一种基于大数据的医学实习教学决策方法与流程

本发明涉及信息，尤其涉及一种基于大数据的医学实习教学决策方法。

背景技术：

1、医学实习是医学院学生进行实战的必要阶段，一方面，医院科室老师需要充分了解每一名实习生的能力和水平，根据实习任务的难度和重要性，给予合适的指导和安排，确保实习任务与实习生能力相匹配，避免医疗事故的发生，另一方面，不同患者有不同的敏感偏好，例如需要打针的病人面对技能不熟练的实习生可能会产生不信任感，而需要进行化疗的癌症病人更加偏好具有良好沟通能力的医者。因此，如何合理地对这些实习生进行管理分配，使他们能够获得最佳的实习体验，同时又能对患者的敏感偏好进行个性化判断，根据不同敏感偏好类型分配相应的实习生，从而保障患者的就医质量和安全，是一个亟待解决的问题。

技术实现思路

1、本发明提供了一种基于大数据的医学实习教学决策方法，主要包括：

2、获取实习生过往科室实习数据并提取实习成绩，并判断实习生沟通态度、技能操作效果、稳定性及成绩评价，构建实习技能数据表，所述获取实习生过往科室实习数据并提取实习成绩，并判断实习生沟通态度、技能操作效果、稳定性及成绩评价，构建实习技能数据表，具体包括：获取患者治疗后的部位图像并提取图像特征，基于回归决策树模型预测实习生技能操作效果，获取实习成绩和对应的技能操作名称、技能操作效果，计算技能稳定性和成绩评价得分，获取实习成绩和对应的技能操作效果，进行归一化处理并分组定标；获取患者过往数据，构造患者敏感偏好数据表，所述获取患者过往数据，构造患者敏感偏好数据表，具体包括：获取患者医疗项目的身体体验难受程度和患者敏感度，根据实习内容构建logistic回归模型，判断技术难度；利用患者敏感偏好数据表建立先验知识库，基于贝叶斯算法构建判别模型；从患者敏感偏好数据表中提取特征变量输入判别模型，判断实习生是否能参与；根据判别结果和实习生技能数据表，初步推荐能胜任患者所需技能且能发挥稳定性的实习生；针对患者敏感偏好类型和初步推荐结果，选择最合适的实习生参与治疗，具体包括：根据患者敏感偏好数据表对患者进行敏感性聚类；分配稳定性高的同学探索新的实习任务，对技能差的同学，加强训练，不推荐实际参与治疗。

3、进一步可选地，所述获取实习生过往科室实习数据并提取实习成绩，并判断实习生沟通态度、技能操作效果、稳定性及成绩评价，构建实习技能数据表包括：

4、获取实习生的科室实习数据，所述科室实习数据从实习单位实习生管理平台系统获取；所述科室实习数据包括实习生编号、实习生姓名、成绩公布日期以及医学理论成绩、病史采集成绩、体格检查成绩、医患交流成绩、临床诊断成绩五项实习成绩；根据实习成绩判断实习生沟通态度、技能操作效果、技能稳定性及成绩评价得分；所述实习生沟通态度用分数描述，沟通态度得分等于实习生医患交流成绩的平均值；所述技能操作效果通过获取患者治疗后的部位图像并提取图像特征，基于回归决策树模型获得；所述技能稳定性和所述成绩评价得分根据医学理论成绩、病史采集成绩、体格检查成绩、医患交流成绩、临床诊疗成绩、技能操作效果计算获得；构建实习技能数据表，所述实习技能数据表包括实习生编号、实习生姓名、沟通态度得分、技能操作名称、技能操作效果、技能操作稳定性、成绩评价得分；包括：获取患者治疗后的部位图像并提取图像特征，基于回归决策树模型预测实习生技能操作效果；获取实习成绩和对应的技能操作名称、技能操作效果，计算技能稳定性和成绩评价得分；获取实习成绩和对应的技能操作效果，进行归一化处理并分组定标；

5、所述获取患者治疗后的部位图像并提取图像特征，基于回归决策树模型预测实习生技能操作效果，具体包括：

6、获取患者治疗后的部位图像集及每张图像对应的技能操作效果得分数据，作为先验知识库；提取所述患者治疗后的部位图像集中每张图像对应的的图像特征，所述图像特征包括治疗部位的最大周长、最大凹陷度、平均凹陷度、最大面积、最大半径、平均灰度值六个维度；所述技能操作效果得分为医生根据自身经验判断得到；利用所述先验知识库构建模型训练集，所述模型训练集由六个图像特征和技能操作效果得分构成，所述六个图像特征为特征变量，所述技能操作效果得分为目标变量；建立回归决策树模型，导入训练集进行模型训练；训练完成后，获取经由实习生参与的患者治疗后的部位图像，提取图像特征制作输入集，所述输入集包括治疗部位的最大周长、最大凹陷度、平均凹陷度、最大面积、最大半径、平均灰度值六个图像特征，将所述输入集输入训练好的回归决策树模型，模型能够自动输出实习生的技能操作效果得分。

7、所述获取实习成绩和对应的技能操作名称、技能操作效果，计算技能稳定性和成绩评价得分，具体包括：

8、获取实习生每次的实习成绩及每次实习对应的技能操作名称和技能操作效果；对实习成绩和对应的技能操作效果，进行归一化处理并分组定标；获取分组定标的结果；统计各分组定标的结果中的数据条数，若所述数据条数大于1，则按照方差平均法计算实习生技能稳定性，若所述数据条数小于等于1，则默认实习生技能稳定性为0；分别计算医学理论、病史采集、体格检查、医患交流、临床诊疗、技能操作效果的成绩方差，并利用各项成绩方差的平均数，计算实习生技能稳定性，其中所述实习生技能稳定性等于所述各项成绩方差的平均数的倒数。计算各分组定标的结果中各实习内容的平均成绩；获取各实习成绩的平均值，利用权重法计算实习生成绩评价得分；所述权重法指结合权重值和得分计算实习生成绩评价得分，实习生成绩评价得分等于各项成绩得分与对应权重的乘积之和；所述权重由医生确定。

9、所述获取实习成绩和对应的技能操作效果，进行归一化处理并分组定标，具体包括：

10、对实习成绩中的医学理论成绩、病史采集成绩、体格检查成绩、医患交流成绩、临床诊疗成绩及技能操作效果进行归一化处理，归一化公式为：100*(原得分/原满分)；对归一化处理后的数据进行分组定标；以实习生编号为索引对实习生实习成绩及对应的技能操作效果进行分组，得到第一次分组定标的结果，所述第一次分组定标的结果为每一位实习生对应的历次实习成绩及对应的技能操作名称、技能操作效果；以技能操作名称为索引对第一次分组定标的结果进行分组，得到每一位实习生不同技能对应的数据；最后将分组定标的结果按照固定格式定上标签，所述固定格式为“实习编号_技能操作名称”。

11、进一步可选地，所述获取患者过往数据，构造患者敏感偏好数据表包括：

12、获取患者过往数据，构造患者敏感偏好数据表；所述患者敏感偏好数据表包括患者编号、患者姓名、患者身体体验难受程度、患者敏感度、技能操作名称、技能操作编号、技术难度；所述患者身体体验难受程度和所述患者敏感度都通过医学量化工具获取；所述技术难度通过logistic回归模型获得；包括：获取患者医疗项目的身体体验难受程度和患者敏感度；根据实习内容构建logistic回归模型，判断技术难度；

13、所述获取患者医疗项目的身体体验难受程度和患者敏感度，具体包括：

14、首先，根据患者的医疗项目对患者进行分类；若患者在该医疗项目过程中为清醒状态则为第一类，患者在医疗项目中为不清醒状态则为第二类；采用不同的量化工具来评估所述第一类和所述第二类患者的身体体验难受程度；获取量化结果，对所述量化结果进行归一化处理，转化为0到100分之间的数值，作为患者的身体体验难受程度指标。采用维克森林医师信任量表评估患者对医治人员的敏感度；所述维克森林医师信任量表包括忠实、能力、诚实和综合信任四个维度的评估内容；各维度按照1到5级进行评分，其中1为非常不同意，5为非常同意；取各维度的平均分作为患者对医治人员敏感度的量化结果。

15、所述根据实习内容构建logistic回归模型，判断技术难度，具体包括：

16、获取实习内容，实习内容包括患者疾病名称、病情严重程度、实习技能名称、技能操作时长、操作过程中患者的出血量、操作过程中患者的输血量；所述病情严重程度分为非常严重、严重、一般、较轻、轻五个级别，分别用5、4、3、2、1替代；构建实习内容与技术难度映射关系集作为模型的训练集，所述技术难度由专家事先根据实习内容结合自身经验判断得到；所述技术难度包括高难、一般、低难三个级别，分别用数值3、2、1替代；构建logistic回归模型，用训练集进行模型训练，训练完成后构建输入集并将输入集输入logistic回归模型，分别输出技术难度为高难、一般和低难的概率，取概率最大值对应的难度级别作为技术难度；所述输入集包括患者疾病名称、病情严重程度、实习技能名称、技能操作时长、操作过程中患者的出血量、操作过程中患者的输血量。

17、进一步可选地，所述利用患者敏感偏好数据表建立先验知识库，基于贝叶斯算法构建判别模型包括：

18、获取患者敏感偏好数据表，基于患者敏感偏好数据表预先建立先验知识库，所述先验知识库包括患者敏感偏好数据表和标识符；所述标识符由患者的主治医生判断并上传至数据库，若实习生可以参与则用1标识，若实习生不可参与用0标识；提取先验知识库中的数据，并划分特征变量和目标变量；所述特征变量包括患者敏感偏好数据表中的医疗项目编号、患者身体体验难受程度、患者敏感度、技能操作编号、技术难度；所述目标变量为标识符；将先验知识库按照7：3划分为训练集和测试集；搭建朴素贝叶斯模型；先将训练集输入朴素贝叶斯模型，后将测试集输入朴素贝叶斯模型；训练集用于训练朴素贝叶斯模型，测试集用于评估模型判别效果。

19、进一步可选地，所述从患者敏感偏好数据表中提取特征变量输入判别模型，判断实习生是否能参与包括：

20、以患者编号为索引，从患者敏感偏好数据表中提取对应的特征变量，并构造输入集；所述输入集包括医疗项目编号、患者身体体验难受程度、患者敏感度、技能操作编号、技术难度；将输入集输入训练好的朴素贝叶斯模型，输出预测的实习生可参与标识符；判断实习生可参与标识符是否等于1，若为1则实习生可参与该项医疗项目，进行下一步推荐与匹配；否则弹出提示信息该患者不适合实习生参与。

21、进一步可选地，所述根据判别结果和实习生技能数据表，初步推荐能胜任患者所需技能且能发挥稳定性的实习生包括：

22、获取判别模型输出的实习生可参与标识符，若所述实习生可参与标识符为1则智能推荐实习生，否则不进行操作；根据患者编号从患者敏感偏好数据表提取患者所需的技能操作名称；首先，获取实习技能数据表，根据患者所需的技能操作名称初步筛选符合条件的实习生；然后，预设第一阈值，若实习生成绩评价得分大于第一阈值则进入待推荐序列，否则不符合推荐标准；最后，根据实习生的技能操作稳定性，按照从大到小的顺序对带推荐序列中的实习生进行排序，输出实习生列表作为初步推荐结果。

23、进一步可选地，所述针对患者敏感偏好类型和初步推荐结果，选择最合适的实习生参与治疗包括：

24、根据患者敏感偏好数据表对患者进行敏感性聚类，获取患者敏感偏好类型和初步推荐结果；所述推荐结果为根据判别结果和实习生技能数据表得到的实习生列表；若患者敏感偏好类型为技术敏感型，则将推荐结果按照实习生技能稳定性从大到小排序，输出实习生技能稳定性排名第一的实习生编号和实习生姓名作为最合适的实习生结果；若患者敏感偏好类型为沟通敏感型，则将推荐结果按照沟通态度得分从大到小排序，输出沟通态度得分排名第一的实习生编号和实习生姓名作为最合适的实习生推荐结果；包括：根据患者敏感偏好数据表对患者进行敏感性聚类；

25、所述根据患者敏感偏好数据表对患者进行敏感性聚类，具体包括：

26、获取患者敏感偏好数据表中的患者身体体验难受程度、技术难度、患者敏感度，获取判断患者对医治人员的敏感度过程中的维克森林医师信任量表，所述维克森林医师信任量表包括忠实、能力、诚实和综合信任四个维度患者敏感度评分；提取患者身体体验难受程度、技术难度、患者敏感度、忠实、能力、诚实和综合信任，将其作为患者聚类的特征变量；基于kmeans模型对患者进行聚类，设置kmeans模型的参数为2；首先随机选取两个中心点，根据欧氏距离公式计算每个患者到两个样本中心点的距离，把患者分配给距离最近的中心点；根据聚类结果更新每个类别的聚类中心点，再次进行分配；判断聚类结果是否发生变化，若结果一直则算法终止，否则继续更新聚类中心点；最终将患者分为技术敏感型与沟通敏感型两类。

27、进一步可选地，所述分配稳定性高的同学探索新的实习任务，对技能差的同学，加强训练，不推荐实际参与治疗包括：

28、预设第二阈值，获取最合适的实习生推荐结果；以所述最合适的实习生推荐结果中的实习生编号为索引，从实习技能数据表中提取对应的实习生技能操作稳定性，判断所述实习生技能操作稳定性与第二阈值的大小；若实习生技能操作稳定性大于等于所述第二阈值，则为该实习生分配新的实习任务，将最合适的实习生推荐结果替换成排名第二的实习生，否则结果保持不变；预设第三阈值，获取实习技能数据表；比较实习生成绩评价得分与第三阈值的大小；若实习生成绩评价得分小于等于第三阈值，则提示该实习生加强训练，不宜参与实际治疗。

29、本发明实施例提供的技术方案可以包括以下有益效果：

30、本发明是一种基于大数据的医学实习教学决策方法，能够根据实习生技能水平推荐合适的实习生的参与实际医疗项目，为不同水平的实习生提供个性化实习任务，同时还能够根据患者的敏感偏好类型推荐适合患者的实习生参与治疗，避免了患者对医生的不信任，也避免了医疗危险的产生，有利于提升患者的治疗体验。