[發(fā)明專利]一種電子病歷數(shù)據(jù)處理方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010536331.2
• 申請日: 2020-06-12
• 公開（公告）號: CN111681767B
• 公開（公告）日: 2022-07-05
• 發(fā)明（設計）人: 劉勇國;王志華;楊尚明;李巧勤
• 申請（專利權）人: 電子科技大學
• 主分類號: G16H50/70
• 分類號: G16H50/70;G16H10/60;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 張超

本發(fā)明公開了一種電子病歷數(shù)據(jù)處理方法，包括：采集電子健康數(shù)據(jù)和血清學檢測指標數(shù)據(jù)，將所述電子健康數(shù)據(jù)和血清學檢測指標數(shù)據(jù)進行血管鈣化等級評估得到樣本標簽數(shù)據(jù)集；對所述樣本標簽數(shù)據(jù)集進行數(shù)據(jù)篩選和特征選擇預處理操作得到鈣化狀態(tài)的特征表示；采用所述鈣化狀態(tài)的特征表示構建嵌入層得到多維向量嵌入模型；輸入所述多維向量嵌入模型構建歷史鈣化狀態(tài)集，采用智能體選擇所述多歷史鈣化狀態(tài)集中的歷史鈣化狀態(tài)，得到智能體的狀態(tài)環(huán)境，通過LSTM網(wǎng)絡對所述狀態(tài)環(huán)境進行自適應學習歷史鈣化狀態(tài)與上一時刻鈣化狀態(tài)得到血管鈣化評估模型。采用動態(tài)跨越長短期強化記憶網(wǎng)絡將電子病歷不同時期的鈣化狀態(tài)數(shù)據(jù)融合提高了模型的評估準確度。

技術領域

本發(fā)明涉及機器學習領域，具體涉及一種電子病歷數(shù)據(jù)處理方法及系統(tǒng)。

背景技術

現(xiàn)代社會中隨著糖尿病、高血壓和肥胖患病人數(shù)的增加，以及人口老齡化、生活方式改變等，慢性腎臟病(Chronic Kidney Disease，CKD)的發(fā)病率逐年攀升，CKD患者存在廣泛的血管鈣化(Vascular Calcification,VC)，并隨腎臟病的進展而加重。計算機斷層掃描發(fā)現(xiàn)4～5期CKD患者中有80％的患者有主動脈鈣化的癥狀，且其鈣化程度已達心血管事件預警指標，VC是終末期CKD患者發(fā)生心血管事件與死亡的重要因素。因此，對血管鈣化進行評估對于提醒人體身體健康具有重要意義。

與糖尿病、高血壓等慢性病相比，對于血管鈣化情況的監(jiān)測很不方便。臨床上檢查血管鈣化的幾種常規(guī)方法主要是X線、CT、核磁共振成像(MRI)等醫(yī)學影像檢查確定血管鈣化的發(fā)生區(qū)域，這些基于醫(yī)學影像的方法存在診斷周期長、檢測費用高等問題，且因部分檢測手段的輻射而不適合經(jīng)常進行，而血管鈣化是一個長期過程，需要長時間跟蹤分析，現(xiàn)有方法難以滿足需求。

比如現(xiàn)有技術中，中國發(fā)明專利“CN109875527A一種血管鈣化的計算方法及設備”獲取血管圖像及對應于血管圖像的血管預測結果體數(shù)據(jù)；分割處理血管預測結果體數(shù)據(jù)，得到多個血管短軸體；計算多個血管短軸體上的鈣化結果，得到初步鈣化結果；從血管圖像中提取對應于鈣化區(qū)域的鈣化血管圖像；根據(jù)血管圖像和鈣化血管圖像調整初步鈣化結果，提高了血管自動狹窄結果計算的準確性，得到最終鈣化結果。中國發(fā)明專利“CN109846465A一種基于亮度分析的血管鈣化誤報檢測方法”先通過對鈣化候選區(qū)域進行形態(tài)分析，找出易出現(xiàn)誤報情況的候選區(qū)域，然后基于亮度分析調整檢測閾值，對假鈣化區(qū)域進行甄別和剔除，有效避免了誤報情況的發(fā)生。

上述基于計算機進行的方法都是采用圖像或圖像與血管預測數(shù)據(jù)進行的，而電子病歷作為目前的個人健康記錄信息載體記錄了大量的病癥信息，通過電子病歷數(shù)據(jù)挖掘患病風險做出預測，可以成為很好的一種輔助，因此如何處理電子病歷存儲的大量不同病癥的數(shù)據(jù)也成為了一種研究趨勢。

發(fā)明內容

本發(fā)明所要解決的技術問題是如何對電子病歷中與血管鈣化相關的數(shù)據(jù)進行處理的問題，目的在于提供一種電子病歷數(shù)據(jù)處理方法及系統(tǒng)，解決上述問題。

本發(fā)明通過下述技術方案實現(xiàn)：

一種電子病歷數(shù)據(jù)處理方法，包括：

S1：采集電子病歷系統(tǒng)中的電子健康數(shù)據(jù)和血清學檢測指標數(shù)據(jù)，將所述電子健康數(shù)據(jù)和血清學檢測指標數(shù)據(jù)進行血管鈣化等級評估得到樣本標簽數(shù)據(jù)集；

S2：對所述樣本標簽數(shù)據(jù)集進行數(shù)據(jù)篩選和特征選擇預處理操作得到鈣化狀態(tài)的特征表示；

S3：采用所述鈣化狀態(tài)的特征表示構建嵌入層得到多維向量嵌入模型；

S4：輸入所述多維向量嵌入模型構建歷史鈣化狀態(tài)集，采用智能體選擇所述多歷史鈣化狀態(tài)集中的歷史鈣化狀態(tài)，得到智能體的狀態(tài)環(huán)境，通過LSTM網(wǎng)絡對所述狀態(tài)環(huán)境進行自適應學習歷史鈣化狀態(tài)與上一時刻鈣化狀態(tài)得到血管鈣化評估模型。