[發(fā)明專利]一種酸堿指標醫(yī)療大數(shù)據(jù)分析方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201911404671.3
• 申請日: 2019-12-31
• 公開（公告）號: CN111177356B
• 公開（公告）日: 2023-03-31
• 發(fā)明（設計）人: 黃峰;許紅龍;張占英;黃勁濤;鄭浩洋
• 申請（專利權）人: 佛山科學技術學院
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06F16/31;G06F16/35;G16H50/30;G16H50/70
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 蔡偉杰

本發(fā)明公開了一種酸堿指標醫(yī)療大數(shù)據(jù)分析方法及系統(tǒng)，利用醫(yī)療大數(shù)據(jù)比對搜索功能，輸入智能運算的診斷結果及病例關鍵詞，搜索相同標準診斷三級醫(yī)院專家診療的病歷，通過大數(shù)據(jù)比對進一步核實診斷無誤，從病歷庫數(shù)據(jù)中搜索相同標準診斷的相似病歷，含先前儲存的標準化診斷相似病歷并進行比對，進行輔助診斷防止誤判；使得分類的數(shù)據(jù)結果一致性提高，以輔助診斷后對于酸堿平衡的微調(diào)，提高了現(xiàn)有技術的分析效率，通過詞法分析和決策樹算法，使得系統(tǒng)能夠進行增量擴展，并提高了病歷數(shù)據(jù)的容錯性，分類后的病歷數(shù)據(jù)，可以輔助醫(yī)生進行更加準確的診斷和決策。

技術領域

本公開涉及大數(shù)據(jù)處理技術、數(shù)據(jù)挖掘技術、醫(yī)療技術、人工智能技術領域，具體涉及一種酸堿指標醫(yī)療大數(shù)據(jù)分析方法及系統(tǒng)，用于進行輔助診斷。

背景技術

目前市面上各種類型的血氣分析儀，只能夠檢測人體血液水電解質(zhì)及酸堿平衡狀況等指標(目前檢測這些指標技術非常成熟、檢測指標也非常準確)，檢測這些指標是診斷人體酸堿平衡紊亂類型的決定性依據(jù)，但是，運用這些指標判斷人體酸堿平衡紊亂類型的診斷，還需要醫(yī)生豐富的相關知識及熟練的運算技能和耗費一定的時間，才能做出診斷。由于受醫(yī)生的臨床知識及指標復雜多變的影響，特別對混合性酸堿紊亂類型的判斷(診斷)，醫(yī)生往往感到比較棘手。而伴有酸堿平衡紊亂混合類型的大多是急危重病人，快速做出準確類型判斷，是臨床糾正混合型酸堿平衡紊亂的治療依據(jù)，快速做出準確類型判斷(診斷)意義非常重大。為了幫助醫(yī)生對酸堿紊亂類型做出快速判斷，Siggard-Andersen(1974)、Keys(1976)和Klah1(972)等發(fā)明的圖表法在臨床上均得到廣泛應用,但其誤差較大,且對于混合型二重、三重酸堿平衡紊亂類型的判斷準確不高。現(xiàn)今根據(jù)同步的動脈血氣分析和電解質(zhì)的結果,利用酸堿失衡預計代償公式、潛在HCO-3及AG等酸堿平衡紊亂的量化公式來判斷酸堿紊亂的類型是比較準確的，目前通過量化公式計算酸堿平衡紊亂診斷方法有四步法、七步法、六步法及酸堿平衡紊亂的分階段診斷方法等，這些方法雖都能對各種類型的酸堿失衡作出判斷，但是可能結果各不一致，容易給醫(yī)生造成混亂。

發(fā)明內(nèi)容

本公開提供一種酸堿指標醫(yī)療大數(shù)據(jù)分析方法及系統(tǒng)，利用醫(yī)療大數(shù)據(jù)比對搜索功能，輸入智能運算的診斷結果及病例關鍵詞，搜索相同標準診斷三級醫(yī)院專家診療的病歷，通過大數(shù)據(jù)比對進一步核實診斷無誤，醫(yī)療大數(shù)據(jù)搜索引擎人工智能系統(tǒng)，輸入智能運算的診斷及病例相關關鍵詞，從病歷庫，海量醫(yī)療大數(shù)據(jù)中搜索相同標準診斷的相似病歷，含先前儲存的標準化診斷相似病歷并進行比對，進行輔助診斷防止誤判。

本公開的目的是針對上述問題，提供一種酸堿指標醫(yī)療大數(shù)據(jù)分析方法及系統(tǒng)，具體包括以下步驟：

步驟1，通過基于先驗知識的決策樹分類算法建立酸堿診斷醫(yī)療大數(shù)據(jù)的決策樹，將決策樹作為診斷輔助決策樹，通過診斷輔助決策樹進行粗分類得到病歷和病歷對應的酸堿疾病癥狀；

步驟2，提取酸堿疾病癥狀的關鍵詞，將關鍵詞構建的詞庫作為標準癥狀關鍵詞庫；

步驟3，構建標準癥狀關鍵詞庫對應的同義詞庫；

步驟4，在病歷中提取癥狀的關鍵詞；

步驟5，建立各個關鍵詞的倒排索引并與病歷的名稱建立對應關系；

步驟6，通過哈希算法將每個關鍵詞轉換成哈希值；

步驟7，使用BitMap算法將每份病歷分別映射到一個bit數(shù)組；

步驟8，將每份病歷的bit數(shù)組視為二進制數(shù)，對每個粗分類內(nèi)的病歷基于該二進制數(shù)的大小進行升序排序；

步驟9，對診斷輔助決策樹得到的每個粗分類里面的病歷，通過K-Modes算法進行細分類；