基于机器学习的医疗数据应用方法、装置及存储介质制造方法及图纸

本申请公开了一种基于机器学习的医疗数据应用方法、装置及存储介质，包括：获取初始医疗数据集，初始医疗数据集包括OAK临床研究数据和血检参数；根据血检参数构建并训练生成初始风险评估模型；根据OAK临床研究数据对初始风险评估模型进行训练，得到第一中间风险评估模型；利用预设的验证模型对第一中间风险评估模型的参数变量进行优化，得到目标风险评估模型；获取待分析血检参数，将待分析血检参数输入至目标风险评估模型，得到风险评估结果。利用初始医疗数据集构建并训练生成初始风险评估模型，通过对初始风险评估模型进行二次训练和优化，得到目标风险评估模型，能够有效提高医疗数据处理结果的生成效率。医疗数据处理结果的生成效率。医疗数据处理结果的生成效率。

【技术实现步骤摘要】
基于机器学习的医疗数据应用方法、装置及存储介质


[0001]本申请涉及但不限于机器学习领域，尤其涉及一种基于机器学习的医疗数据应用方法、装置及存储介质。

技术介绍

[0002]医疗数据与互联网技术相结合，能够促进现代医疗服务的质量提升，其中，医疗数据通常用于健康管理、医疗资源管理和预测医疗方案的可能性等辅助诊疗的操作，例如，通过医疗数据评估晚期非小细胞肺癌患者接受免疫治疗后的快速进展情况。相关技术中，通常对医疗数据进行汇总分析，得到用于辅助诊疗的医疗数据处理结果，但由于医疗数据存在种类繁多、数据量庞大和质量参差不齐等问题，需要人工筛选部分医疗数据，凭经验对医疗数据进行分析。但是，此种方式需要耗费大量的人力成本，影响医疗数据处理结果的生成效率。

技术实现思路

[0003]本申请实施例提供了一种基于机器学习的医疗数据应用方法、装置及存储介质，能够有效提高医疗数据处理结果的生成效率。
[0004]第一方面，本申请实施例提供了一种基于机器学习的医疗数据应用方法，包括：
[0005]获取初始医疗数据集，所述初始医疗数据集包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的医疗数据应用方法，其特征在于，包括：获取初始医疗数据集，所述初始医疗数据集包括OAK临床研究数据和血检参数；根据所述血检参数构建并训练生成初始风险评估模型；根据所述OAK临床研究数据对所述初始风险评估模型进行训练，得到第一中间风险评估模型；利用预设的验证模型对所述第一中间风险评估模型的参数变量进行优化，得到目标风险评估模型；获取待分析血检参数，将所述待分析血检参数输入至所述目标风险评估模型，得到风险评估结果。2.根据权利要求1所述的基于机器学习的医疗数据应用方法，其特征在于，所述获取初始医疗数据集之后，所述方法还包括：获取所述初始医疗数据集中各个训练数据的数据缺失值；当所述数据缺失值小于预设的数据缺失阈值，利用多重插补算法对所述训练数据进行推算，得到目标填补数据；利用所述目标填补数据对所述训练数据进行数据补全，得到新的初始医疗数据集；或者，当所述数据缺失值大于所述数据缺失阈值，删除所述初始医疗数据集中的所述训练数据，得到新的初始医疗数据集。3.根据权利要求1所述的基于机器学习的医疗数据应用方法，其特征在于，所述利用预设的验证模型对所述第一中间风险评估模型的参数变量进行优化，得到目标风险评估模型，包括：根据重要性评估算法对所述第一中间风险评估模型的参数变量进行筛选，得到第二中间风险评估模型；获取所述第二中间风险评估模型输出的第一面积，所述第一面积表征所述第二中间风险评估模型输出的ROC曲线下与坐标轴围成的面积；获取所述验证模型输出的第二面积，所述第二面积表征所述验证模型输出的ROC曲线下与坐标轴围成的面积；当所述第一面积与所述第二面积的差值小于预设的面积差值阈值，将所述第二中间风险评估模型确定为所述目标风险评估模型。4.根据权利要求3所述的基于机器学习的医疗数据应用方法，其特征在于，所述根据重要性评估算法对所述第一中间风险评估模型的参数变量进行筛选，得到第二中间风险评估模型，包括：利用所述重要性评估算法对所述参数变量进行重要性评估，得到所述参数变量的重要性评分；从所述重要性评分中确定目标评分，并计算目标评分出现频率，所述目标评分出现频率表征所述目标评分在所...

【专利技术属性】
技术研发人员：周建国，马虎，金甦晗，
申请(专利权)人：遵义医科大学第二附属医院，
类型：发明
国别省市：