面向心脏病类型和严重程度的智能评估诊断方法及系统技术方案

本发明专利技术公开了一种面向心脏病类型和严重程度的智能评估诊断方法及系统，该方法包括获取疾病特征数据和人口统计学特征数据；利用学习模型对获取的超声心动图报告数据和病人人口统计学特征数据进行分析并得到模型评价指标、心脏病类型和心脏病严重程度。本发明专利技术的有益效果为：运用数据挖掘的相关方法对数据进行数据预处理、数据筛选等操作，对特征选取时噪声比例的选择，使用随机森林模型进行了心脏病严重程度分类预测，并与朴素贝叶斯分类器、决策树模型、BP神经网络模型的算法性能、和学习效果进行了比较及进行分析，得出有效的研究方法，并提出对心脏病患者病情严重程度分级的标准及心脏病手术治疗风险的预测方法。

【技术实现步骤摘要】
面向心脏病类型和严重程度的智能评估诊断方法及系统
本专利技术涉及医疗数据的应用和分析
，具体涉及一种面向心脏病类型和严重程度的智能评估诊断方法及系统。
技术介绍
现有的心脏病诊断方法，临床医生要根据心脏病诊断报告完成对每一个患者的心脏病类型的准确判断和心脏病严重程度评估。这要求医生必须具备扎实的理论知识和多年的临床经验才能完成。然而，在实际诊断中，往往因医疗条件的限制、医生精力、时间、经验、诊断报告描述等原因，造成医生的诊断困难或者偏差。
技术实现思路
本专利技术的目的在于提供一种面向心脏病类型和严重程度的智能评估诊断方法及系统，用以解决现有因医疗条件的限制、医生精力、时间、经验、诊断报告描述等原因，造成医生的诊断困难或者偏差的问题。为实现上述目的，本专利技术的技术方案为一方面，提供了一种面向心脏病类型和严重程度的智能评估诊断方法，该方法包括：获取疾病特征数据和人口统计学特征数据；利用学习模型对获取的超声心动图报告数据和病人人口统计学特征数据进行分析并得到模型评价指标、心脏病类型和心脏病严重程度。进一步的，所述疾病特征数据包括LVEF、二尖瓣瓣叶增厚、二尖瓣回声增强、主动脉瓣瓣叶增厚、主动脉瓣瓣叶显示欠清、主动脉瓣回声增强、主动脉瓣开放受限、主动脉瓣闭合时留有缝隙、估测主动脉瓣瓣口面积、左房、左室、右房、右室、室壁动度弥漫性略减低、收缩期右房内探及分布局限三尖瓣返流束最大返流压差、收缩期主动脉瓣前向血流加速的最大返流压差、主动脉瓣病变、主动脉瓣狭窄、主动脉返流、二尖瓣硬化、二尖瓣返流、三尖瓣返流、左室收缩功能略减低、肺动脉高压、左室肥大、左心扩大、心肌病变不能排除中的至少一种。进一步的，所述人口统计学特征数据包括姓名、性别和年龄中的至少一种。优选的，所述学习模型为随机森林模型、朴素贝叶斯分类器、决策树模型、BP神经网络模型中的一种。优选的，所述学习模型为随机森林模型。进一步的，所述模型评价指标包括Correctly、TPRate、FPRate、Precision、Recall、F值、Roc曲线的面积、Accuracy和阈值中的至少一种。优选的，所述心脏病类型包括心肌病变(缺血性心肌病、肥厚型心肌病、扩张型心肌病、其他类型心肌病)、心肌梗死、风湿性心脏病、非风湿性瓣膜病、房颤、特征性肺高压、先天性心脏病、占位(血栓、心包占位、其他占位)、外科术后(这类数据我们全部作为校验数据来提高我们机器学习的准确率)中的至少一种。优选的，从超声心动图报告中获取疾病特征数据。优选的，所述严重程度包括轻度、中度和重度。另一方面，提供了一种面向心脏病类型和严重程度的智能评估诊断系统，应用任一上述的面向心脏病类型和严重程度的智能评估诊断方法。本专利技术具有如下优点：针对心脏病患者的疾病特征数据及人口统计学特征数据，运用数据挖掘的相关方法对数据进行数据预处理、数据筛选等操作，对特征选取时噪声比例的选择，使用随机森林模型进行了心脏病严重程度分类预测，并与朴素贝叶斯分类器、决策树模型、BP神经网络模型的算法性能、和学习效果进行了比较及进行分析，得出有效的研究方法，并提出对心脏病患者病情严重程度分级的标准及心脏病手术治疗风险的预测方法；通过机器学习的方法完成对心脏病患者的自动诊断，所采用的模型具有学习能力，能够随着训练数据的增加提升模型的预测准确性。所提出的心脏风险评估诊断模型，能够为病人提供诊断的建议，辅助医疗专家进行疾病诊断，提升诊断的正确率，帮助医疗机构预留必要的医疗资源，具有较强的实际应用价值。附图说明图1为超声心动图报告单；图2为更改迭代次数对正确率的影响的折线图；图3为在迭代次数为1000的情况下，更改种子数对正确率的影响的折线图；图4为迭代次数为1000、种子数为1的情况下，更改深度对准确率的影响的折线图；图5为经过模型参数调优在随机森林模型下最优时正确率为69.3878％，其迭代次数1000次，其余参数保持默认值；图6为在最优的随机森林的模型下S级的ACC值为75.817％(阈值0.2212)，ROC曲线面积为0.8765；图7为随机森林最优时S级的ROC曲线图；图8为评估指标对比表。具体实施方式以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。实施例1一种面向心脏病类型和严重程度的智能评估诊断方法，包括：获取疾病特征数据和人口统计学特征数据；利用学习模型对获取的超声心动图报告数据和病人人口统计学特征数据进行分析并得到模型评价指标、心脏病类型和心脏病严重程度。本实施例又一方面公开了一种应用权利要求1-9中任一项所述的面向心脏病类型和严重程度的智能评估诊断方法的系统。实施例2所述疾病特征数据包括LVEF、二尖瓣瓣叶增厚、二尖瓣回声增强、主动脉瓣瓣叶增厚、主动脉瓣瓣叶显示欠清、主动脉瓣回声增强、主动脉瓣开放受限、主动脉瓣闭合时留有缝隙、估测主动脉瓣瓣口面积、左房、左室、右房、右室、室壁动度弥漫性略减低、收缩期右房内探及分布局限三尖瓣返流束最大返流压差、收缩期主动脉瓣前向血流加速的最大返流压差、主动脉瓣病变、主动脉瓣狭窄、主动脉返流、二尖瓣硬化、二尖瓣返流、三尖瓣返流、左室收缩功能略减低、肺动脉高压、左室肥大、左心扩大、心肌病变不能排除中的至少一种。所述人口统计学特征数据包括姓名、性别和年龄中的至少一种实施例3所述学习模型为随机森林模型、朴素贝叶斯分类器、决策树模型、BP神经网络模型中的一种。所述学习模型为随机森林模型。所述模型评价指标包括Correctly、TPRate、FPRate、Precision、Recall、F值、Roc曲线的面积、Accuracy和阈值中的至少一种。实施例4所述心脏病类型包括心肌病变(缺血性心肌病、肥厚型心肌病、扩张型心肌病、其他类型心肌病)、心肌梗死、风湿性心脏病、非风湿性瓣膜病、房颤、特征性肺高压、先天性心脏病、占位(血栓、心包占位、其他占位)、外科术后(这类数据我们全部作为校验数据来提高我们机器学习的准确率)中的至少一种。从超声心动图报告中获取疾病特征数据。所述严重程度包括轻度、中度和重度。具体实现过程为：3.2问题定义发现心脏病患病人群入院接受手术治疗与心脏病类型及严重程度之间的关键风险因素，然后利用改进的随机森立算法建立心脏病人入院手术风险预测模型.为了能够准确的对覆盖全范围的心脏病人群体进行入院手术风险分析，本文提出利用集成学习，对特定领域人群建立相应的互不影响的模型，在每个子模型中通过对全部病人进行统计分析，发现心脏病患病人群入院接受手术治疗与心脏病类型及严重程度之间的关键风险因素，然后利用改进的随机森立算法建立心脏病人入院手术风险预测模型；最后基于所建立的模型，利用聚类算法与主成分分析方法，识别存在高风险需要入院接受手术的病人，从临床特征层面对其反应出来的医学特征进行描述，预先提醒医院、医疗人员提前对这类病人预留医疗资源和进行预先干预。具体实验过程:从问题定义入手，然后做数据准备，包括收集数据，录入、处理数据的过程。通过与医生沟通交流，根据医生的经验做特征构建，再对数据中的脏数据及噪声进行处理。随后运用weka软件导入数据，引入决策树、随机森林、神经网络、朴素贝叶斯模型，并进行模型训练，并通过参数调优等方法提高模型的性能，最终找出治疗准确度较高、速度较快的模型。最后对实验结果本文档来自技高网...

【技术保护点】
1.一种面向心脏病类型和严重程度的智能评估诊断方法，其特征在于，包括：获取疾病特征数据和人口统计学特征数据；利用学习模型对获取的超声心动图报告数据和病人人口统计学特征数据进行分析并得到模型评价指标、心脏病类型和心脏病严重程度。

【技术特征摘要】
1.一种面向心脏病类型和严重程度的智能评估诊断方法，其特征在于，包括：获取疾病特征数据和人口统计学特征数据；利用学习模型对获取的超声心动图报告数据和病人人口统计学特征数据进行分析并得到模型评价指标、心脏病类型和心脏病严重程度。2.根据权利要求1所述的面向心脏病类型和严重程度的智能评估诊断方法，其特征在于，所述疾病特征数据包括LVEF、二尖瓣瓣叶增厚、二尖瓣回声增强、主动脉瓣瓣叶增厚、主动脉瓣瓣叶显示欠清、主动脉瓣回声增强、主动脉瓣开放受限、主动脉瓣闭合时留有缝隙、估测主动脉瓣瓣口面积、左房、左室、右房、右室、室壁动度弥漫性略减低、收缩期右房内探及分布局限三尖瓣返流束最大返流压差、收缩期主动脉瓣前向血流加速的最大返流压差、主动脉瓣病变、主动脉瓣狭窄、主动脉返流、二尖瓣硬化、二尖瓣返流、三尖瓣返流、左室收缩功能略减低、肺动脉高压、左室肥大、左心扩大、心肌病变不能排除中的至少一种。3.根据权利要求1所述的面向心脏病类型和严重程度的智能评估诊断方法，其特征在于，所述人口统计学特征数据包括姓名、性别和年龄中的至少一种。4.根据权利要求1、2或3所述的面向心脏病类型和严重程度的智能评估诊断方法，其特征在于，所述学习模型为随机森林模型、朴素贝叶斯分类器、决策树模型、BP神经网络模型中...

【专利技术属性】
技术研发人员：杨成伟，
申请(专利权)人：杨成伟，
类型：发明
国别省市：山东,37