基于机器学习的骨关联疾病治疗方案预测系统和方法技术方案

本发明专利技术涉及骨关联疾病智能预测领域，提出了一种基于机器学习的骨关联疾病治疗方案预测系统和方法，系统包括：数据采集模块、特征工程模型和机器学习模型；方法包括：首先，采集患者多个维度的量表数据特征，并输入到特征工程模型中，其次，在特征工程模型中设定特征筛选条件，然后，特征工程模型根据特征筛选条件对输入的量表数据特征进行筛选，剔除不相关或冗余的特征，并将筛选结果特征作为量表的综合评估，最后，将所述量表的综合评估作为反馈激励输入到训练好的机器学习模型中，自动生成康复诊断的处方方案。本发明专利技术能够对输入样本特征进行有效筛选，从而缩短机器学习模型的整体训练时间。时间。时间。

【技术实现步骤摘要】
基于机器学习的骨关联疾病治疗方案预测系统和方法


[0001]本专利技术涉及骨关联疾病智能预测领域，特别涉及一种基于机器学习的骨关联疾病治疗方案预测系统和方法。

技术介绍

[0002]关节炎（arthritis）泛指发生在人体关节及其周围组织，由炎症、感染、退化、创伤或其他因素引起的炎性疾病，可分为数十种。我国的关节炎患者有1亿以上，且人数在不断增加。临床表现为关节的红、肿、热、痛、功能障碍及关节畸形，严重者导致关节残疾、影响患者生活质量。据统计我国50岁以上人群中半数患骨关节炎，65岁以上人群中90%女性和80%男性患骨关节炎。我国的患病率为0.34%～0.36%，严重者寿命约缩短10～15年。
[0003]目前基于机器学习模型的智能诊疗方法，通常为输入一定数量的病人特征，通过算法处理，输出具体诊疗方案。但现有的技术一般是利用医生的经验，总结出数个评估量表，形成上百个病人特征，这里面的特征有的其实并不相关，或者较为冗余，容易对输出的诊疗方案造成偏差和误判。
[0004]进一步，参见申请号为202110363284.0的专利申请，其公布了一种基于神经网络的机器学习的关节炎康复诊疗方法及系统，其中的机器学习模型，需要输入上百个特征，而这些特征里有很多是重复或无意义或模糊的，对于机器学习的训练效果较差，会明显降低训练效果，拖累训练效率。
[0005]因此，如何通过特征工程来优化机器学习的智能诊疗方案，是现阶段需要解决的问题。

技术实现思路

[0006]本专利技术的目的是提供一种基于机器学习的骨关联疾病治疗方案预测系统和方法，能够利用特征工程筛选出真正相关的特征简化模型，减少模型的训练时间和运行时间，并提高机器学习模型的预测性能。
[0007]本专利技术解决其技术问题，采用的技术方案是：一方面，本专利技术提供了一种基于机器学习的骨关联疾病治疗方案预测系统，包括：数据采集模块，用于采集患者多个维度的量表数据特征，并输入到特征工程模型中；特征工程模型，其中设定有特征筛选条件，用于根据特征筛选条件对输入的量表数据特征进行筛选，剔除不相关或冗余的特征，并将筛选结果作为对量表的综合评估输入至机器学习模型；机器学习模型，用于根据所述对量表的综合评估自动生成康复诊断的处方方案。
[0008]进一步的是，所述特征工程模型包括四个子模型，所述四个子模型包括基于支持向量机模型的递归特征消除法模型、基于卡方检验的过滤式特征筛选模型、基于随机森林RF的树模型和基于GBDT的树模型。
[0009]进一步的是，设定的特征筛选条件是指：将输入到特征工程模型中的量表数据特征，在所述四个子模型中出现三次以上的结果特征作为对量表的综合评估。
[0010]进一步的是，所述机器学习模型中自动生成康复诊断的处方方案具体包括：将采集的量表数据特征设置为机器学习中的环境要素，将生成的康复诊断处方方案设置为机器学习中的动作要素，将输入的对量表的综合评估设置为机器学习中的反馈激励要素，根据三个要素不断的进行量表输入
‑
生成康复诊断处方
‑
量表综合评估的过程来优化反馈激励，最后得到最佳的康复诊断处方方案。
[0011]进一步的是，所述机器学习模型包括膝骨关节炎机器学习模型、创伤性关节炎机器学习模型和类风湿关节炎机器学习模型；所述膝骨关节炎机器学习模型用于生成膝骨关节炎的康复诊断处方方案；所述创伤性关节炎机器学习模型用于生成创伤性关节炎的康复诊断处方方案；所述类风湿关节炎机器学习模型用于生成类风湿关节炎的康复诊断处方方案。
[0012]另一方面，本专利技术还提供了一种基于机器学习的骨关联疾病治疗方案预测方法，应用于所述的基于机器学习的骨关联疾病治疗方案预测系统，包括如下步骤：采集患者多个维度的量表数据特征，并输入到特征工程模型中；在特征工程模型中设定特征筛选条件；特征工程模型根据特征筛选条件对输入的量表数据特征进行筛选，剔除不相关或冗余的特征，并将筛选结果特征作为量表的综合评估；将所述量表的综合评估作为反馈激励输入到训练好的机器学习模型中，自动生成康复诊断的处方方案。
[0013]进一步的是，在训练好所述机器学习模型后，通过如下进行验证：收集输入机器学习模型的样本，并设定评价指标；在智能诊疗预测中，将治疗方案的预测建模为72个二分类任务，利用LightGBM模型进行训练；在相关疾病预测中，将治疗方案的预测建模为11个二分类任务，利用LightGBM模型进行训练。
[0014]进一步的是，设定的评价指标包括：精准率召回率真正例率假正例率其中，TP：True positive，被模型预测为正类的正样本，TN：True negative，被模型预测为负类的负样本，FP：False positive，被模型预测为正类的负样本，FN：False negative，被模型预测为负类的正样本。
[0015]本专利技术的有益效果是：通过上述基于机器学习的骨关联疾病治疗方案预测系统和方法，首先，采集患者多个维度的量表数据特征，并输入到特征工程模型中，其次，在特征工
程模型中设定特征筛选条件，然后，特征工程模型根据特征筛选条件对输入的量表数据特征进行筛选，剔除不相关或冗余的特征，并将筛选结果特征作为量表的综合评估，最后，将所述量表的综合评估作为反馈激励输入到训练好的机器学习模型中，自动生成康复诊断的处方方案，因此，本专利技术能够对输入样本特征进行有效筛选，能够通过特征工程模型剔除不相关或冗余的特征减少特征个数，选取出真正相关的特征简化模型，协助理解数据产生提高模型精确度，减少运行时间，从而缩短机器学习模型的整体训练时间，保证机器学习模型的预测性能。
附图说明
[0016]图1为本专利技术实施例2中基于机器学习的骨关联疾病治疗方案预测方法的流程图。
具体实施方式
[0017]下面结合附图及实施例，详细描述本专利技术的技术方案。
[0018]实施例1本实施例提供的是一种基于机器学习的骨关联疾病治疗方案预测系统，包括：数据采集模块，用于采集患者多个维度的量表数据特征，并输入到特征工程模型中；特征工程模型，其中设定有特征筛选条件，用于根据特征筛选条件对输入的量表数据特征进行筛选，剔除不相关或冗余的特征，并将筛选结果作为对量表的综合评估输入至机器学习模型；机器学习模型，用于根据所述对量表的综合评估自动生成康复诊断的处方方案。
[0019]本实施例中，可以通过特征工程模型剔除不相关或冗余的特征减少特征个数，选取出真正相关的特征简化模型，协助理解数据产生提高模型精确度，减少运行时间。
[0020]具体而言，特征工程模型可以包括四个子模型，所述四个子模型包括基于支持向量机模型的递归特征消除法模型、基于卡方检验的过滤式特征筛选模型、基于随机森林RF的树模型和基于GBDT的树模型。
[0021]四种模型各有优劣，为了保证特征工程的结果具有较高的稳定性，将输入到特征工程模型中的量表数据特征，在所述四个子模型中出现三次以上的结果特征作为对量表的综合评估。
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的骨关联疾病治疗方案预测系统，其特征在于，包括：数据采集模块，用于采集患者多个维度的量表数据特征，并输入到特征工程模型中；特征工程模型，其中设定有特征筛选条件，用于根据特征筛选条件对输入的量表数据特征进行筛选，剔除不相关或冗余的特征，并将筛选结果作为对量表的综合评估输入至机器学习模型；机器学习模型，用于根据所述对量表的综合评估自动生成康复诊断的处方方案。2.根据权利要求1所述的基于机器学习的骨关联疾病治疗方案预测系统，其特征在于，所述特征工程模型包括四个子模型，所述四个子模型包括基于支持向量机模型的递归特征消除法模型、基于卡方检验的过滤式特征筛选模型、基于随机森林RF的树模型和基于GBDT的树模型。3.根据权利要求2所述的基于机器学习的骨关联疾病治疗方案预测系统，其特征在于，设定的特征筛选条件是指：将输入到特征工程模型中的量表数据特征，在所述四个子模型中出现三次以上的结果特征作为对量表的综合评估。4.根据权利要求1所述的基于机器学习的骨关联疾病治疗方案预测系统，其特征在于，所述机器学习模型中自动生成康复诊断的处方方案具体包括：将采集的量表数据特征设置为机器学习中的环境要素，将生成的康复诊断处方方案设置为机器学习中的动作要素，将输入的对量表的综合评估设置为机器学习中的反馈激励要素，根据三个要素不断的进行量表输入
‑
生成康复诊断处方
‑
量表综合评估的过程来优化反馈激励，最后得到最佳的康复诊断处方方案。5.根据权利要求1所述的基于机器学习的骨关联疾病治疗方案预测系统，其特征在于，所述机器学习模型包括膝骨关节炎机器学习模型、创伤性关节炎机器学习模型和类风湿关节炎...

【专利技术属性】
技术研发人员：刘思佳，
申请(专利权)人：四川京炜数字科技有限公司，
类型：发明
国别省市：