一种介入式心室导管泵的医学信息处理系统技术方案

本发明专利技术实施例提供了一种介入式心室导管泵的医学信息处理系统，涉及医疗器械技术领域，上述系统包括：知识图谱构建装置、不良事件检测装置以及治疗方案辅助制定装置，知识图谱构建装置，用于构建并存储用于表征已知医学概念之间关系的知识图谱；不良事件检测装置，用于将介入式心室导管泵运行过程中预设参数项的参数数据输入事件检测模型，得到事件检测模型输出的不良事件；治疗方案辅助制定装置，用于将不良事件检测装置的检测结果和/或患者的属性信息输入贝叶斯网络模型，得到贝叶斯网络模型输出的干预决策。应用本实施例提供的系统，能够全面对医学数据进行分析以及处理。能够全面对医学数据进行分析以及处理。能够全面对医学数据进行分析以及处理。

【技术实现步骤摘要】
一种介入式心室导管泵的医学信息处理系统


[0001]本专利技术涉及医疗器械
，特别是涉及一种介入式心室导管泵的医学信息处理系统。

技术介绍

[0002]介入式心室导管泵可以辅助心衰患者的心室泵血，介入式心室导管泵植入患者体内全过程中产生大量数据，如导管泵的运行监测数据、患者的生理参数数据等。上述医学数据中隐藏大量的深层次知识信息，因此，亟需一种医学信息处理系统，以对介入式心室导管泵相关联的医学数据进行全面深入分析。

技术实现思路

[0003]本专利技术实施例的目的在于提供一种介入式心室导管泵的医学信息处理系统，以全面深入分析介入式心室导管泵相关联的医学数据。具体技术方案如下：第一方面，本专利技术实施例提供了一种介入式心室导管泵的医学信息处理系统，所述系统包括：知识图谱构建装置、不良事件检测装置以及治疗方案辅助制定装置，其中：所述知识图谱构建装置，用于基于介入式心室导管泵相关联的已知医学概念，构建并存储用于表征已知医学概念之间关系的知识图谱；所述不良事件检测装置，用于基于所述知识图谱，训练得到用于预测所述介入式心室导管泵所发生不良事件的事件检测模型；将所述介入式心室导管泵运行过程中预设参数项的参数数据输入所述事件检测模型，得到所述事件检测模型输出的不良事件；所述治疗方案辅助制定装置，用于基于所述知识图谱，训练得到用于预测干预决策的贝叶斯网络模型；将所述不良事件检测装置的检测结果和/或患者的属性信息输入所述贝叶斯网络模型，得到所述贝叶斯网络模型输出的干预决策。
[0004]本专利技术的一个实施例中，上述不良事件检测装置，包括第一模型训练模块、不良事件检测模块，其中，所述第一模型训练模块，用于将所述知识图谱中各节点所表征的已知医学概念以及各节点之间的关系作为训练数据，采用遗传算法，对初始BP神经网络模型进行训练，得到用于对不良事件进行检测的不良事件检测模型；所述不良事件检测模块，用于获取所述介入式心室导管泵运行过程中的预设参数项的参数数据，将所述参数数据输入所述不良事件检测模型，得到所述不良事件检测模型输出的检测结果。
[0005]本专利技术的一个实施例中，上述第一模型训练模块包括：组合生成单元、模型训练单元、模型构建单元，其中：所述组合生成单元，具体用于确定所述初始BP神经网络模型中每一网络参数的备选取值，生成包含每一网络参数的一个备选取值的备选组合；所述模型训练单元，具体用于针对每一备选组合，将该备选组合中每一备选取值
作为所述初始BP神经网络的网络参数项的取值，将所述知识图谱中各节点所表征的已知医学概念以及各节点之间的关系作为训练数据，对初始BP神经网络模型进行训练；所述模型构建单元，具体用于基于初始BP神经网络的输出层所输出的预测数据与实际数据，计算每一备选组合的置信度；基于所计算的置信度，从所述备选组合中选择预设数量个目标组合，对目标组合进行交叉、变异操作，确定最终组合，作为所述初始BP神经网络的网络参数项的最终取值，将网络参数项的取值更新为所述最终取值的初始BP神经网络模型作为不良事件检测模型。
[0006]本专利技术的一个实施例中，上述模型构建单元，具体用于按照以下表达式计算每一备选组合的置信度：；其中，表示每一备选组合的置信度，K表示所述初始BP神经网络模型的输入数据的数量，i表示所述输入数据的标识，表示预测数据，表示实际数据，n表示预设常数。
[0007]本专利技术的一个实施例中，上述治疗方案辅助制定装置，包括第二模型训练模块、治疗方案辅助制定模块，其中：所述第二模型训练模块，用于基于所述知识图谱中各节点所表征的已知医学概念以及各节点之间的关系，训练得到用于预测干预决策的贝叶斯网络模型；所述治疗方案辅助制定模块，用于基于将所述不良事件检测装置的检测结果和/或患者的属性信息输入所述贝叶斯网络模型，得到所述贝叶斯网络模型输出的治疗方案。
[0008]本专利技术的一个实施例中，上述第二模型训练模块，包括网络结构确定单元、参数确定单元以及模型训练单元，其中：所述网络结构确定单元，用于基于所述知识图谱中各节点所表征的已知医学概念以及各节点之间的关系，生成初始网络结构；所述参数确定单元，用于采用最大似然估计法，确定所述初始网络结构中每一节点的网络参数的目标值；所述模型训练单元，用于将节点的网络参数的取值确定为目标值的初始网络结构确定为训练结束的贝叶斯网络模型。
[0009]本专利技术的一个实施例中，上述网络结构确定单元，具体用于基于所述知识图谱中每一节点所连接的节点数量，从所述知识图谱中确定多组候选网络结构；针对每一组候选网络结构，基于该候选网络结构中包含的节点数量以及每一节点的取值，计算该候选网络结构的置信度；基于每组候选网络结构的置信度，从多个候选网络结构中选择目标网络结构，作为贝叶斯网络模型的初始网络结构。
[0010]本专利技术的一个实施例中，上述网络结构确定单元，具体用于按照以下表达式计算候选网络结构的置信度：
；其中，表示候选网络结构的置信度，表示预设常数，r表示候选网络结构中节点的数量，q表示候选网络结构中节点的标识，表示候选网络结构中节点的取值。
[0011]本专利技术的一个实施例中，上述治疗方案辅助制定装置还包括方案评价模块，其中：所述方案评价模块，用于在所述治疗方案辅助制定模块输出治疗方案后，基于治疗方案的历史采用量以及表征历史采用治疗方案治疗患者的治疗效果的有用程度的量化值，计算所述治疗方案的效用值；基于所计算的效用值，从所述治疗方案中选择目标方案，作为用于辅助医生对患者进行治疗的方案。
[0012]第二方面，本专利技术实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现上述第一方面所述系统的功能。
[0013]第三方面，本专利技术实施例提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述系统的功能。
[0014]由以上可见，在本专利技术实施例提供的医学信息处理系统中包括知识图谱构建装置、不良事件检测装置以及治疗方案辅助制定装置。其中，知识图谱构建装置用于提取已知医学概念的深层次信息；不良事件检测装置结合神经网络模型，用于对介入式心室导管泵运行时所产生的数据进行深层次挖掘，检测得到不良事件；治疗方案辅助制定装置则是综合患者属性信息以及不良事件，辅助医生为患者制定治疗方案。可以看到，医学信息处理系统对各类医学数据以及医疗数据进行全面、多角度分析，挖掘数据的深层次信息，并且利用挖掘得到的深层次信息进行不良事件检测以及辅助医生为患者制定治疗方案，实现对医学数据进行全面充分分析、挖掘、处理。
[0015]当然，实施本专利技术的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
[0016]为了更清楚地说明本申请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，下面描述中的附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种介入式心室导管泵的医学信息处理系统，其特征在于，所述系统包括：知识图谱构建装置、不良事件检测装置以及治疗方案辅助制定装置，其中：所述知识图谱构建装置，用于基于介入式心室导管泵相关联的已知医学概念，构建并存储用于表征已知医学概念之间关系的知识图谱；所述不良事件检测装置，用于基于所述知识图谱，训练得到用于预测所述介入式心室导管泵所发生不良事件的事件检测模型；将所述介入式心室导管泵运行过程中预设参数项的参数数据输入所述事件检测模型，得到所述事件检测模型输出的不良事件；所述治疗方案辅助制定装置，用于基于所述知识图谱，训练得到用于预测干预决策的贝叶斯网络模型；将所述不良事件检测装置的检测结果和/或患者的属性信息输入所述贝叶斯网络模型，得到所述贝叶斯网络模型输出的干预决策。2.根据权利要求1所述的系统，其特征在于，所述不良事件检测装置，包括第一模型训练模块、不良事件检测模块，其中：所述第一模型训练模块，用于将所述知识图谱中各节点所表征的已知医学概念以及各节点之间的关系作为训练数据，采用遗传算法，对初始BP神经网络模型进行训练，得到用于对不良事件进行检测的不良事件检测模型；所述不良事件检测模块，用于获取所述介入式心室导管泵运行过程中的预设参数项的参数数据，将所述参数数据输入所述不良事件检测模型，得到所述不良事件检测模型输出的检测结果。3.根据权利要求2所述的系统，其特征在于，所述第一模型训练模块包括：组合生成单元、模型训练单元、模型构建单元，其中：所述组合生成单元，具体用于确定所述初始BP神经网络模型中每一网络参数的备选取值，生成包含每一网络参数的一个备选取值的备选组合；所述模型训练单元，具体用于针对每一备选组合，将该备选组合中每一备选取值作为所述初始BP神经网络的网络参数项的取值，将所述知识图谱中各节点所表征的已知医学概念以及各节点之间的关系作为训练数据，对初始BP神经网络模型进行训练；所述模型构建单元，具体用于基于初始BP神经网络的输出层所输出的预测数据与实际数据，计算每一备选组合的置信度；基于所计算的置信度，从所述备选组合中选择预设数量个目标组合，对目标组合进行交叉、变异操作，确定最终组合，作为所述初始BP神经网络的网络参数项的最终取值，将网络参数项的取值更新为所述最终取值的初始BP神经网络模型作为不良事件检测模型。4.根据权利要求3所述的系统，其特征在于，所述模型构建单元，具体用于按照以下表达式计算每一备选组合的置信度：；其中，表示每一备选组合的置信度，K表示所述初始BP神经网络模型的输入数据的数量，i表示所述输入数据的标识，表示预测数据，表示实际数...

【专利技术属性】
技术研发人员：殷安云，戴明，程洁，王新宇，解启莲，杨浩，李修宝，余洪龙，
申请(专利权)人：安徽通灵仿生科技有限公司，
类型：发明
国别省市：