，本发明提供了一种基于规则引擎的电子病例质控方法，包括:

2、系统根据医疗标准数据库生成质控规则知识库；

3、系统获取病例数据库，通过安全协议将病例数据库与医院信息系统、电子病例系统建立连接，加载病例数据并对病例数据进行预处理，生成质控规则数据；

4、系统将质控规则数据输入至flink cep规则引擎；

5、系统提取质控节点信息，生成每个质控节点对应的节点质控标准数据；节点质控标准数据用于描述各个节点的病例数据的质控标准，包括病例数据的时效性约束条件、完整性约束条件与合规性约束条件；

6、系统运用自然语言处理的方式对各个节点的病例数据进行后结构化处理，得到语义解析数据；

7、系统将后结构化处理后的语义解析数据输入至flink cep规则引擎，根据节点质控标准数据对各个节点的病例数据进行实时匹配，得到不符合质控标准的中间病例数据；

8、利用flink cep规则引擎的实时监控功能，对病例数据进行实时监控，得到实时病例数据；

9、利用svm算法对各个节点的不符合质控标准的中间病例数据进行异常检测，得到各个节点不符合质控标准的异常病例数据；

10、医护人员对不符合质控标准的异常病例数据进行更新，系统重新根据节点质控标准数据对各个节点的病例数据进行实时匹配。

11、在上述技术方案的基础上，本发明还可以做如下改进。

12、进一步，对病例数据进行预处理，生成质控规则数据，包括：

13、对病例数据进行数据清洗、去重与格式转换；

14、对病例数据进行特征提取，得到病例数据的特征数据；特征数据包括病程时长、病情严重程度评价值、医疗检测数据与用药数据；

15、构建决策树，利用id3决策树算法生成决策树规则；

16、利用dbscan聚类算法对特征数据进行分组，得到若干个聚类分组；

17、根据聚类分组的结果的生成聚类规则；

18、根据决策树规则和聚类规则得到为质控规则数据。

19、进一步，构建决策树，利用id3决策树算法生成决策树规则，包括：

20、选取特征变量：根据质量问题从电子病历数据中选取特征变量，同时确定质量问题的分类标签，包括符合标准与不符合标准；

21、计算信息增益：对于每个特征属性，计算信息增益；信息增益表示通过特征属性进行划分所能带来的信息减少程度，设为特征属性，表示特征属性x的信息增益，表示特征属性的熵，表示在去掉特征属性x后，各个子集的熵计算公式如下：

22、；

23、选择最佳特征属性：遍历所有特征属性，选择具有最大信息增益的特征属性作为当前结点的分裂属性；

24、递归划分：根据选择的分裂属性，将数据集划分成多个子集，对于每个子集，重复选取特征变量、计算信息增益与选择最佳特征属性，直到满足停止条件，停止条件为所有样本属于同一类别且没有可选特征属性；

25、生成决策树：根据递归划分的过程，构建决策树；

26、生成决策树规则：根据决策树的结构，生成针对质量问题的规则；决策树规则按照树形结构组织，每一层代表一个特征，每个分支对应一个决策条件，最终汇集成一组质量问题判断规则；

27、评估与优化：使用交叉验证的评估方法，检验决策树模型的性能。

28、进一步，质控规则数据包括设定病程的时长的范围、病情严重程度评价值的范围以及用药数据的药物种类与用药量；若病程时长在超过设定天数或者病情严重程度评价值超过设定评价值或者医疗检测数据在设定范围内或者用药数据的药物种类与用药量在设定范围内则符合质控规则，则该节点的病例数据为不符合质控标准的中间病例数据，否则该节点的病例数据为符合质控标准的病例数据。

29、进一步，系统将后结构化处理后的语义解析数据输入至flink cep规则引擎，根据节点质控标准数据对各个节点的病例数据进行实时匹配，得到不符合质控标准的中间病例数据，包括：

30、定义规则：设定病例数据的范围的质控标准值，若病例数据超过质控标准值则病例数据不符合质控标准，否则病例数据符合质控标准；

31、设定匹配模式：使用事件模式和属性模式，检测病程事件的发生顺序和属性值；

32、设定逻辑运算：使用and运算，病程事件的发生顺序和属性值作为输入，输出为符合质控标准的数据点与不符合质控标准的数据点；

33、设定窗口函数：使用滑动窗口，设置窗口大小，计算窗口内病例数据的平均值；

34、输出匹配结果：输出符合质控标准的数据点与不符合质控标准的病例数据点；

35、报警与记录：当检测到不符合质控标准的数据点时，系统发出报警，提示医护人员及时调整诊疗方案，并将报警信息记录。

36、进一步，利用svm算法对各个节点的不符合质控标准的中间病例数据进行异常检测，得到各个节点不符合质控标准的异常病例数据，包括：

37、对各个节点的不符合质控标准的中间病例数据进行预处理，包括清洗、特征提取与特征选择；

38、根据预处理后的数据，利用svm算法构建svm异常检测模型，确定svm异常检测模型的参数；svm异常检测模型的参数包括核函数、惩罚系数与最大迭代次数；

39、将预处理后的数据分为训练集和测试集，使用训练集对svm异常检测模型进行训练，在训练过程中，不断调整svm异常检测模型的参数，使用测试集对模型进行验证；

40、将flink cep规则引擎监控到的实时病例数据输入到训练好的svm异常检测模型中，对数据进行分类，根据分类结果，将数据分为正常数据和异常数据；正常数据用于表征符合质控规则的数据，异常数据用于表征不符合质控规则的数据。

41、进一步，vm异常检测模型的核函数为径向基函数，设径向基函数为，为输入点位置，为中心点位置，为欧几里得距离，设惩罚系数为c，为核函数的宽度，则：

42、。

43、进一步，预处理后的数据存储为一个矩阵，矩阵的每一行表示一个样本，每一列表示一个特征；将预处理后的数据分为训练集和测试集后，初始化支持向量机模型的权重，使用牛顿法迭代支持向量机模型的权重；在每次迭代中，执行以下操作：

44、计算预测值：使用当前权重w计算每个样本的预测值，

45、计算损失：根据预测值和标签计算损失值，

46、更新权重：根据损失值和权重更新规则，更新支持向量机模型的权重，

47、判断收敛：当支持向量机模型的权重更新幅度小于设定阈值或达到最大迭代次数时，停止迭代。

48、进一步，采用k折交叉验证方法评估svm异常检测模型的性能，得到评估指标；评估指标包括准确率、精确率、召回率、f1分数、roc曲线下的面积auc值和混淆矩阵；

49、准确率用于表征svm异常检测模型正确分类的样本数与总样本数的比例；

50、精确率用于表征在所有被svm异常检测模型预测为正类的样本中实际为正类的比例，为真正例，真正例用于表征预测为正类的样本中实际为正类的比例，为假正例，假正例用于表征预测为正类的样本中实际为负类的比例，精确率为，则：

51、;

52、召回率用于表征在所有实际为正类的样本中，被svm异常检测模型预测为正类的比例，设召回率为，为真负例，真负例用于表征预测为负类的样本中实际为负类的比例，为假负例，假负例用于表征预测为负类的样本中实际为正类的比例，计算公式为：

53、；

54、设f1分数为精确率和召回率的调和平均值，计算公式为：

55、；

56、roc曲线下的面积小于1且roc曲线下的面积越大，svm异常检测模型的分类能力越好，反之svm异常检测模型的分类能力越差；

57、混淆矩阵用于表征svm异常检测模型的分类结果与实际分类之间的关系；

58、进行k折交叉验证：将数据集分成若干个大小相等的子集，每一份数据在设定次数迭代中轮流作为验证集，计算每次迭代的评估指标，并取所有迭代的评估指标的平均值作为最终的评估结果。

59、进一步，病例数据的时效性约束条件包括病例数据的时间为设定时间段；完整性约束条件包括病例数据的所有特征数据无缺失；合规性约束条件包括病例数据符合医疗标准数据库的医疗法规和医疗标准

60、本发明的有益效果是：本发明利用flink cep规则引擎对病例数据进行监控，以及利用svm异常检测模型对病例数据进行异常检测，能够提高病例数据的准确性和可靠性、确保不同医护人员输入的数据的一致性、合规性，减少信息差异和混淆、防止不准确数据的潜在医疗差错，有助于提供更适合患者符合质控规则的医疗方案，提高医护人员工作效率。