一种基于机器学习技术的设备异常识别方法技术

本发明专利技术公开了一种基于机器学习技术的设备异常识别方法,属于医学检验领域。其总体架构为：数据获取模块、数据处理模块、模型构建模块、异常识别模块，本发明专利技术的有益效果是：相较之前提出的AON质控法，不论从准确度还是假阳率方面都优于其很多，可以设计应用于设备实时的异常监控，且发生问题时可以起到快速准确的反馈，可以有效缩短检验人员在发生异常时寻找原因消耗的大量时间。本发明专利技术可以用于临床推广应用，保障患者安全，惠及临床医护及病患。惠及临床医护及病患。

【技术实现步骤摘要】
一种基于机器学习技术的设备异常识别方法


[0001]本专利技术创造涉及检验医学领域，具体涉及一种基于机器学习技术的设备异常识别方法。

技术介绍

[0002]检验科的误差多发生在检验前、检验中阶段。检验前误差多为不当的样本采集、运输或处理有关的错误。检验中误差多与仪器设备相关。目前在检验中的阶段实验室通常使用内部质量控制程序来监测、保障和管理检验全过程的检测质量。然而，许多临床研究指出，当前的传统室内质量控制程序在检测分析仪器检测误差方面存在缺陷。1965年，HOFFMAN和WAID提出了“平均值”（Average of normal, AON）质量控制方法。AON质控法，即选定连续的患者数据的平均值作为控制限值，通常使用95％置信区间来确定稳定的患者平均值，若超出控制限值，系统就会发出错误信号。但此方法目前还是存在明显缺陷,如在生化临床项目中葡萄糖、总蛋白临界值识别方面效果较差，总体识别准确度不高，且容易受离群值影响，进而影响其判断效果。本专利技术提出一种基于机器学习技术的设备异常识别方法，可以有效的弥补AON质控法中识别准确度不高容易受离群值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习技术的设备异常识别方法，其特征是，包括数据获取模块、数据处理模块、模型构建模块、异常识别模块，各个模块分别代表的内容如下，数据获取模块获取医学检验项目中的质控在控数据且数据标本类型为血清或血浆，数据处理模块利用获取的数据对数据进行进一步的清洗转换和加载，模型构建模块则利用处理后的数据进行随机森林分类模型的构建，异常识别模块使用构建好的模型进行异常数据的识别，本发明创造可以超越传统的AON质控法，在设备异常识别方面可以在临床推广应用。2.根据权利要求1所述的一种基于机器学习技术的设备异常识别方法,其特征在于，所述数据获取模块为医学检验项目中的质控在控数据且数据标本类型为血清或血浆。3.根据权利要求1...

【专利技术属性】
技术研发人员：陈超，宋彪，韩泽文，冯祥，王哲，
申请(专利权)人：内蒙古卫数数据科技有限公司，
类型：发明
国别省市：