[發(fā)明專利]基于協(xié)同過濾和建議的個性化醫(yī)學決定支持系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201611140089.7
• 申請日: 2016-12-12
• 公開（公告）號: CN107169259A
• 公開（公告）日: 2017-09-15
• 發(fā)明（設計）人: 郭棟梁;連杰;牟曉佳
• 申請（專利權）人: 為朔生物醫(yī)學有限公司
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 北京中企鴻陽知識產(chǎn)權代理事務所(普通合伙)11487
• 代理人: 郭鴻雁

技術領域

本發(fā)明涉及數(shù)據(jù)檢索技術領域，特別涉及一種基于協(xié)同過濾和建議的個性化醫(yī)學決定支持系統(tǒng)。

背景技術

現(xiàn)今，醫(yī)療專業(yè)人員已經(jīng)廣泛認識到臨床實踐中使用信息技術的優(yōu)勢所在。但是，因為讀者的知識工具有限和背景知識不足，可能很難從診斷報告獲取更多的數(shù)據(jù)。

為了能夠充分挖掘現(xiàn)有醫(yī)療保健信息，給醫(yī)生提供改善的個性化支持工具，需要在醫(yī)學決定支持系統(tǒng)中集成一些信息檢索技術，例如建議系統(tǒng)。

如今建議服務已被廣泛用于提供建議信息，例如通過電子商務網(wǎng)站采購的產(chǎn)品、租賃和訂購等。為了運行此類服務，要提供項目或特征清單作為輸入，可以生成與輸入集總體類似或相關的順序表。

隨著電子病例(EMR)逐漸被采用，通過文本和數(shù)據(jù)挖掘發(fā)現(xiàn)健康、疾病和診斷已經(jīng)成為趨勢。從EMR中檢索到的重要啟示信息可進一步引導醫(yī)生制定有效的治療策略。由于醫(yī)學術語的復雜性和模糊性，從EMR中搜索和查詢相關信息通常很有挑戰(zhàn)性。另一方面，各種類型的病例中存在大量相關信息，也會因用藥證據(jù)不足而導致醫(yī)學決定的不確定性和可變性。但是，通過挖掘EMR之間的關系，人們可以發(fā)現(xiàn)常見共現(xiàn)記錄之間的聯(lián)系。具體來講，想象對患者主訴進行大范圍差異診斷時，醫(yī)生可以參考其他類似患者，從而可以權衡許多干預的相對風險和收益。盡管醫(yī)生的要求(例如化驗室、成像和用藥)很具體，但以前的類似EMR可為臨床決定提供更有力的支持。

在發(fā)病最早期識別疾病并非因為可能會有多種病因就毫無意義。化驗室檢驗通常僅在醫(yī)生聽取患者主訴后才開方進行。因此，患者已出現(xiàn)疾病后才會進行醫(yī)學干預，而且通常受到醫(yī)生經(jīng)驗和知識的嚴重限制。

Davis(DavisDAC.N.,2008)等先鋒人士早已使用患者臨床史結合協(xié)同過濾方法進行疾病預測。Davis及其同事在其工作中創(chuàng)建了建議引擎，用診斷疾病表征每位患者。Steinhaeuser(SteinhaeuserK，2009)和Chawla對協(xié)作過濾和分類方法進行了組合， 用于選擇類似患者進行預測。Folino(FolinoFP.C.,2010IEEE23rd)等人引入使用關聯(lián)分析的集群和用于疾病預測的模型；他們首先將類似患者組成一組，然后通過對比患者資料預測可能患有的疾病。Duan等人將建議系統(tǒng)用于協(xié)助護理計劃。他們的模型可以基于用戶交互提供序列建議，通過傳統(tǒng)關聯(lián)規(guī)則確定排序。

發(fā)明內容

本發(fā)明的目的旨在至少解決所述技術缺陷之一。

為此，本發(fā)明的一個目的在于提出一種基于協(xié)同過濾和建議的個性化醫(yī)學決定支持系統(tǒng)，其旨在支持腫瘤專家在各個決定結點選擇最佳的治療方案

為了實現(xiàn)上述目的，本發(fā)明的實施例提供一種基于協(xié)同過濾和建議的個性化醫(yī)學決定支持系統(tǒng)，其特征在于：包括病歷原數(shù)據(jù)庫、定義目標檢索模塊、建議和檢索過濾系統(tǒng)；

所述病歷原數(shù)據(jù)庫包含患者的治療史文件、個人電子病例文件、其他相關文件，所述治療史文件、所述個人電子病例文件、所述其他相關文件組成高維數(shù)特征數(shù)據(jù)；

所述定義目標檢索模塊用于通過數(shù)據(jù)清理將所述病歷原數(shù)據(jù)庫中的數(shù)據(jù)生成患者特征矩陣并轉化為檢索特征矩陣，傳遞給建議和檢索過濾系統(tǒng)；

所述建議和檢索過濾系統(tǒng)將檢索特征矩陣進行降維后，創(chuàng)建建議優(yōu)先順序表，用于根據(jù)選擇和設計治療特定疾病，參考其他類似患者用于治療副作用研究和/或其它目的。

進一步的，所述個人電子病例文件包括每個患者的病例、病理信息和基因組特征信息，所述病理信息至少包括患者年齡、吸煙史、癌癥分期和家族病史；所述基因組特征信息還包括基因組測序結果，用于為給定患者人群模擬不同治療方案和優(yōu)化治療進度。

進一步的，所述其他相關文件至少包括抗癌藥物數(shù)據(jù)庫中的基因組學和藥物基因組學數(shù)據(jù)、環(huán)境條件、微生物特征，用于搜索更多類似性案例，完善藥物對特征數(shù)據(jù)的響應。

進一步的，所述定義目標檢索模塊的工作步驟如下：

首先，對病歷原數(shù)據(jù)庫內的高維數(shù)特征數(shù)據(jù)進行數(shù)據(jù)收集和預處理，估算丟失的數(shù)據(jù)和廢棄冗余信息；

其次，生成建議系統(tǒng)后續(xù)培訓和測試的特征集；

最后，生成檢索對象特征矩陣，在檢索對象特征矩陣中，每個檢索對象都代表一 位患者。

進一步的，所述定義目標檢索模塊對病歷原數(shù)據(jù)庫內的高維數(shù)特征數(shù)據(jù)進行數(shù)據(jù)收集和預處理的步驟如下：

首先，確定疾病模型；

接著，根據(jù)疾病模型，從病歷原數(shù)據(jù)庫中檢索相關數(shù)據(jù)；

然后，對來自病歷原數(shù)據(jù)庫中的相關數(shù)據(jù)進行反規(guī)范化；