医学检验数据的智能分析方法、系统以及设备技术方案

本发明专利技术提供了一种医学检验数据的智能分析方法，包括以下步骤：医学检验分析模型构建，获取并存储医学检验原始数据和个人信息数据，通过对医学检验原始数据和个人信息数据标准化转换、数据观察以及特征筛选，构建医学检验分析模型；医学检验分析模型触发，获取医学检验数据，触发医学检验分析模型，输出医学检验分析模型的分析结果；以及医学检验分析模型反馈，反馈医学检验分析模型的分析结果和人工分析不一致的误分类样本数据，根据获取的校正后的数据对医学检验分析模型进行修正以及更新。

Intelligent Analysis Method, System and Equipment for Medical Laboratory Data

【技术实现步骤摘要】
医学检验数据的智能分析方法、系统以及设备
本专利技术涉及一种智能医学检验服务系统，尤其涉及一种医学检验数据的智能分析方法、系统以及设备。
技术介绍
患者会因为各种不明原因的症状到医院门诊就医，而医学信息分析是医生对患者病情进行评估的常用工具，比如胰腺癌需要分析肿瘤标记物CA19-9和淀粉酶等，肝癌需要分析甲胎蛋白和乙肝抗体等。这些采用专家系统的形式，通过临床指南或者临床经验等来进行辅助分析，一般通过对多种临床数据，比如血压、呼吸、体温、心率、生化指标、检验指标等，进行汇总计算，获得分析分值，这种医学分析方式大多受人为主观因素影响，分析准确率较低，时间花费较大。当前的临床实践中，虽然有一些简单的分析软件帮助医护工作人员进行最后的分析，但分析过程所需的众多临床数据，还需要医护人员到各种信息系统进行查找和筛选，整个过程费时费力。例如，胰腺导管腺癌(PDAC)和慢性胰腺炎(CP)的鉴别诊断一直是临床难点。一方面，FDA唯一批准的诊断标志物CA19-9在慢性胰腺炎中也经常升高，另一方面影像学对两者的鉴别诊断准确率很低，即使加上穿刺活检技术，准确性也只有54％。总的来说，目前的检测手段很难对两者进行准确判断。如果胰腺导管腺癌没有被及时诊断出来，或者胰腺导管腺癌被误诊为胰腺炎，会延误治疗从而严重影响预后(分析疾病的可能病程和结局)；而慢性胰腺炎患者一旦被误断为胰腺癌需要经受风险很大的胰腺手术，给患者和家属带来巨大的身心和经济负担。目前，国内外刚开始在计算机辅助诊断方面投入人力物力，智能医学分析技术的发展还刚刚起步，已授权的用于辅助诊疗的方法寥寥无几，只有个别一些，如影像领域有专利技术专利《PET-CT动态医学影像智能定量分析系统和分析方法》，用来帮助医技人员以及临床医生更便捷有效地进行医学影像诊断；检验领域有专利技术专利《基于有监督等度规映射的智能医学诊断分类方法》，通过对高维有标签数据进行了特征提取，使用线性支持向量机算法构建分类决策面，采用先降维后分类的方法，辅助医学诊断。但现有医学检验数据分析方法，尚未形成智能系统，针对性较弱，缺乏与不同医疗服务机构的信息系统进行连接，缺少与相似病人诊疗信息进行比较的功能，智能性较弱。同时，工作量较大，时间成本较高，并在方法的优化选择、结果评估分析以及历史信息管理等方面不能满足医技人员及临床医生的要求，且不宜推广。考虑到医学检验数据领域没有形成一套智能分析系统，如今迫切需要设计一种新的医学检验数据获取、智能分析、结果交互的方案，以便提高分析效率、准确率和普适性。
技术实现思路
本专利技术的目的在于提供一种医学检验数据的智能分析方法、系统以及设备，能够实现医学检验数据的获取、智能分析以及结果交互，以便提高对于医学检验数据的分析效率、准确率和普适性。本专利技术的另一目的在于提供一种医学检验数据的智能分析方法、系统以及设备，能够将专家经验以及机器学习结果进行综合，提高计算机辅助分析系统的准确性。本专利技术的另一目的在于提供一种医学检验数据的智能分析方法、系统以及设备，能够通过反馈对医学检验分析模型进行更新，提高对于医学检验分析模型的准确率。为了实现上述至少一个目的，本专利技术提供了一种医学检验数据的智能分析方法，包括以下步骤：医学检验分析模型构建，获取并存储医学检验原始数据和个人信息数据，通过对医学检验原始数据和个人信息数据标准化转换、数据观察以及特征筛选，构建医学检验分析模型；医学检验分析模型触发，获取医学检验数据，触发医学检验分析模型，输出医学检验分析模型的分析结果；以及医学检验分析模型反馈，反馈医学检验分析模型的分析结果和人工分析不一致的误分类样本数据，根据获取的校正后的数据对医学检验分析模型进行修正以及更新。在一些实施例中，该医学检验分析模型构建步骤还包括以下步骤：连接医疗服务机构信息系统，获取授权信息，以获取并存储医疗服务机构信息系统的医学检验原始数据和个人信息数据；对医学检验原始数据和个人信息数据进行标准化转换，包括诊断名称标准化步骤、化验名称标准化步骤、定量标准化步骤以及定性标准化步骤；观察个人信息数据中性别分布、年龄分布、地理分布、分组分布和医学检验数据化验指标的正态分布、二项分布、指数分布；执行专家筛选特征步骤、缺失率筛选特征步骤以及算法筛选特征步骤；以及执行人工智能、机器学习、深度学习算法，通过交叉验证、超参数调优和分布式框架，构建医学检验分析模型。在一些实施例中，该医学检验分析模型触发步骤还包括以下步骤：连接检验信息系统，实时或离线导入医学检验数据；根据导入的医学检验数据，基于获取的模型名称，自动触发医学检验分析模型或者补全检验数据后触发医学检验分析模型；以及将医学检验分析模型的分析结果通过报告形式输出或者传输至医疗服务机构信息系统或健康服务机构信息系统。在一些实施例中，该自动触发医学检验分析模型步骤还包括以下步骤：判断获取的医学检验数据中特征名称、缺失率是否满足自动触发条件；当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，启动自动触发医学检验分析模型；以及当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，则不满足自动触发医学检验分析模型的条件，启动人工触发模型，补全检验数据后，重复执行该判断步骤，直至启动自动触发医学检验分析模型。在一些实施例中，该医学检验分析模型反馈步骤还包括以下步骤：误判样本检测，检测到模型分析与临床判断不一致的样本，将样本数据发送给人工分析校正，或者自动获取临床判断结果并校正误判样本数据，形成新样本；误分类样本管理，发送校正后的新样本数据，到该医学检验分析模型构建步骤，扩大训练样本池，使得训练样本更接近总体样本；模型更新，基于获取的校正后的新样本数据，重复执行该医学检验分析模型构建步骤，以更新医学检验分析模型，不断提升模型的准确率；以及重复执行所述医学检验分析模型触发步骤。在一些实施例中，该医学检验分析模型触发步骤还包括以下步骤：处理医学检验分析模型的分析结果数据，根据数据分类筛选需求执行数据的统计分析，并可视化输出结果。在一些实施例中，医学检验原始数据选自微生物学、免疫学、生物化学、遗传学、血液学、生物物理学、细胞学的检验数据的一种或几种，个人信息数据选自身高、体重、性别、年龄、住址籍贯、烟酒情况和遗传史的一种或几种。医学检验分析模型根据本专利技术的另一方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时执行上述任一医学检验数据的智能分析方法的步骤。根据本专利技术的另一方面，还提供了一种医学检验数据的智能分析系统，包括：医学检验分析模型构建子系统，其被配置为获取并存储医学检验原始数据和个人信息数据，通过对医学检验原始数据和个人信息数据标准化转换、数据观察以及特征筛选，构建医学检验分析模型；医学检验分析模型触发子系统，其被配置为获取医学检验数据，触发医学检验分析模型，输出医学检验分析模型的分析结果；以及医学检验分析模型反馈子系统，其被配置为反馈医学检验分析模型的分析结果和人工分析不一致的误分类样本数据，根据获取的校正后的数据对医学检验分析模型进行修正以及更新。在一些实施例中，该医学检验分析模型构建子系统还包括：训练数据管理单元，其被配置为连接医疗服务机构信息系本文档来自技高网...

【技术保护点】
1.一种医学检验数据的智能分析方法，其特征在于，所述医学检验数据的智能分析方法包括以下步骤：医学检验分析模型构建，获取并存储医学检验原始数据和个人信息数据，通过对医学检验原始数据和个人信息数据标准化转换、数据观察以及特征筛选，构建医学检验分析模型；医学检验分析模型触发，获取医学检验数据，触发医学检验分析模型，输出医学检验分析模型的分析结果；以及医学检验分析模型反馈，反馈医学检验分析模型的分析结果和人工分析不一致的误分类样本数据，根据获取的校正后的数据对医学检验分析模型进行修正以及更新。

【技术特征摘要】
1.一种医学检验数据的智能分析方法，其特征在于，所述医学检验数据的智能分析方法包括以下步骤：医学检验分析模型构建，获取并存储医学检验原始数据和个人信息数据，通过对医学检验原始数据和个人信息数据标准化转换、数据观察以及特征筛选，构建医学检验分析模型；医学检验分析模型触发，获取医学检验数据，触发医学检验分析模型，输出医学检验分析模型的分析结果；以及医学检验分析模型反馈，反馈医学检验分析模型的分析结果和人工分析不一致的误分类样本数据，根据获取的校正后的数据对医学检验分析模型进行修正以及更新。2.如权利要求1所述的医学检验数据的智能分析方法，其中，所述医学检验分析模型构建步骤还包括以下步骤：连接医疗服务机构信息系统，获取授权信息，以获取并存储医疗服务机构信息系统的医学检验原始数据和个人信息数据；对医学检验原始数据和个人信息数据进行标准化转换，包括诊断名称标准化步骤、化验名称标准化步骤、定量标准化步骤以及定性标准化步骤；观察个人信息数据中性别分布、年龄分布、地理分布、分组分布和医学检验数据化验指标的正态分布、二项分布、指数分布；执行专家筛选特征步骤、缺失率筛选特征步骤以及算法筛选特征步骤；以及执行人工智能、机器学习、深度学习算法，通过交叉验证、超参数调优和分布式框架，构建医学检验分析模型。3.如权利要求1所述的医学检验数据的智能分析方法，其中，所述医学检验分析模型触发步骤还包括以下步骤：连接检验信息系统，实时或离线导入医学检验数据；根据导入的医学检验数据，基于获取的模型名称，自动触发医学检验分析模型或者补全检验数据后触发医学检验分析模型；以及将医学检验分析模型的分析结果通过报告形式输出或者传输至医疗服务机构信息系统或健康服务机构信息系统。4.如权利要求2所述的医学检验数据的智能分析方法，其中，所述医学检验分析模型触发步骤还包括以下步骤：连接检验信息系统，实时或离线导入医学检验数据；根据导入的医学检验数据，基于获取的模型名称，自动触发医学检验分析模型或者补全检验数据后触发医学检验分析模型；以及将医学检验分析模型的分析结果通过报告形式输出或者传输至医疗服务机构信息系统。5.如权利要求3所述的医学检验数据的智能分析方法，其中，所述医学检验分析模型触发步骤还包括以下步骤：判断获取的医学检验数据中特征名称、缺失率是否满足自动触发条件；当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，启动自动触发医学检验分析模型；以及当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，则不满足自动触发医学检验分析模型的条件，启动人工触发模型，补全检验数据后，重复执行所述判断步骤，直至启动自动触发医学检验分析模型。6.如权利要求4所述的医学检验数据的智能分析方法，其中，所述医学检验分析模型触发步骤还包括以下步骤：判断获取的医学检验数据中特征名称、缺失率是否满足自动触发条件；当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，启动自动触发医学检验分析模型；以及当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，则不满足自动触发医学检验分析模型的条件，启动人工触发模型，补全检验数据后，重复执行所述判断步骤，直至启动自动触发医学检验分析模型。7.如权利要求1至6中任一所述的医学检验数据的智能分析方法，其中，所述医学检验分析模型反馈步骤还包括以下步骤：误判样本检测，检测到模型分析与临床判断不一致的样本，将样本数据发送给人工分析校正，或者自动获取临床判断结果并校正误判样本数据，形成新样本；误分类样本管理，发送校正后的新样本数据，到所述医学检验分析模型构建步骤，扩大训练样本池，使得训练样本更接近总体样本；模型更新，基于获取的校正后的新样本数据，重复执行所述医学检验分析模型构建步骤，以更新医学检验分析模型，不断提升模型的准确率；以及重复执行所述医学检验分析模型触发步骤。8.如权利要求1至6中任一所述的医学检验数据的智能分析方法，其中，所述医学检验分析模型触发步骤还包括以下步骤：处理医学检验分析模型的分析结果数据，根据数据分类筛选需求执行数据的统计分析，并可视化输出结果。9.如权利要求7所述的医学检验数据的智能分析方法，其中，所述医学检验分析模型触发步骤还包括以下步骤：处理医学检验分析模型的分析结果数据，根据数据分类筛选需求执行数据的统计分析，并可视化输出结果。10.如权利要求1至6中任一所述的医学检验数据的智能分析方法，其中，医学检验原始数据选自微生物学、免疫学、生物化学、遗传学、血液学、生物物理学、细胞学的检验数据的一种或几种，个人信息数据选自身高、体重、性别、年龄、住址籍贯、烟酒情况和遗传史的一种或几种。11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时执行权利要求1至10中任一所述的医学检验数据的智能分析方法的步骤。12.一种医学检验数据的智能分析系统，其特征在于，所述医学检验数据的智能分析系统包括：医学检验分析模型构建子系统，其被配置为获取并存储医学检验原始数据和个人信息数据，通过对医学检验原始数据和个人信息数据标准化转换、数据观察以及特征筛选，构建医学检验分析模型；医学检验分析模型触发子系统，其被配置为获取医学检验数据，触发医学检验分析模型，输出医学检验分析模型的分析结果；以及医学检验分析模型反馈子系统，其被配置为反馈医学检验分析模型的分析结果和人工分析不一致的误分类样本数据，根据获取的校正后的数据对医学检验分析模型进行修正以及更新。13.如权利要求12所述的医学检验数据的智能分析系统，其中，所述医学检验分析模型构建子系统还包括：训练数据管理单元，其被配置为连接医疗服务机构信息系统，获取授权信息，以获取并存储医疗服务机构信息系统的医学检验原始数据和个人信息数据；数据标准化单元，其被配置为对医学检验原始数据和个人信息数据进行标准化转换，包括诊断名称标准化、化验名称标准化、定量标准化以及定性标准化；数据观察单元，其被配置为观察个人信息数据中性别分布、年龄分布、地理分布、分组分布和医学检验数据化验指标的正态分布、二项分布、指数分布；特征筛选单元，其被配置为执行专家筛选特征、缺失率筛选特征以及算法筛选特征；以及模型构建单元，其被配置为执行人工智能、机器学习、深度学习算法，通过交叉验证、超参数调优和分布式框架，构建医学检验分析模型。14.如权利要求12所述的医学检验数据的智能分析系统，其中，所述医学检验分析模型触发子系统还包括：分析数据管理单元，其被配置为连接检验信息系统，实时或离线导入医学检验数据；模型触发单元，其被配置为根据导入的医学检验数据，基于获取的模型名称，自动触发医学检验分析模型或者补全检验数据后触发医学检验分析模型；以及结果交互单元，其被配置为将医学检验分析模型的分析结果通过报告形式输出或者传输至医疗服务机构信息系统或健康服务机构信息系统。15.如权利要求13所述的医学检验数据的智能分析系统，其中，所述医学检验分析模型触发子系统还包括：分析数据管理单元，其被配置为连接检验信息系统，实时或离线导入医学检验数据；模型触发单元，其被配置为根据导入的医学检验数据，基于获取的模型名称，自动触发医学检验分析模型或者补全检验数据后触发医学检验分析模型；以及结果交互单元，其被配置为将医学检验分析模型的分析结果通过报告形式输出或者传输至医疗服务机构信息系统或健康服务机构信息系统。16.如权利要求14所述的医学检验数据的智能分析系统，其中，所述模型触发单元还包括：触发判断单元，其被配置为判断获取的医学检验数据中特征名称、缺失率是否满足自动触发条件；自动触发单元，其被配置为当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，启动自动触发医学检验分析模型；以及人工触发单元，其被配置为当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，则不满足自动触发医学检验分析模型的条件，启动人工触发模型，补全检验数据后的数据发送至所述触发判断单元，直至启动自动触发医学检验分析模型。17.如权利要求15所述的医学检验数据的智能分析系统，其中，所述模型触发单元还包括：触发判断单元，其被配置为判断获取的医学检验数据中特征名称、缺失率是否满足自动触发条件；自动触发单元，其被配置为当检验项目名称与模型特征名称被判断为完全一致，并且每个模型特征内判断为都不存在缺失值时，启动自动触发医学检验分析模型；以及人工触发单元，其被配置为当检验项目名称与模型特征名称被判断为不完全一致或者各模型特征被判断存在缺失值时，则不满足自动触发医学检验分析模型的条件，启动人工触发模型，补全检验数据后的数据发送至所述触发判断单元，直至启动自动触发医学检验分析模型。18.如权利要求12至17中任一所述的医学检验数据的智能分析系统，其中，所述医学检验分析模型反馈子系统还包括：误判样本检测单元，其被配置为检测到模型分析与临床判断不一致的样本，将样本数据发送给人工分析校正，或者自动获取临床判断结果并校正误判样本数据，形成新样本；以及误分类样本管理单元，其被配置为发送校正后的新样本数据，到所述医学检验分析模型构建子系统，扩大训练样本池，使得训练样本更接近总体样本；以及模型更新单元，其被配置为基于获取的校正后的新样本数据，重复执行医学检验分析模型构建，以更新医学检验分析模型，不断提升模型的准确率。19.如权利要求12至17中任一所述的医学检验数据的智能分析系统，其中，所述医学检验分析模型触发子系统还包括：统计分析单元，其被配置为处理医学检验分析模型的分析结果数据，根据数据分类筛选需求执行数据的统计分析，并可视化输出结果。20.如权利要求18所述的医学检验数据的智能分析系统，其中，所述医学检验分析模型触发子系统还包括：统计分析单元，其被配置为处理医学检验分析模型的分析结果数据，根据数据分类筛选需求执行数据的统计分析，并可视化输出结果。21.如权利要求12至17中任一所述的医学检验数据的智能分析系统，其中医学检验原始数据选自微生物学、免疫学、生物化学、遗传学、血液学、生物物理学、细胞学的检验数据的一种或几种，个人信息数据选自身高、体重、性别、年龄、住址籍贯、烟酒情况和遗传史的一种或几种。22.一种医学检验数据的智能分析设备，其特征在于，包括：存储器，用于存储软件应用程序，处理器，用于执行所述软件应用程序，所述软件应用程序进一步包括：医学...

【专利技术属性】
技术研发人员：熊超，万旗东，张楠，
申请(专利权)人：上海翼依信息技术有限公司，
类型：发明
国别省市：上海,31