VTE智能防治管理系统技术方案

VTE智能防治管理系统：分词模块对预处理后历史文本数据分词处理，筛选出关联影响因子；计算模块计算所有历史文本数据中出现任一关联影响因子时对应患有VTE的支持度及所有患有该关联影响因子的历史文本数据中对应患有VTE的置信度；判断模块判断支持度是否大于对应设定值及置信度是否大于对应设定值，均为是将该关联影响因子作为关键影响因子；降维模块对关键影响因子降维处理获得最优影响因子；训练模块将部分历史文本数据代入随机森林模型训练获得训练好风险评估模型；测试模块将剩余历史文本数据中最优影响因子代入风险评估模型测试获得患者患有VTE的概率值；分档模块运用正态分布3σ原则分档获得测试患者对应风险档次标签。

【技术实现步骤摘要】
VTE智能防治管理系统
本专利技术涉及静脉血栓栓塞症
，特别是涉及一种VTE智能防治管理系统。
技术介绍
静脉血栓栓塞症(VTE，VenousThromboEmbolism)，包括深静脉血栓形成和肺血栓栓塞症，肺栓塞是导致住院患者非预期死亡的重要原因。该疾病可广泛存在多科室，高危因素有久卧床、手术、创伤、肿瘤等。VTE发病隐匿，其高发生率、高致残率、高死亡率，是导致医院内患者非预期死亡的重要原因，防控形势严峻。量表评估被视作有效预防VTE的重要手段，但临床真正推行使用率不高，且不同专科医生对VTE认知差异显著，评估欠缺统一规范，预防率低。传统的量表评估工作非常加重医务人员负担，量表中所需填写的临床资料分散在医院各个信息系统中，无法高度共享利用，每手动评估一次需要消耗医务人员不少时间，且数据难以保存利用，临床上也渴望有一种自动评估的工具，以减轻工作负担。更进一步地，现有的人工量表评估难以动态实时地把控病情变化的关键节点，而实际临床过程中，是需要通过一些细微重要的患者动态变化，更精准地找出潜在风险的目标患者，尽早实施规范化、个性化的诊治方案。从而，真正达到预防VTE的发生，或对已发生VTE的患者避免严重后果和不良事件的出现的目的，实现医疗质量的提升，保障医疗安全，使患者获益最大化。
技术实现思路
本专利技术针对现有技术存在的问题和不足，提供一种新型的VTE智能防治管理系统。本专利技术是通过下述技术方案来解决上述技术问题的：本专利技术提供一种VTE智能防治管理系统，其特点在于，其包括预处理模块、分词模块、计算模块、判断模块、降维模块、训练模块、测试模块和分档模块；所述预处理模块用于对每一患者的历史文本数据进行预处理；所述分词模块用于对预处理后的历史文本数据进行分词处理，从分出的分词症状中筛选出不同的与VTE相关的分词症状作为关联影响因子，所述历史文本数据包括患者基础数据、检查检验结果数据、护理及医生病程记录单、体征及各类仪器记录数据和医嘱数据；所述计算模块用于计算所有历史文本数据中当出现任一关联影响因子时对应患有VTE的支持度以及所有患有该关联影响因子的历史文本数据中对应患有VTE的置信度；所述判断模块用于判断支持度是否大于对应的支持度设定值以及置信度是否大于对应的置信度设定值，在均为是时将该关联影响因子作为关键影响因子，在为否时将该关联影响因子不作为关键影响因子；所述降维模块用于对该些关键影响因子进行降维处理，以获得相互之间没有共线关系的关键影响因子作为最优影响因子；所述训练模块用于将预处理后的历史文本数据中部分历史文本数据的最优影响因子和患者是否患有VTE作为训练样本代入随机森林模型进行模型训练，以获得训练好的风险评估模型；所述测试模块用于将剩余历史文本数据中的最优影响因子作为测试样本代入训练好的风险评估模型中测试，以获得测试患者患有VTE的概率值；所述分档模块用于将每一概率值转换成秩次，将秩次分布映射到正态分布曲线上，运用正态分布的3σ原则进行分档，以获得每个测试患者对应的风险档次标签。较佳地，所述分档模块用于将每一概率值转换成秩次，基于各个秩次计算对应各个累计频率，将各个累计频率换算成对应的概率单位，将各个概率单位分别代入直线回归方程中推算出对应的估计值，将各个估计值分布映射到正态分布曲线上，运用正态分布的3σ原则进行分档，以获得每个测试患者对应的风险档次标签。较佳地，所述系统还包括优化模块，所述优化模块用于对训练好的风险评估模型进行修正优化。较佳地，所述优化模块用于基于通过德尔菲打分法制定的固定规则来修正优化训练好的风险评估模型。较佳地，所述降维模块用于采用主成分分析法对该些关键影响因子进行降维处理。较佳地，所述系统还包括预测模块，所述预测模块用于将新患者的经预处理后的文本数据代入经训练和测试的风险评估模型中进行预测，以获得新患者患有VTE的概率和对应的风险档次标签。较佳地，所述风险档次标签包括低风险、中风险和高风险；所述系统还包括提醒模块，所述提醒模块用于基于不同的风险档次标签提醒对应的工作人员，且在获得新患者患有VTE的风险档次标签为中风险或高风险后、新患者的文本数据出现最优影响因子中的任一最优影响因子时，进行最高等级风险提醒。较佳地，所述计算模块用于计算支持度＝所有历史文本数据中出现该关联影响因子时对应患有VTE的历史文本数据数量/所有历史文本数据总数；所述计算模块还用于计算置信度＝所有患有该关联影响因子的历史文本数据中对应患有VTE的历史文本数据数量/所有患有该关联影响因子的历史文本数据总数。较佳地，所述分词模块用于利用NLP技术对预处理后的历史文本数据进行分词处理。在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本专利技术各较佳实例。本专利技术的积极进步效果在于：本专利技术的VTE智能防治管理系统，从历史文本数据中筛选出关联影响因子，对关联影响因子进行支持度判断、置信度判断以及降维处理后获得最优影响因子，基于最优影响因子训练测试模型获得测试患者患有VTE的概率值，并运用正态分布的3σ原则进行分档以获得每个测试患者对应的风险档次标签；其后，将新患者的经预处理后的文本数据代入风险评估模型中预测即可获得新患者患有VTE的概率和对应的风险档次标签。本专利技术通过风险预测，评估结果医护共享，达到早期精准识别目标患者的效果，将VTE不良后果风险尽可能避免。本系统保证评估结果的科学有效，让评估流程更快、更加节省人力成本，可以持续更新评估规则，保证评估的准确性。附图说明图1为本专利技术较佳实施例的VTE智能防治管理系统的结构框图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本专利技术一部分实施例，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做出创造性劳动的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。如图1所示，本实施例提供一种VTE智能防治管理系统，其包括预处理模块1、分词模块2、计算模块3、判断模块4、降维模块5、训练模块6、测试模块7、分档模块8、预测模块9、提醒模块10和优化模块11。所述预处理模块1用于对每一患者的历史文本数据进行预处理，所述历史文本数据包括患者基础数据(年龄、性别、BMI等)、检查检验结果数据(肾小球滤过率、INR、血小板计数等)、护理及医生病程记录单、体征及各类仪器记录数据和医嘱数据。预处理包含两步：数据清洗和数据类型转化。第一步：获取到的历史文本数据基本上会有数据缺失、数据噪声、数据冗余、离群点/异常值、数据重复等问题。针对这些数据采用不同的方式进行处理，例如数据缺失，对于缺失不同的数据会选择手动补填、自动填充以及剔除该条数据等方式，如当性别缺失时可能采用众数进行填充，当有些临床数据缺失会通过讨论进行人工手动补填，当认为重要特征因素缺本文档来自技高网...

【技术保护点】
1.一种VTE智能防治管理系统，其特征在于，其包括预处理模块、分词模块、计算模块、判断模块、降维模块、训练模块、测试模块和分档模块；/n所述预处理模块用于对每一患者的历史文本数据进行预处理；/n所述分词模块用于对预处理后的历史文本数据进行分词处理，从分出的分词症状中筛选出不同的与VTE相关的分词症状作为关联影响因子，所述历史文本数据包括患者基础数据、检查检验结果数据、护理及医生病程记录单、体征及各类仪器记录数据和医嘱数据；/n所述计算模块用于计算所有历史文本数据中当出现任一关联影响因子时对应患有VTE的支持度以及所有患有该关联影响因子的历史文本数据中对应患有VTE的置信度；/n所述判断模块用于判断支持度是否大于对应的支持度设定值以及置信度是否大于对应的置信度设定值，在均为是时将该关联影响因子作为关键影响因子，在为否时将该关联影响因子不作为关键影响因子；/n所述降维模块用于对该些关键影响因子进行降维处理，以获得相互之间没有共线关系的关键影响因子作为最优影响因子；/n所述训练模块用于将预处理后的历史文本数据中部分历史文本数据的最优影响因子和患者是否患有VTE作为训练样本代入随机森林模型进行模型训练，以获得训练好的风险评估模型；/n所述测试模块用于将剩余历史文本数据中的最优影响因子作为测试样本代入训练好的风险评估模型中测试，以获得测试患者患有VTE的概率值；/n所述分档模块用于将每一概率值转换成秩次，将秩次分布映射到正态分布曲线上，运用正态分布的3σ原则进行分档，以获得每个测试患者对应的风险档次标签。/n...

【技术特征摘要】
1.一种VTE智能防治管理系统，其特征在于，其包括预处理模块、分词模块、计算模块、判断模块、降维模块、训练模块、测试模块和分档模块；
所述预处理模块用于对每一患者的历史文本数据进行预处理；
所述分词模块用于对预处理后的历史文本数据进行分词处理，从分出的分词症状中筛选出不同的与VTE相关的分词症状作为关联影响因子，所述历史文本数据包括患者基础数据、检查检验结果数据、护理及医生病程记录单、体征及各类仪器记录数据和医嘱数据；
所述计算模块用于计算所有历史文本数据中当出现任一关联影响因子时对应患有VTE的支持度以及所有患有该关联影响因子的历史文本数据中对应患有VTE的置信度；
所述判断模块用于判断支持度是否大于对应的支持度设定值以及置信度是否大于对应的置信度设定值，在均为是时将该关联影响因子作为关键影响因子，在为否时将该关联影响因子不作为关键影响因子；
所述降维模块用于对该些关键影响因子进行降维处理，以获得相互之间没有共线关系的关键影响因子作为最优影响因子；
所述训练模块用于将预处理后的历史文本数据中部分历史文本数据的最优影响因子和患者是否患有VTE作为训练样本代入随机森林模型进行模型训练，以获得训练好的风险评估模型；
所述测试模块用于将剩余历史文本数据中的最优影响因子作为测试样本代入训练好的风险评估模型中测试，以获得测试患者患有VTE的概率值；
所述分档模块用于将每一概率值转换成秩次，将秩次分布映射到正态分布曲线上，运用正态分布的3σ原则进行分档，以获得每个测试患者对应的风险档次标签。


2.如权利要求1所述的VTE智能防治管理系统，其特征在于，所述分档模块用于将每一概率值转换成秩次，基于各个秩次计算对应各个累计频率，将各个累计频率换算成对应的概率单位，将各个概率单位分别代入直线回归方程中推算出对应的估计值，将各个估计值分布映射到正态分布曲线上，运...

【专利技术属性】
技术研发人员：黄立权，何慧敏，蒋旭宏，黄嬖，黄智勇，江荣林，江立斌，王涛，赵大平，黄克华，项链，段晨曦，
申请(专利权)人：卫宁健康科技集团股份有限公司，浙江省中医院，
类型：发明
国别省市：上海;31