一种基于异构信息网络的疾病诊疗路径聚类方法及系统技术方案

本发明专利技术公开一种基于异构信息网络的疾病诊疗路径聚类方法，包括：获取包含诊疗数据和诊疗事件关系的医疗数据；基于所述诊疗事件关系对诊疗数据中的诊疗事件结点进行拓扑连接，构建异构信息网络；基于给定的元路径，通过注意力机制对所述异构信息网络中不同类型诊疗事件的语义关系进行处理，获得诊疗事件邻接矩阵；根据患者的历史诊疗数据，构建基于时序的患者就诊矩阵并与诊疗事件邻接矩阵通过图卷积变换，获得对应的患者特征矩阵；采用K

【技术实现步骤摘要】
一种基于异构信息网络的疾病诊疗路径聚类方法及系统


[0001]本专利技术属于辅助医疗
，尤其涉及一种基于异构信息网络的疾病诊疗路径聚类方法及系统。

技术介绍

[0002]近年来，随着医疗信息化的不断推进，积累了大量临床数据。临床数据的快速增长，使基于证据的临床决策研究增多，极大促进了个性化医疗的发展。在临床实践中，医生往往是依据临床指南或临床经验对患者作出诊疗决策，不符合当前精准医疗模式下的个性化治疗策略。如果能利用电子病历数据中患者的诊疗信息计算患者相似性，对患者进行聚类分析，有助于医生更好地对当前患者作出诊疗决策。
[0003]对患者进行聚类最简单的方法是通过患者人口统计学、生物标志物和临床特征等多维数据构建患者特征向量，基于这些特征向量应用聚类算法。然而，由于疾病的异质性和治疗方案的多样性，不同患者个体间的疾病演进、诊疗过程都可能存在差异。
[0004]使用过程挖掘技术可以有效利用患者诊疗过程数据中包含的重要信息。但简单的过程挖掘方法仅关注诊疗事件，种类繁多且存在大量关系的诊疗事件会导致挖掘出的诊疗过程复杂，缺乏代表性。为了解决这个问题，现有一些方法利用事件之间的共现信息，使用主题模型或自监督图聚类等算法对就诊进行聚类，给每次就诊打上标签，在就诊层面对患者的诊疗路径进行挖掘。
[0005]专利文献CN115083616A公开了一种基于自监督图聚类的慢性肾病亚型挖掘系统，包括：数据采集模块：用于采集慢性肾病诊疗记录中的结构化数据；数据提取与预处理模块：用于对所述结构化数据提取和预处理，得到实体集合和就诊集合；慢性肾病亚型挖掘模块：用于利用所述实体集合和所述就诊集合构建慢性肾病亚型挖掘模型；慢性肾病表型亚型评估模块：用于对所述慢性肾病亚型挖掘模型进行评估；慢性肾病亚型预测模块：用于对患者的结构化数据进行预测。该方法解决了过程挖掘方法无法处理纵向电子病历数据中单次就诊内事件信息和多次就诊间事件信息等多粒度信息并存的问题。但该方法以就诊为单位进行过程挖掘，使用频繁事件作为流程中的结点，挖掘出的路径只包含前几次就诊。对于频繁就诊患者，难以利用后续就诊信息，挖掘出的路径无法覆盖整个诊疗过程。
[0006]专利文献CN115688760A公开一种智能化导诊方法、装置、设备及存储介质，所述方法包括：对多个关键词进行聚类中心映射，确定多个聚类中心；基于聚类算法对多个聚类中心进行分析，生成聚类结果；基于挂号信息数据库对聚类结果进行相似度计算，得到多个相似度计算结果；对多个相似度计算结果按照从高到低的顺序进行排序，并筛选出N个计算结果；分别对N个计算结果进行挂号信息匹配，得到对应的N个挂号信息；对患者信息按预设分类规则进行分类处理，确定对应的分类结果；基于分类结果及N个挂号信息，通过预置的路径规划模型进行路径规划，生成目标路径并传输至目标终端。该方法仅使用了患者信息，没有利用临床专家诊疗的经验和知识，往往难以发现隐含的疾病与药物之间的关系。如患者因同一种疾病就诊时，可能会因为患者个体差异或医生用药习惯被给予不同的药物，但这
些药物实际上用处相似，只是面向数据提取特征的深度学习对此缺乏认识和经验。同时，该方法忽略了不同类型诊疗事件之间的关系。将不同类型诊疗事件视为同一类型，忽略不同诊疗事件类型之间的关系，即不再区分诊断、医疗操作、药物等事件的本身意义，导致语义信息丢失和网络结构不完整。

技术实现思路

[0007]为了解决上述问题，本专利技术提供了一种基于异构信息网络的疾病诊疗路径聚类方法，该方法可以有助于更好地理解疾病进展过程，同时基于同亚型患者数据辅助医生做出诊疗决策，对提高疾病整体诊治水平和改善患者预后都有着非常重要的意义。
[0008]一种基于异构信息网络的疾病诊疗路径聚类方法，包括以下步骤：
[0009]获取包含诊疗数据和诊疗事件关系的医疗数据，所述诊疗数据从电子病历系统中提取获得，诊疗事件关系从医学知识图谱中提取获得。
[0010]基于所述诊疗事件关系对诊疗数据中的诊疗事件节点进行拓扑连接，构建包含诊疗事件与诊疗事件关系的异构信息网络。
[0011]基于给定的元路径，通过注意力机制对所述异构信息网络中不同类型诊疗事件的语义关系进行处理，获得诊疗事件邻接矩阵。
[0012]根据患者的历史诊疗数据，构建基于时序的患者就诊矩阵并与所述诊疗事件邻接矩阵通过图卷积变换，获得对应的患者特征矩阵。
[0013]采用K
‑
Means聚类算法对所述患者特征矩阵进行聚类，并基于聚类结果对相似患者的诊疗数据进行临床分析，从而为患者制定医疗方案时提供针对性的指导。
[0014]本专利技术通过使用患者诊疗数据构建异构信息网络，融合外部医学知识本体所包含的诊疗事件间的关系，完整地表示出诊疗数据中各类型对象之间的关系，利用蕴含于医学知识本体中的领域知识指导深度学习网络的学习。然后，通过引入元路径将异构图拆分为多个元路径子图，基于注意力权重融合所有元路径子图，生成诊疗事件邻接矩阵，有效描述异构信息网络中存在于多类型对象之间的复杂语义关系的分布情况，避免了将异构信息网络转化为同构信息网络时导致的信息丢失。最后，通过图卷积网络学习基于纵向电子病历数据的患者表示，实现患者聚类，从而为患者精准化治疗方案提供有效指导。
[0015]具体的，所述诊疗数据包括与患者的个人信息，就诊记录，诊断记录，手术记录以及用药记录。
[0016]具体的，所述诊疗事件关系包括药物与疾病关系，以及药物和医疗操作关系。
[0017]具体的，所述诊疗事件结点包括就诊，诊断，医疗操作以及用药。
[0018]优选的，所述元路径采用固定长度为3的路径，包括但不限于基于“诊断结点
‑
就诊结点
‑
药物结点”的DVM模式和基于“药物结点
‑
诊断结点
‑
药物结点”的MDM模式，所述DVM模式用于表示就诊时给出的疾病诊断和使用的药物，MDM模式用于表示可用于治疗疾病的多种药物。
[0019]具体的，所述图卷积变换包括三次变换，其具体过程如下：
[0020]第一层执行二维卷积运算将输入的患者就诊矩阵进行维度扩展；
[0021]第二层应用图卷积将诊疗事件邻接矩阵与拓展维度后的患者就诊矩阵进行聚合，生成一组包含结点以及邻居聚合信息的就诊特征矩阵；
[0022]第三层将生成的就诊特征矩阵逐一输入到LSTM层，以输出患者特征矩阵。
[0023]具体的，所述第三层的具体过程：将生成的就诊特征矩阵按时间先后顺序逐一输入到LSTM层得到每次就诊的隐藏层表示，并利用平均池化降维聚合所有隐藏层的信息，以获得患者特征矩阵。
[0024]具体的，所述聚类通过设定每个患者都对应一个二维的患者特征矩阵，采用K
‑
Means聚类算法将N
Q
个患者特征矩阵划分为N
C
个聚类，并使得各个聚类内部平方和最小，其目标函数为：
[0025][00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于异构信息网络的疾病诊疗路径聚类方法，其特征在于，包括以下步骤；获取包含诊疗数据和诊疗事件关系的医疗数据，所述诊疗数据从电子病历系统中提取获得，诊疗事件关系从医学知识图谱中提取获得；基于所述诊疗事件关系对诊疗数据中的诊疗事件结点进行拓扑连接，构建包含诊疗事件与诊疗事件关系的异构信息网络；基于给定的元路径，通过注意力机制对所述异构信息网络中不同类型诊疗事件的语义关系进行处理，获得诊疗事件邻接矩阵；根据患者的历史诊疗数据，构建基于时序的患者就诊矩阵并与所述诊疗事件邻接矩阵通过图卷积变换，获得对应的患者特征矩阵；采用K
‑
Means聚类算法对所述患者特征矩阵进行聚类，并基于聚类结果对相似患者的诊疗数据进行临床分析，从而为患者制定医疗方案时提供针对性的指导。2.根据权利要求1所述的基于异构信息网络的疾病诊疗路径聚类方法，其特征在于，所述诊疗数据包括与患者的个人信息，就诊记录，诊断记录，手术记录以及用药记录。3.根据权利要求1所述的基于异构信息网络的疾病诊疗路径聚类方法，其特征在于，所述诊疗事件关系包括药物与疾病关系，以及药物和医疗操作关系。4.根据权利要求1所述的基于异构信息网络的疾病诊疗路径聚类方法，其特征在于，所述诊疗事件结点包括就诊，诊断，医疗操作以及用药。5.根据权利要求1所述的基于异构信息网络的疾病诊疗路径聚类方法，其特征在于，所述元路径采用固定长度为3的路径。6.根据权利要求1所述的基于异构信息网络的疾病诊疗路径聚类方法，其特征在于，所述图卷积变换包括三次变换，其具体过程如下：第一层执行二维卷积运算将输入的患者就诊矩阵进行维度扩展；第二层应用图卷积将诊疗事件邻接矩阵与拓展维度后的患者就诊矩阵进行聚合，生成一组包含结点以及邻居聚合信息的就诊特征矩阵；第三层将生成的就诊特征矩阵逐一输入到LSTM...

【专利技术属性】
技术研发人员：李劲松，李雪瑶，池胜强，田雨，周天舒，
申请(专利权)人：之江实验室，
类型：发明
国别省市：