[發明專利]慢性病案特征分類處理方法、裝置及終端

在審

• 申請號: 202110238307.5
• 申請日: 2021-03-04
• 公開（公告）號: CN112599252A
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 楊開軼;劉陽;包培文;侯文利
• 申請（專利權）人: 北京冠新醫衛軟件科技有限公司
• 主分類號: G16H50/70
• 分類號: G16H50/70;G06K9/62;G06N20/10
• 代理公司: 北京細軟智谷知識產權代理有限責任公司 11471
• 代理人: 葛鐘

1.一種慢性病案特征分類處理方法，其特征在于，所述方法包括：

獲取慢性病患者的歷史數據；

基于各慢性病患者的歷史數據，利用慢特征算法分析各慢性病患者慢性病的慢特征，得到各慢性病患者的慢特征序列；

基于各慢性病患者的所述慢特征序列，利用粗糙聚類算法進行聚類處理，得到多個具有上近似集和下近似集的聚類簇，并根據預設的上下近似集再配置策略，將所述粗糙聚類算法聚類處理得到的各聚類簇的上近似集和下近似集的數據進行重新配置；

基于各聚類簇的重新配置的下近似集，利用訓練好的機器學習分類模型進行慢性病分類。

2.根據權利要求1所述的方法，其特征在于，所述根據預設上下近似集再配置策略，將所述粗糙聚類算法聚類處理得到的各聚類簇的上近似集和下近似集的數據進行重新配置，包括：

根據預設測試集，利用預設上下近似集再配置機器學習模型，得到上下近似集再配置閾值；

根據所述上下近似集再配置閾值，對各聚類簇的上近似集和下近似集的數據進行重新配置。

3.根據權利要求1所述的方法，其特征在于，其中，在所述利用粗糙聚類算法進行聚類處理步驟之前，所述方法還包括：

利用預設排序截止閾值，剔除各慢性病患者的所述慢特征序列中處于所述排序截止閾值之后的數據，以將剔除排序處于所述排序截止閾值之后數據的所述慢特征序列供給所述粗糙聚類算法進行聚類處理。

4.根據權利要求1所述的方法，其特征在于，在所述利用慢特征算法分析各慢性病患者慢性病的慢特征步驟之前，所述方法還包括：

對各慢性病患者的歷史數據進行預處理和特征工程，其中，所述預處理包括：數據的清洗、標準化和歸一化，其中，所述特征工程包括：數據特征的降維。

5.根據權利要求1-4任一項所述的方法，其特征在于，所述機器學習分類模型采用SVM模型或者LR模型。

6.一種慢性病案特征分類處理裝置，其特征在于，包括：

歷史數據獲取模塊，用于獲取慢性病患者的歷史數據；

慢特征處理模塊，用于基于各慢性病患者的歷史數據，利用慢特征算法分析各慢性病患者慢性病的慢特征，得到各慢性病患者的慢特征序列；

下近似集獲得模塊，用于基于各慢性病患者的所述慢特征序列，利用粗糙聚類算法進行聚類處理，得到多個具有上近似集和下近似集的聚類簇，并根據預設的上下近似集再配置策略，將所述粗糙聚類算法聚類處理得到的各聚類簇的上近似集和下近似集的數據進行重新配置；

分類模塊，用于基于各聚類簇的重新配置的下近似集，利用訓練好的機器學習分類模型進行慢性病分類。

7.根據權利要求6所述的裝置，其特征在于，所述根據預設上下近似集再配置策略，將所述粗糙聚類算法聚類處理得到的各聚類簇的上近似集和下近似集的數據進行重新配置，包括：

根據預設測試集，利用預設上下近似集再配置機器學習模型，得到上下近似集再配置閾值；

根據所述上下近似集再配置閾值，對各聚類簇的上近似集和下近似集的數據進行重新配置。

8.根據權利要求6所述的裝置，其特征在于，所述裝置還包括：

慢特征序列處理模塊，用于在所述利用粗糙聚類算法進行聚類處理步驟之前，利用預設排序截止閾值，剔除各慢性病患者的所述慢特征序列中處于所述排序截止閾值之后的數據，以將剔除排序處于所述排序截止閾值之后數據的所述慢特征序列供給所述粗糙聚類算法進行聚類處理。

9.根據權利要求6所述的裝置，其特征在于，所述裝置還包括：

歷史數據預處理模塊，用于在所述利用慢特征算法分析各慢性病患者慢性病的慢特征步驟之前，對各慢性病患者的歷史數據進行預處理和特征工程，其中，所述預處理包括：量化指標統一和降維處理。

10.一種慢性病案特征分類處理終端，其特征在于，包括：

一個或者多個存儲器，其上存儲有可執行程序；

一個或者多個處理器，用于執行所述存儲器中的所述可執行程序，以實現權利要求1-5中任一項所述方法的步驟。