基于K均值聚类实现高危手术预测的方法、装置、处理器及其存储介质制造方法及图纸

本发明专利技术涉及一种基于K均值聚类实现高危手术预测的方法，包括采集手术患者历史病例，将数据进行预处理及标准化；对数据提取特征，进行特征筛选；分析并存储K均值聚类；改进K均值聚类；根据聚类中心评估手术风险，预测高危手术。本发明专利技术还涉及一种基于K均值聚类实现高危手术预测的装置、处理器及其计算机可读存储介质。采用了本发明专利技术的基于K均值聚类实现高危手术预测的方法、装置、处理器及其计算机可读存储介质，能够有效预测高危手术，提升经验化医院管理的流程效率。此外，将高危患者的信息在术前提供给主刀医生，可以使医生充分结合计算机的客观评价和自己的主观判断，得到一个综合性的手术患者术中风险评估。性的手术患者术中风险评估。性的手术患者术中风险评估。

【技术实现步骤摘要】
基于K均值聚类实现高危手术预测的方法、装置、处理器及其存储介质


[0001]本专利技术涉及临床实践领域，尤其涉及手术风险评估领域，具体是指一种基于K均值聚类实现高危手术预测的方法、装置、处理器及其计算机可读存储介质。

技术介绍

[0002]手术风险评估在临床实践中具有重要意义，一般是根据手术患者病史、体格检查、影像学与实验室检查检验结果、临床诊断等进行人工综合判断。在医院管理领域，对手术难度/风险指标也有定义。例如RBRVS指标是1992年美国的医疗保险(Medicare)用于支付医师劳务费的支付体系。其特点是对每个由医生完成的项目，都依据技术含量、医生需要付出的直接劳动时间(工作强度)、技术风险三个因素给出一个相对分值(点数)。RBRVS较精确地评价了每一项手术操作的直接劳动时间、技术含量和风险，并给出了一个静态的分值，与每个地区、国家的医疗服务项目价格本身没有关系。这使得按照RBRVS点数计算工作量或服务量的医院之间具备横向比较的可能性。但是由于这个分值没有考虑到产生RBRVS总点数的资源付出，包括医生人数、床位数等因素，所以直接评比医院之间、同一家医院不同年度的手术项目绩效水平是有失偏颇的。它既不能用于客观地定量评价A医院和B医院的手术技术水平差异，也不能用于客观地评价同一个科室在近两、三个年度内的手术水平是否有提升，是否为患者提供了更有技术难度的服务项目。目前国内仅把它用于医生绩效静态评价，依据科室取得的RBRVS点数给医生发放绩效工资。
[0003]然而，RBRVS及其衍生的一些基于支付的指标尚未充分考量患者术前发生的事件和术中风险之间的因果关系。例如RBRVS会提供诊疗项目的保险责任点数(Professional LiabilityInsurance，PLI)表示诊疗项目导致高危情况的风险；DRGs会提供诊断组的风险等级，并计算出死亡率。而另一种类型的指标CD型率是依据病人的年龄、基本生命体征、疾病诊断和处置等因素，按轻、重、缓、急分成A、B、C、D四种类型。作为评价疾病严重程度的方法之一，CD型率是一种介于定性评价和定量分析之间的疾病严重程度综合评价和分析方法，由于较强地依赖定性评价的结果，也无法通过完全自动化的量化分析得出相对独立客观的分析结果。
[0004]此外，还有一些基于大数据的疾病预测系统，采用支持向量机，也可以对一些严重病症进行预测。由于本专利技术解决的问题是预测术中风险。从本专利技术的采样数据来看，术中风险的发生率约等于0.3％。采用有监督学习算法，比如：支持向量机，极难通过数据采样验证其预测的准确性。

技术实现思路

[0005]本专利技术的目的是克服了上述现有技术的缺点，提供了一种满足准确性、风险低、适用范围较为广泛的基于K均值聚类实现高危手术预测的方法、装置、处理器及其计算机可读存储介质。
[0006]为了实现上述目的，本专利技术的基于K均值聚类实现高危手术预测的方法、装置、处理器及其计算机可读存储介质如下：
[0007]该基于K均值聚类实现高危手术预测的方法，其主要特点是，所述的方法包括以下步骤：
[0008](1)采集手术患者历史病例，将数据进行预处理及标准化；
[0009](2)对数据提取特征，进行特征筛选；
[0010](3)分析并存储K均值聚类；
[0011](4)改进K均值聚类；
[0012](5)根据聚类中心评估手术风险，预测高危手术。
[0013]较佳地，所述的步骤(2)中筛选的特征包括术前检验覆盖率、患者年龄、有无手术史、是否抢救、BMI值、术前检验阳性率、术前检查覆盖率、术前检验危机值、麻醉评级指数、患者年龄指数、手术RVU指数和医生RVU指数。
[0014]较佳地，所述的步骤(3)具体包括以下步骤：
[0015](3.1)根据样本间相似度，将训练样本分到K个聚类分组；
[0016](3.2)对每个聚类分组计算并发症发生率，对每个聚类分组计算聚类中心，存储得到的聚类中心、聚类分组的并发症发生率及各项特征的均值和标准差，其中将聚类结果中的A类患者作为高风险患者。
[0017]较佳地，所述的步骤(4)通过K
‑
Means++、K
‑
Means、Canopy算法、Mini
‑
Batch K
‑
Means算法、ISODATA算法和Kernel K
‑
Means算法。
[0018]较佳地，所述的步骤(5)具体包括以下步骤：
[0019](5.1)查询患者流水号，采集样本的数据，并进行标准化；
[0020](5.2)比较数据点和聚类中心的距离，并将其划分到距离最小的一个聚类中心所在的分组；
[0021](5.3)若划分结果为并发症发生率排名第一的组，则进行预警，提示医生对该样本重点关注；否则，继续评估。
[0022]该基于K均值聚类实现高危手术预测的装置，其主要特点是，所述的装置包括：
[0023]处理器，被配置成执行计算机可执行指令；
[0024]存储器，存储一个或多个计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述的基于K均值聚类实现高危手术预测的方法的步骤。
[0025]该基于K均值聚类实现高危手术预测的处理器，其主要特点是，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述的基于K均值聚类实现高危手术预测的方法的步骤。
[0026]该计算机可读存储介质，其主要特点是，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现上述的基于K均值聚类实现高危手术预测的方法的各个步骤。
[0027]采用了本专利技术的基于K均值聚类实现高危手术预测的方法、装置、处理器及其计算机可读存储介质，能够有效预测高危手术，提升经验化医院管理的流程效率。此外，将高危患者的信息在术前提供给主刀医生，可以使医生充分结合计算机的客观评价和自己的主观判断，得到一个综合性的手术患者术中风险评估。
附图说明
[0028]图1为本专利技术的基于K均值聚类实现高危手术预测的方法的模型生成流程图。
[0029]图2为本专利技术的基于K均值聚类实现高危手术预测的方法的模型使用流程图。
[0030]图3a为本专利技术的基于K均值聚类实现高危手术预测的方法的K取3时的聚类结果中每个类别的患者手术风险指数的概率分布曲线。
[0031]图3b为本专利技术的基于K均值聚类实现高危手术预测的方法的K取4时的聚类结果中每个类别的患者手术风险指数的概率分布曲线。
[0032]图3c为本专利技术的基于K均值聚类实现高危手术预测的方法的K取5时的聚类结果中每个类别的患者手术风险指数的概率分布曲线。
[0033]图3d为本专利技术的基于K均值聚类实现高危手术预测的方法的K取6时的聚类结果中每个类别的患者手术风险指数的概率分布曲线。
具体实施方式
[0034]为了能够更清楚地描述本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于K均值聚类实现高危手术预测的方法，其特征在于，所述的方法包括以下步骤：(1)采集手术患者历史病例，将数据进行预处理及标准化；(2)对数据提取特征，进行特征筛选；(3)分析并存储K均值聚类；(4)改进K均值聚类；(5)根据聚类中心评估手术风险，预测高危手术。2.根据权利要求1所述的基于K均值聚类实现高危手术预测的方法，其特征在于，所述的步骤(2)中筛选的特征包括术前检验覆盖率、患者年龄、有无手术史、是否抢救、BMI值、术前检验阳性率、术前检查覆盖率、术前检验危机值、麻醉评级指数、患者年龄指数、手术RVU指数和医生RVU指数。3.根据权利要求1所述的基于K均值聚类实现高危手术预测的方法，其特征在于，所述的步骤(3)具体包括以下步骤：(3.1)根据样本间相似度，将训练样本分到K个聚类分组；(3.2)对每个聚类分组计算并发症发生率，对每个聚类分组计算聚类中心，存储得到的聚类中心、聚类分组的并发症发生率及各项特征的均值和标准差，其中将聚类结果中的A类患者作为高风险患者。4.根据权利要求1所述的基于K均值聚类实现高危手术预测的方法，其特征在于，所述的步骤(4)通过K
‑
Means++、K
‑
Means、Canopy算法、Mini
‑
Batch K
...

【专利技术属性】
技术研发人员：肖可君，王志刚，邓铭涛，
申请(专利权)人：上海蓬海涞讯数据技术有限公司，
类型：发明
国别省市：