一种基于多模型融合的医院感染智能诊断方法及系统技术方案

本发明专利技术公开一种基于多模型的医院感染智能诊断方法及系统，包括：获取与医院感染相关的若干病历数据；对病历数据进行预处理，获得若干离散的与每份病历数据对应的单词列表；对所有的单词列表按照比例划分为训练集和测试集；在所述训练集针对不同的感染类型获得最优特征集；对两种以上的基模型分别进行调参，选择最优参数获得两种以上最优基模型，对所有所述最优基模型进行融合，获得诊断模型；用测试集对诊断模型进行测试，并分析诊断模型的性能。该方案解决了的诊断模型单一导致的准确性低及漏报率高问题，通过多种模型融合获得诊断模型以提高诊断的准确性并降低漏报率。

An Intelligent Diagnosis Method and System of Hospital Infection Based on Multi-model Fusion

【技术实现步骤摘要】
一种基于多模型融合的医院感染智能诊断方法及系统
本专利技术涉及数据处理
，尤其是一种基于多模型的医院感染智能诊断方法及系统。
技术介绍
医院感染指住院病人在医院内获得的感染，通常诊断步骤可分为两步：首先通过临床资料、实验室检查结果及各种专业诊断指标来判断是否感染；然后分析感染是否属于医院感染。医院感染的诊断原则分为两类，对于有明确潜伏期的感染性疾病，自入院第一天开始计算，平均潜伏期后发生的感染为医院感染，对潜伏期不明确者一般认为入院48h后发生的感染可初步判定为医院感染。从这两个步骤可以看出，对于医院感染的诊断，最关键的步骤为判断病人是否感染，而由于感染类型众多，如上呼吸道感染、泌尿道感染等，且部分感染间临床表现十分相似，区分难度大，如依据临床表现诊断的肺炎和有特异的实验检查发现的肺炎症状表现就十分相似，都包含如呼吸音粗、呼吸急促、干湿啰音等症状，只能通过实验检查才能有效区分。因此，一个可以辅助进行感染诊断的智能诊断系统对于医护人员来说十分重要。对于辅助感染诊断的方式主要分为两类：(1)基于知识库的专家系统；对于基于知识库的专家系统，这类系统利用计算机技术，模拟医学专家处理医学数据(如电子病历)并完成分析、诊断、治疗疾病的过程。医疗专家系统主要可分为4个类型：咨询型、教学辅助型、临床诊断与治疗型、自动诊断识别型。但是这类专家系统中，由于诸多原因真正能为医生所接受并投入临床使用的却为数极少。(2)基于机器学习的智能诊断。利用机器学习方法建立感染智能诊断模型，主要是利用计算机模拟医生对于病人的分析过程，通过病历中包含的体征、症状等信息确定病人的感染类型，并将病人划分到某些感染类型中，也就是利用机器学习中的分类算法，如SVM(支持向量机)、RF(随机森林)、Bayes(贝叶斯分类器)等，建立病人文本数据，如病程信息、影像描述信息、体温信息等和病人感染情况之间的对应关系。机器学习建立智能诊断模型的优势在于：1、在数据量充足的情况下，可以针对每种感染训练模型，这就有效地减轻了感染类型众多给医生诊断造成的困扰；2、机器学习的特点是从数据中挖掘有效信息，所以利用机器学习方法，可以从病人数据中发现不同感染的深度特征，从而有效解决了部分感染间临床表现十分相似，区分难度大的问题。但是现有的基于机器学习的智能诊断方法通常采用单个计算模型进行学习和计算，诊断的准确率不高，同时漏报率较高。
技术实现思路
本专利技术提供一种基于多模型的医院感染智能诊断方法及系统，用于克服现有技术中单个计算模型导致的诊断率不高且漏报率显著等缺陷，通过多模型融合对数据进行处理，提高诊断的准确率，且降低漏报率。为实现上述目的，本专利技术提出一种基于多模型的医院感染智能诊断方法，包括以下步骤：获取与医院感染相关的若干病历数据；对病历数据进行预处理，获得若干离散的与每份病历数据对应的单词列表；对所有的单词列表按照比例划分为训练集和测试集；在所述训练集针对不同的感染类型获得最优特征集；对两种以上的基模型分别进行调参，选择最优参数获得两种以上最优基模型，对所有所述最优基模型进行融合，获得诊断模型；用测试集对诊断模型进行测试，并分析诊断模型的性能。为实现上述目的，本专利技术还提出一种基于多模型的医院感染智能诊断系统，包括处理器，以及与所述处理器连接的存储器，所述存储器存储有基于多模型的医院感染智能诊断程序，所述基于多模型的医院感染智能诊断程序被所述处理器执行时实现上述述方法的步骤。本专利技术提供的基于多模型的医院感染智能诊断方法及系统，通过对多个患者的病历数据进行预处理，获得若干离散的单词列表，将大部分单词列表作为训练集，通过计算为不同感染的类型从单词列表中选择关联性最强的元素形成最优特征集；利用两种以上的算法通过择优参数训练基模型，对训练的基模型进行融合获得诊断模型，最后用测试集中的单词列表对诊断模型进行测试，进而分析诊断模型的性能；通过性能好的诊断模型对医院感染进行智能诊断，可以对医院感染进行预警，对病人的感染情况做出早期的诊断，辅助医护人员对病人的感染情况进行更加全面、准确且高效的分析，对于复杂的感染情况能够做出一个全面的分析，且利用机器学习从数据中发现信息、挖掘特征的能力，可以更加有效地区分临床表现十分相似的感染，做出更加准确的诊断；另一方面基于多模型融合的医院感染智能诊断方法克服了传统专家系统中的诸多问题，机器学习分类模型是利用病人历史数据进行训练，只要得到新的病人数据就可以进行新的一轮训练，模型可以不断更新，且在模型训练完成后，只需要保存模型的相关参数即可，在对未知样本进行测试时，只需要根据参数调用模型即可得出该样本对应的感染类型；此外本方案使用多模型融合技术构建诊断模型，一方面，由于假设空间很大，可能有多种假设情况能在训练集达到同等最优性能，若使用单个学习器可能因误选使泛化性能不佳，通过多模型融合可以减少这一风险，从而提高模型的准确率，另一方面，单个学习算法可能陷入局部最小，导致多感染预测时对部分感染预测出错，出现感染漏报，而多个学习器则可以扩大假设空间，减少陷入局部最小的可能性，从而降低模型的漏报率。因此，相对于单个诊断模型，本方案准确性较高，且有效降低漏报率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。图1为专利技术实施例一提供的基于多模型的医院感染智能诊断方法的流程图；图2为图1中数据预处理步骤的流程图；图3为图1中特征选择步骤的流程图；图4为图1中模型构建的流程图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明，本专利技术实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。另外，在本专利技术中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本专利技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。在本专利技术中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接，还可以是物理连接或无线通信连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利技术中的具体含义。另外，本专利技术各个实施例之间的技术方案可以相本文档来自技高网...

【技术保护点】
1.一种基于多模型的医院感染智能诊断方法，其特征在于，包括以下步骤：获取与医院感染相关的若干病历数据；对病历数据进行预处理，获得若干离散的与每份病历数据对应的单词列表；对所有的单词列表按照比例划分为训练集和测试集；在所述训练集针对不同的感染类型获得最优特征集；对两种以上的基模型分别进行调参，选择最优参数获得两种以上最优基模型，对所有所述最优基模型进行融合，获得诊断模型；用测试集对诊断模型进行测试，并分析诊断模型的性能。

【技术特征摘要】
1.一种基于多模型的医院感染智能诊断方法，其特征在于，包括以下步骤：获取与医院感染相关的若干病历数据；对病历数据进行预处理，获得若干离散的与每份病历数据对应的单词列表；对所有的单词列表按照比例划分为训练集和测试集；在所述训练集针对不同的感染类型获得最优特征集；对两种以上的基模型分别进行调参，选择最优参数获得两种以上最优基模型，对所有所述最优基模型进行融合，获得诊断模型；用测试集对诊断模型进行测试，并分析诊断模型的性能。2.如权利要求1所述的基于多模型的医院感染智能诊断方法，其特征在于，所述获取与医院感染相关的若干病历数据的步骤中：所述病历数据包括：病程信息、检查检验信息；所述病程信息包括：用于病历描述的文本数据；所述检查检验信息包括：影像信息、体检信息、体检结果数据和体格检查数据。3.如权利要求2所述的基于多模型的医院感染智能诊断方法，其特征在于，所述对病历数据进行预处理，获得若干离散的与每份病历数据对应的单词列表的步骤包括：对病历数据中关于病历描述的文本数据进行划分、切分后形成的短语进行过滤，将包含否定词语的相关短语滤除；保留的短语采用预置的连接符连接，形成病历描述片段；对所述病历描述片段中包含的医疗术语进行切分，根据已知的药品名称名录和疾病名称名录建立专业领域词典。4.如权利要求2所述的基于多模型的医院感染智能诊断方法，其特征在于，所述对病历数据进行预处理，获得若干离散的与每份病历数据对应的单词列表的步骤包括：对病历数据中记录的体检信息和体检结果数据，分别提取数据中的名词部分和数量词部分，并采用预置的连接符连接形成短语；根据医疗规范为不同体征或不同的检验划分阈值的范围，将数量词的数值与经该数量词连接的名词判断合适的阈值比较；根据比较结果将所述短语转化为词语特征。5.如权利要求2所述的基于多模型的医院感染智能诊断方法，其特征在于，所述对病历数据进行预处理，获得若干离散的与每份病历数据对应的单词列表的步骤包括：对病历数据中记录的体格检查数据，分别提取数据中的名词部分和形容词部分，并采用预置的连接符连接形成短语；利用键值对转换法将所述短语中描述患者属性的名词转换为键，将所述短语中描述名词对应状态的形容词转化为值，并采用预置的连接符连接键与值，形成键值特征。6.如权利要求2...

【专利技术属性】
技术研发人员：彭访，蔡志平，方胜群，李振华，
申请(专利权)人：湖南省蓝蜻蜓网络科技有限公司，
类型：发明
国别省市：湖南,43