[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

本申請涉及慢性病案特征分類處理方法、裝置及終端，屬于慢性病案特征分類處理技術領域。本申請包括：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。通過本申請，有助于快速準確得到慢病分級診療的輔助決策信息。

技術領域

本申請屬于慢性病案特征分類處理技術領域，具體涉及慢性病案特征分類處理方法、裝置及終端。

背景技術

相關技術中，慢性病包括高血壓、糖尿病等等，為了合理配置醫療資源，構建分級診療服務體系，慢性病分類可以為分級診療做準備，通過對患者慢性病特征進行分析，判斷哪些特征屬于哪一診療等級慢性病。

當前醫療衛生行業內慢性病分類主要有兩種，一是，根據醫生臨床經驗進行判斷，這需要依賴醫生多年經驗總結，通過醫療儀器設備進行觀察驗證，二是，軟件廠商通過收集專家判斷經驗，建立判斷規則庫，通過專家經驗規則套用匹配的方式進行判斷，而建立規則庫需要大量有經驗的專家參與，由于慢性病通常有伴發癥狀，導致規則庫內容很復雜，并且隨著專家經驗規則的不斷補充，可能導致慢性病分級判斷難度加大且判斷過程耗時較長。

發明內容

為至少在一定程度上克服相關技術中存在的問題，本申請提供慢性病案特征分類處理方法、裝置及終端，有助于快速準確得到慢病分級診療的輔助決策信息。

為實現以上目的，本申請采用如下技術方案：

第一方面，

本申請提供一種慢性病案特征分類處理方法，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。

進一步地，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。

進一步地，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。

進一步地，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。

進一步地，所述機器學習分類模型采用SVM模型或者LR模型。

第二方面，

本申請提供一種慢性病案特征分類處理裝置，包括：

歷史數據獲取模塊，用于獲取慢性病患者的歷史數據；