一种医学检测数据误差识别模型构建方法与装置制造方法及图纸

本发明专利技术提供了一种医学检测数据误差识别模型构建方法与装置，包括：对医学检测数据进行数据清洗得到数据清洗后的医学检测数据；利用数据清洗后的医学检测数据制作训练数据；采用指数加权移动均值法建立初始模型，并为每个初始模型设置不同的模型参数得到多个待选模型；基于训练数据计算每个待选模型的

【技术实现步骤摘要】
一种医学检测数据误差识别模型构建方法与装置


[0001]本专利技术涉及数据检验
，特别是涉及一种医学检测数据误差识别模型构建方法与装置
。

技术介绍

[0002]医生大约有近
2/3
的诊疗决策有赖于准确及时的检测结果
。
而医学检测误差会导致诊疗差错与延迟，会对患者造成严重伤害，甚至死亡
。
检测误差可发生于检验全过程
。
例如，不当的样本采集
、
运输或处理
、
仪器设备故障
、
不当的人员操作等
。
为保证检测结果的可靠性，传统室内质控是医学实验室最早引入，且目前普遍使用的用于监测检验性能的重要手段之一
。
室内质控对于临床实验室而言非常重要，它可以减少重复测量，避免错误结果的发出，为临床诊疗决策提供保障
。
[0003]然而，由于室内质控依赖于定期分析质控品的本质，导致这种质控方式存在回顾性分析，不能实时地监控分析过程
。
而基于患者数据的质量控制系统可实时检测检验过程中的系统误差，很好的弥补了室内质控的局限
。
然而，建立基于患者数据的质量控制系统最重要的在于评价系统的性能，传统的评价体系例如混淆矩阵等方式，具有耗时长，数据评价质量不全面的问题，实际使用效果不尽人意
。

技术实现思路

[0004]为解决上述问题，本专利技术的目的是提供一种医学检测数据误差识别模型构建方法与装置/>。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种医学检测数据误差识别模型构建方法，包括：
[0007]收集医学检测数据；
[0008]对所述医学检测数据进行数据清洗得到数据清洗后的医学检测数据；
[0009]利用所述数据清洗后的医学检测数据制作训练数据；
[0010]采用指数加权移动均值法建立初始模型，并为每个初始模型设置不同的模型参数得到多个待选模型；
[0011]基于所述训练数据计算每个待选模型的
ME
‑
Score
指标，并将所述
ME
‑
Score
指标最大所对应的待选模型作为最终的医学检测数据误差识别模型
。
[0012]优选地，所述对所述原始的医学检测数据进行数据清洗得到数据清洗后的医学检测数据，包括：
[0013]计算同一个患者在预设时间段内医学检测数据类比系数；
[0014]判断类比系数的值是否在预设的范围内；
[0015]若类比系数的值不在预设的范围内，则将相应预设时间段内的医学检测数据去除；
[0016]若类比系数的值在预设的范围内，则将相应预设时间段内的医学检测数据保留，
直到遍历完所有的医学检测数据，得到数据清洗后的医学检测数据
。
[0017]优选地，所述类比系数计算公式为：
[0018][0019]其中，
p
X,Y
为类比系数，
cov(X,Y)
表示在预设时间段内当前医学检测序列与前一个医学检测序列之间的协方差，
α
X
表示当前医学检测序列的均值，
α
Y
表示前一个医学检测序列的均值
。
[0020]优选地，所述采用指数加权移动均值法建立初始模型，并为每个初始模型设置不同的模型参数得到多个待选模型，包括：
[0021]采用公式：
[0022]Y(i)
＝
lambda*X(i)+(1
‑
lambda)*Y(i
‑
1)
[0023]建立初始模型；其中，
X(i)
为经过数据清洗后的原始检测结果，
Y(i)
为经过运算后的新检测结果，
lambda
为调整系数；
[0024]按照检测时间顺序，将原始检测结果带入初始模型，计算新检测结果的均值和标准差，并将均值
±
a*
标准差作为警告限，均值
±
a*
标准差作为失控限，且当新检测结果超过失控限时，发出报警；
[0025]按照预设的步长和范围设置不同的
lambda
和
a
的值，得到多个待选模型
。
[0026]优选地，所述基于所述训练数据计算每个待选模型的
ME
‑
Score
指标，并将所述
ME
‑
Score
指标最大所对应的待选模型作为最终的医学检测数据误差识别模型，包括：
[0027]将训练数据代入到不同的待选模型中得到相应的新检测结果；
[0028]采用公式：
[0029]ME
‑
Score
＝
0.8*log(1/(
假阳性率
+10^
‑
6))+1.5*
灵敏度
‑
log(
正确报警前受影响患者数的中位数或均值
+1)
[0030]计算每个待选模型的
ME
‑
Score
指标，并将所述
ME
‑
Score
指标最大所对应的待选模型作为最终的医学检测数据误差识别模型
。
[0031]一种医学检测数据误差识别模型构建装置，包括：
[0032]数据收集模块，用于收集医学检测数据；
[0033]数据清洗模块，用于对所述医学检测数据进行数据清洗得到数据清洗后的医学检测数据；
[0034]训练数据制作模块，用于利用所述数据清洗后的医学检测数据制作训练数据；
[0035]待选模型构建模块，用于采用指数加权移动均值法建立初始模型，并为每个初始模型设置不同的模型参数得到多个待选模型；
[0036]筛选模块，用于基于所述训练数据计算每个待选模型的
ME
‑
Score
指标，并将所述
ME
‑
Score
指标最大所对应的待选模型作为最终的医学检测数据误差识别模型
。
[0037]优选地，所述数据清洗模块，包括：
[0038]类比系数计算单元，用于计算同一个患者在预设时间段内医学检测数据类比系数；
[0039]判断单元，用于判断类比系数的值是否在预设的范围内；
[0040]第一判断结果单元，用于当类比系数的值不在预设的范围内，则将相应预设时间
段内的医学检测数据去除；
[0041]第二判断结果单元，用于当类比系数的值在预设的范围内，则将相应预设时间段内的医学检测数据保留，直到遍历完所有的医学检测数据，得到数据清洗后的医学检测数据
。
[0042]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种医学检测数据误差识别模型构建方法，其特征在于，包括：收集医学检测数据；对所述医学检测数据进行数据清洗得到数据清洗后的医学检测数据；利用所述数据清洗后的医学检测数据制作训练数据；采用指数加权移动均值法建立初始模型，并为每个初始模型设置不同的模型参数得到多个待选模型；基于所述训练数据计算每个待选模型的
ME
‑
Score
指标，并将所述
ME
‑
Score
指标最大所对应的待选模型作为最终的医学检测数据误差识别模型
。2.
根据权利要求1所述的一种医学检测数据误差识别模型构建方法，其特征在于，所述采用指数加权移动均值法建立初始模型，并为每个初始模型设置不同的模型参数得到多个待选模型，包括：采用公式：
Y(i)
＝
lambda*X(i)+(1
‑
lambda)*Y(i
‑
1)
建立初始模型；其中，
X(i)
为经过数据清洗后的原始检测结果，
Y(i)
为经过运算后的新检测结果，
lambda
为调整系数；按照检测时间顺序，将原始检测结果带入初始模型，计算新检测结果的均值和标准差，并将均值
±
a*
标准差作为警告限，均值
±
a*
标准差作为失控限，且当新检测结果超过失控限时，发出报警；按照预设的步长和范围设置不同的
lambda
和
a
的值，得到多个待选模型
。3.
根据权利要求2所述的一种医学检测数据误差识别模型构建方法，其特征在于，所述基于所述训练数据计算每个待选模型的
ME
‑
Score
指标，并将所述
ME
‑
Score
指标最大所对应的待选模型作为最终的医学检测数据误差识别模型，包括：将训练数据代入到不同的待选模型中得到相应的新检测结果；采用公式：
ME
‑
Score
＝
0.8*log(1/(
假阳性率
+10^
‑
6))+1.5*
灵敏度
‑
log(
正确报警前受影响患者数的中位数或均值
+1)
，计算每个待选模型的
ME
‑
Score
指标；将所述
ME
‑
Score
指标最大所对应的待选模型作为最终的医学检测数据误差识别模型
...

【专利技术属性】
技术研发人员：邱玲，马超超，阿哈力，
申请(专利权)人：中国医学科学院北京协和医院，
类型：发明
国别省市：