[發明專利]一種基于多模型融合的醫院感染智能診斷方法及系統

在審

• 申請號: 201910347848.4
• 申請日: 2019-04-28
• 公開（公告）號: CN110097975A
• 公開（公告）日: 2019-08-06
• 發明（設計）人: 彭訪;蔡志平;方勝群;李振華
• 申請（專利權）人: 湖南省藍蜻蜓網絡科技有限公司
• 主分類號: G16H50/70
• 分類號: G16H50/70;G16H50/20;G16H10/60
• 代理公司: 長沙國科天河知識產權代理有限公司 43225
• 代理人: 邱軼

1.一種基于多模型的醫院感染智能診斷方法，其特征在于，包括以下步驟：

獲取與醫院感染相關的若干病歷數據；

對病歷數據進行預處理，獲得若干離散的與每份病歷數據對應的單詞列表；

對所有的單詞列表按照比例劃分為訓練集和測試集；在所述訓練集針對不同的感染類型獲得最優特征集；

對兩種以上的基模型分別進行調參，選擇最優參數獲得兩種以上最優基模型，對所有所述最優基模型進行融合，獲得診斷模型；

用測試集對診斷模型進行測試，并分析診斷模型的性能。

2.如權利要求1所述的基于多模型的醫院感染智能診斷方法，其特征在于，所述獲取與醫院感染相關的若干病歷數據的步驟中：

所述病歷數據包括：病程信息、檢查檢驗信息；

所述病程信息包括：用于病歷描述的文本數據；

所述檢查檢驗信息包括：影像信息、體檢信息、體檢結果數據和體格檢查數據。

3.如權利要求2所述的基于多模型的醫院感染智能診斷方法，其特征在于，所述對病歷數據進行預處理，獲得若干離散的與每份病歷數據對應的單詞列表的步驟包括：

對病歷數據中關于病歷描述的文本數據進行劃分、切分后形成的短語進行過濾，將包含否定詞語的相關短語濾除；

保留的短語采用預置的連接符連接，形成病歷描述片段；

對所述病歷描述片段中包含的醫療術語進行切分，根據已知的藥品名稱名錄和疾病名稱名錄建立專業領域詞典。

4.如權利要求2所述的基于多模型的醫院感染智能診斷方法，其特征在于，所述對病歷數據進行預處理，獲得若干離散的與每份病歷數據對應的單詞列表的步驟包括：

對病歷數據中記錄的體檢信息和體檢結果數據，分別提取數據中的名詞部分和數量詞部分，并采用預置的連接符連接形成短語；

根據醫療規范為不同體征或不同的檢驗劃分閾值的范圍，將數量詞的數值與經該數量詞連接的名詞判斷合適的閾值比較；

根據比較結果將所述短語轉化為詞語特征。

5.如權利要求2所述的基于多模型的醫院感染智能診斷方法，其特征在于，所述對病歷數據進行預處理，獲得若干離散的與每份病歷數據對應的單詞列表的步驟包括：

對病歷數據中記錄的體格檢查數據，分別提取數據中的名詞部分和形容詞部分，并采用預置的連接符連接形成短語；

利用鍵值對轉換法將所述短語中描述患者屬性的名詞轉換為鍵，將所述短語中描述名詞對應狀態的形容詞轉化為值，并采用預置的連接符連接鍵與值，形成鍵值特征。

6.如權利要求2～5任一項所述的基于多模型的醫院感染智能診斷方法，其特征在于，所述對所有的單詞列表按照比例劃分為訓練集和測試集；在所述訓練集針對不同的感染類型獲得最優特征集的步驟包括：

對所有的單詞列表按照7：3或8：2的比例劃分為訓練集和測試集；

在訓練集中，根據每份病歷數據對應的單詞列表，獲取不同感染類型包含的待選特征集合；

通過卡方檢驗特征選擇方法或基于類別區分度的特征選擇方法選擇每種感染類型中前N種最具代表性的特征作為最優特征集合；N的大小通過實驗確定。

7.如權利要求6所述的基于多模型的醫院感染智能診斷方法，其特征在于，所述通過卡方檢驗特征選擇方法選擇每種感染類型中前N種最具代表性的特征作為最優特征集合；N的大小通過實驗確定的步驟包括：

假設特征和感染無關，獲取實際值與理論值的偏差；

按照從高到低取偏差值對應的N種特征作為最優特征集合；

N的大小通過實驗確定。

8.如權利要求6所述的基于多模型的醫院感染智能診斷方法，其特征在于，所述通過基于類別區分度的特征選擇方法選擇每種感染類型中前N種最具代表性的特征作為最優特征集合；N的大小通過實驗確定的步驟包括：

計算不同特征對于感染類型的代表度，根據代表度從高到底進行排序，代表度越大代表特征和感染的相關性越高；

選擇前n個特征作為不同感染的最優特征集，n的大小通過實驗進行確定，實驗評價標準包括準確率和漏報率。