本發(fā)明涉及醫(yī)療決策輔助，具體涉及基于醫(yī)療規(guī)則的醫(yī)療決策輔助方法及系統(tǒng)。

背景技術(shù)：

1、基于醫(yī)療規(guī)則的醫(yī)療決策輔助系統(tǒng)是一種智能輔助決策工具，它接收來(lái)自不同設(shè)備和醫(yī)療系統(tǒng)的患者醫(yī)療數(shù)據(jù)，將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理并映射到輔助診斷相關(guān)的醫(yī)療概念。通過(guò)內(nèi)置的規(guī)則引擎，系統(tǒng)對(duì)這些醫(yī)療概念數(shù)據(jù)進(jìn)行評(píng)估，并觸發(fā)相應(yīng)的醫(yī)療規(guī)則，從而在界面上給出提示、警告和具體的處置建議，幫助醫(yī)生做出更為準(zhǔn)確和及時(shí)的決策。同時(shí)，該系統(tǒng)記錄醫(yī)生對(duì)這些提示和建議的處理方式，以用于后續(xù)性能改進(jìn)和個(gè)性化優(yōu)化，提高系統(tǒng)的輔助決策能力。

2、數(shù)據(jù)映射到醫(yī)療概念是指將經(jīng)過(guò)標(biāo)準(zhǔn)化處理的數(shù)據(jù)與預(yù)定義的醫(yī)療概念或診斷框架進(jìn)行匹配。醫(yī)療概念是一組標(biāo)準(zhǔn)化的術(shù)語(yǔ)和定義，用于描述特定的病理、生理狀態(tài)、癥狀、體征、診斷和治療等。例如，snomed?ct和icd-10是廣泛使用的醫(yī)學(xué)術(shù)語(yǔ)體系，用于統(tǒng)一醫(yī)療概念的表示。

3、將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理并映射到輔助診斷相關(guān)的醫(yī)療概念時(shí)，來(lái)自不同來(lái)源的數(shù)據(jù)需要關(guān)聯(lián)在一起才能形成一個(gè)完整的醫(yī)療概念，如果這些數(shù)據(jù)沒(méi)有正確關(guān)聯(lián)，可能會(huì)導(dǎo)致不準(zhǔn)確的映射，例如，錯(cuò)誤地將不同時(shí)點(diǎn)的血壓和心率數(shù)據(jù)關(guān)聯(lián)在一起，可能會(huì)導(dǎo)致醫(yī)生誤判患者的真實(shí)健康狀態(tài)，患者可能在某個(gè)時(shí)間點(diǎn)處于高血壓狀態(tài)，而在另一個(gè)時(shí)間點(diǎn)心率突然升高，但這些變化在不同的情境下發(fā)生。如果數(shù)據(jù)被誤認(rèn)為是同時(shí)記錄，醫(yī)生可能會(huì)得出錯(cuò)誤的結(jié)論，認(rèn)為患者有急性心血管事件的風(fēng)險(xiǎn)，例如心肌梗死或中風(fēng)，導(dǎo)致不必要的緊急干預(yù)或過(guò)度治療。相反，如果醫(yī)生未能察覺(jué)這些數(shù)據(jù)來(lái)自不同時(shí)間點(diǎn)，可能會(huì)忽略潛在的健康風(fēng)險(xiǎn)，導(dǎo)致診斷延誤。

4、在所述背景技術(shù)部分公開(kāi)的上述信息僅用于加強(qiáng)對(duì)本公開(kāi)的背景的理解，因此它可以包括不構(gòu)成對(duì)本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供基于醫(yī)療規(guī)則的醫(yī)療決策輔助方法及系統(tǒng)，通過(guò)標(biāo)準(zhǔn)化處理和智能化機(jī)器學(xué)習(xí)模型分析，有效解決了不同來(lái)源的醫(yī)療數(shù)據(jù)在關(guān)聯(lián)過(guò)程中可能出現(xiàn)的誤關(guān)聯(lián)問(wèn)題，提高了診斷和治療的準(zhǔn)確性，通過(guò)精確評(píng)估數(shù)據(jù)關(guān)聯(lián)質(zhì)量和及時(shí)篩除誤關(guān)聯(lián)數(shù)據(jù)，防止了誤診、過(guò)度治療或診斷延誤的風(fēng)險(xiǎn)。同時(shí)，利用聚類(lèi)算法進(jìn)一步優(yōu)化了異常數(shù)據(jù)的識(shí)別和排除，確保診斷和治療決策基于準(zhǔn)確可靠的數(shù)據(jù)，不僅提升了醫(yī)療決策的精準(zhǔn)性和有效性，還減少了因數(shù)據(jù)關(guān)聯(lián)錯(cuò)誤導(dǎo)致的不必要醫(yī)療干預(yù)，整體提高了患者護(hù)理質(zhì)量和醫(yī)療服務(wù)水平，以解決上述背景技術(shù)中的問(wèn)題。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：基于醫(yī)療規(guī)則的醫(yī)療決策輔助方法，包括以下步驟：

3、從各種醫(yī)療設(shè)備和信息系統(tǒng)中接收患者的醫(yī)療數(shù)據(jù)；

4、對(duì)接收的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，在數(shù)據(jù)標(biāo)準(zhǔn)化后，將標(biāo)準(zhǔn)化后數(shù)據(jù)映射到相應(yīng)的醫(yī)療概念；

5、在數(shù)據(jù)映射的過(guò)程中，獲取和記錄數(shù)據(jù)的關(guān)聯(lián)信息；

6、在獲取關(guān)聯(lián)信息后，對(duì)獲取的關(guān)聯(lián)信息進(jìn)行分析，初步識(shí)別潛在的誤關(guān)聯(lián)數(shù)據(jù)，并將識(shí)別出的數(shù)據(jù)篩除，為預(yù)測(cè)模型提供準(zhǔn)確的輸入數(shù)據(jù)；

7、使用預(yù)先訓(xùn)練好的機(jī)器學(xué)習(xí)模型，對(duì)不同來(lái)源的數(shù)據(jù)關(guān)聯(lián)情況進(jìn)行智能化預(yù)測(cè)，基于機(jī)器學(xué)習(xí)模型的預(yù)測(cè)結(jié)果，進(jìn)一步判斷數(shù)據(jù)關(guān)聯(lián)時(shí)是否存在異常；

8、當(dāng)檢測(cè)到數(shù)據(jù)關(guān)聯(lián)存在異常時(shí)，采用聚類(lèi)算法對(duì)不同來(lái)源的數(shù)據(jù)進(jìn)行綜合分析，基于聚類(lèi)算法的結(jié)果，識(shí)別出存在異常關(guān)聯(lián)的數(shù)據(jù)，將異常關(guān)聯(lián)的數(shù)據(jù)進(jìn)行標(biāo)記，并從最終的診斷和治療決策中排除。

9、對(duì)獲取的關(guān)聯(lián)信息進(jìn)行分析，初步識(shí)別潛在的誤關(guān)聯(lián)數(shù)據(jù)，并將識(shí)別出的數(shù)據(jù)篩除，具體的步驟如下：

10、對(duì)每一條數(shù)據(jù)進(jìn)行時(shí)間戳和來(lái)源設(shè)備的一致性檢查，確保所有關(guān)聯(lián)在一起的數(shù)據(jù)點(diǎn)是在正確的時(shí)間范圍內(nèi)收集的，且來(lái)源于相同或兼容的設(shè)備；

11、進(jìn)行數(shù)據(jù)的上下文和情境分析，確認(rèn)數(shù)據(jù)的采集條件和患者的狀態(tài)是否一致，確保所有關(guān)聯(lián)的數(shù)據(jù)在相似或相同的采集條件和患者狀態(tài)下獲??；

12、對(duì)數(shù)據(jù)的合理性和符合醫(yī)學(xué)邏輯的程度進(jìn)行檢驗(yàn)，檢查數(shù)據(jù)之間是否存在符合醫(yī)學(xué)常識(shí)的關(guān)系，確保數(shù)據(jù)之間的關(guān)系和模式符合已知的醫(yī)學(xué)常識(shí)和生理規(guī)律；

13、對(duì)初步識(shí)別出的潛在誤關(guān)聯(lián)數(shù)據(jù)進(jìn)行篩除和清理。

14、優(yōu)選的，使用預(yù)先訓(xùn)練好的機(jī)器學(xué)習(xí)模型，對(duì)不同來(lái)源的數(shù)據(jù)關(guān)聯(lián)情況進(jìn)行實(shí)時(shí)預(yù)測(cè)，具體的步驟為：

15、獲取不同來(lái)源的數(shù)據(jù)關(guān)聯(lián)時(shí)關(guān)鍵參數(shù)，其中包括來(lái)自不同設(shè)備的數(shù)據(jù)在時(shí)間上的同步信息和不同設(shè)備的數(shù)據(jù)采樣頻率的差異，對(duì)來(lái)自不同設(shè)備的數(shù)據(jù)在時(shí)間上的同步信息和不同設(shè)備的數(shù)據(jù)采樣頻率的差異進(jìn)行分析后，分別生成時(shí)間同步指數(shù)和采樣頻率差異指數(shù)，將時(shí)間同步指數(shù)和采樣頻率差異指數(shù)使用預(yù)先訓(xùn)練好的機(jī)器學(xué)習(xí)模型進(jìn)行預(yù)測(cè)，基于模型生成關(guān)聯(lián)評(píng)估系數(shù)，通過(guò)關(guān)聯(lián)評(píng)估系數(shù)對(duì)不同來(lái)源的數(shù)據(jù)關(guān)聯(lián)情況進(jìn)行智能化預(yù)測(cè)。

16、優(yōu)選的，將通過(guò)機(jī)器學(xué)習(xí)模型對(duì)不同來(lái)源的數(shù)據(jù)關(guān)聯(lián)情況進(jìn)行智能化預(yù)測(cè)生成的關(guān)聯(lián)評(píng)估系數(shù)與預(yù)先設(shè)定的關(guān)聯(lián)評(píng)估系數(shù)參考閾值進(jìn)行比對(duì)分析，進(jìn)一步判斷數(shù)據(jù)關(guān)聯(lián)時(shí)是否存在異常，具體的步驟如下：

17、若關(guān)聯(lián)評(píng)估系數(shù)小于關(guān)聯(lián)評(píng)估系數(shù)參考閾值，則生成關(guān)聯(lián)隱患信號(hào)，表明不同來(lái)源的數(shù)據(jù)存在關(guān)聯(lián)異常的隱患；

18、若關(guān)聯(lián)評(píng)估系數(shù)大于等于關(guān)聯(lián)評(píng)估系數(shù)參考閾值，則生成高效關(guān)聯(lián)信號(hào)，表明不同來(lái)源的數(shù)據(jù)可實(shí)現(xiàn)高效的關(guān)聯(lián)。

19、對(duì)來(lái)自不同設(shè)備的數(shù)據(jù)在時(shí)間上的同步信息進(jìn)行分析后，生成時(shí)間同步指數(shù)的具體步驟如下：

20、針對(duì)每一對(duì)來(lái)自不同設(shè)備的關(guān)聯(lián)數(shù)據(jù)點(diǎn)，計(jì)算其時(shí)間戳的絕對(duì)差異，設(shè)備a的數(shù)據(jù)時(shí)間戳為ta，設(shè)備b的數(shù)據(jù)時(shí)間戳為ta，則時(shí)間戳差異的計(jì)算公式為：d＝|ta-tb|，式中，d表示時(shí)間戳差異，反映了這兩個(gè)數(shù)據(jù)點(diǎn)之間的時(shí)間間隔；

21、引入時(shí)間差權(quán)重因子進(jìn)一步量化時(shí)間差異的影響，時(shí)間差權(quán)重因子與時(shí)間戳差異成反比，計(jì)算的表達(dá)式為：wd是時(shí)間差權(quán)重因子，范圍在0到0.5之間，用于衡量時(shí)間戳差異的影響，α是第一調(diào)節(jié)參數(shù)，控制權(quán)重因子對(duì)時(shí)間戳差異的敏感度；

22、計(jì)算設(shè)備權(quán)重因子，來(lái)反映設(shè)備間的同步質(zhì)量，設(shè)備權(quán)重因子基于設(shè)備的已知延遲或傳輸時(shí)長(zhǎng)進(jìn)行計(jì)算，計(jì)算的表達(dá)式為：we是設(shè)備權(quán)重因子，范圍在0到0.5之間，表示設(shè)備之間的同步質(zhì)量，β是第二調(diào)節(jié)參數(shù)，控制設(shè)備權(quán)重因子對(duì)延遲的敏感度，l是設(shè)備間的已知延遲或數(shù)據(jù)傳輸時(shí)長(zhǎng)；

23、綜合時(shí)間差權(quán)重因子wd和設(shè)備權(quán)重因子we，計(jì)算時(shí)間同步指數(shù)，反映數(shù)據(jù)在時(shí)間上的整體同步程度，計(jì)算的表達(dá)式為：tsiindex＝wd·we，tsiindex是時(shí)間同步指數(shù)，表示時(shí)間同步的程度。

24、對(duì)不同設(shè)備的數(shù)據(jù)采樣頻率的差異進(jìn)行分析后，生成采樣頻率差異指數(shù)的具體步驟如下：

25、收集來(lái)自不同設(shè)備的數(shù)據(jù)采樣頻率，設(shè)備a和設(shè)備b分別用于測(cè)量患者的生理參數(shù)，用fa和fb分別表示設(shè)備a和設(shè)備b的采樣頻率；

26、計(jì)算兩個(gè)設(shè)備之間的采樣頻率比例，頻率比例通過(guò)以下公式計(jì)算：式中，rab表示設(shè)備a和設(shè)備b的采樣頻率比例，max(fa，fb)表示設(shè)備a和設(shè)備b中最高的采樣頻率，min(fa，fb)表示設(shè)備a和設(shè)備b中最低的采樣頻率；

27、計(jì)算設(shè)備a和設(shè)備b之間的采樣頻率差異的絕對(duì)值，進(jìn)一步了解頻率差異的程度，采樣頻率絕對(duì)差異的計(jì)算表達(dá)式為：dab＝|fa-fb|，dab表示設(shè)備a和設(shè)備b的采樣頻率絕對(duì)差異；

28、綜合設(shè)備a和設(shè)備b的采樣頻率比例rab和設(shè)備a和設(shè)備b的采樣頻率絕對(duì)差異dab計(jì)算采樣頻率差異指數(shù)，計(jì)算的表達(dá)式為：式中，sfdiindex為采樣頻率差異指數(shù)，表示設(shè)備之間采樣頻率差異的程度，ln(1+rab)使用對(duì)數(shù)函數(shù)對(duì)頻率比例進(jìn)行平滑處理，使用平方根函數(shù)對(duì)頻率差異的絕對(duì)值進(jìn)行調(diào)整，增強(qiáng)對(duì)差異幅度的感知。

29、采用聚類(lèi)算法對(duì)不同來(lái)源的數(shù)據(jù)進(jìn)行綜合分析，基于聚類(lèi)算法的結(jié)果，識(shí)別出存在異常關(guān)聯(lián)的數(shù)據(jù)，具體的步驟如下：

30、在檢測(cè)到數(shù)據(jù)關(guān)聯(lián)存在異常時(shí)，整理所有相關(guān)的數(shù)據(jù)點(diǎn)及其對(duì)應(yīng)的時(shí)間同步指數(shù)和采樣頻率差異指數(shù)；

31、在數(shù)據(jù)準(zhǔn)備好之后，選擇聚類(lèi)算法對(duì)數(shù)據(jù)進(jìn)行分析；

32、執(zhí)行聚類(lèi)分析時(shí)，根據(jù)輸入的時(shí)間同步指數(shù)、采樣頻率差異指數(shù)以及映射生成的標(biāo)準(zhǔn)化醫(yī)學(xué)概念數(shù)據(jù)嵌入，對(duì)數(shù)據(jù)進(jìn)行分組，進(jìn)而形成不同的聚類(lèi)群組；

33、基于聚類(lèi)算法的結(jié)果，識(shí)別出存在異常關(guān)聯(lián)的數(shù)據(jù)點(diǎn)；

34、將標(biāo)記為異常的數(shù)據(jù)從最終的診斷和治療決策中排除。

35、優(yōu)選的，基于聚類(lèi)算法的結(jié)果，識(shí)別出存在異常關(guān)聯(lián)的數(shù)據(jù)點(diǎn)，具體的步驟如下：

36、計(jì)算每個(gè)群組內(nèi)部的緊密度，以評(píng)估數(shù)據(jù)點(diǎn)之間的相似性；

37、計(jì)算群組之間的分離度，以評(píng)估不同群組之間的差異性；

38、通過(guò)對(duì)比群組內(nèi)部緊密度和群組之間分離度，識(shí)別異常數(shù)據(jù)點(diǎn)，首先設(shè)定一個(gè)內(nèi)部緊密度的上限閾值和一個(gè)群組之間分離度的下限閾值，對(duì)于群組內(nèi)部緊密度，若某個(gè)數(shù)據(jù)點(diǎn)或群組的內(nèi)部緊密度超過(guò)預(yù)設(shè)的上限閾值，則將該數(shù)據(jù)點(diǎn)標(biāo)記為異常點(diǎn)；同時(shí)，若該數(shù)據(jù)點(diǎn)或群組與其他群組的分離度低于預(yù)設(shè)的下限閾值，則同樣該數(shù)據(jù)點(diǎn)標(biāo)記為異常點(diǎn)。

39、基于醫(yī)療規(guī)則的醫(yī)療決策輔助系統(tǒng)，包括數(shù)據(jù)接收模塊、數(shù)據(jù)標(biāo)準(zhǔn)化與映射模塊、關(guān)聯(lián)信息獲取模塊、關(guān)聯(lián)信息分析與篩選模塊、智能預(yù)測(cè)與異常檢測(cè)模塊以及異常分析與處理模塊；

40、數(shù)據(jù)接收模塊，從各種醫(yī)療設(shè)備和信息系統(tǒng)中接收患者的醫(yī)療數(shù)據(jù)；

41、數(shù)據(jù)標(biāo)準(zhǔn)化與映射模塊，對(duì)接收的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，在數(shù)據(jù)標(biāo)準(zhǔn)化后，將標(biāo)準(zhǔn)化后數(shù)據(jù)映射到相應(yīng)的醫(yī)療概念；

42、關(guān)聯(lián)信息獲取模塊，在數(shù)據(jù)映射的過(guò)程中，獲取和記錄數(shù)據(jù)的關(guān)聯(lián)信息；

43、關(guān)聯(lián)信息分析與篩選模塊，在獲取關(guān)聯(lián)信息后，對(duì)獲取的關(guān)聯(lián)信息進(jìn)行分析，初步識(shí)別潛在的誤關(guān)聯(lián)數(shù)據(jù)，并將識(shí)別出的數(shù)據(jù)篩除，為預(yù)測(cè)模型提供準(zhǔn)確的輸入數(shù)據(jù)；

44、智能預(yù)測(cè)與異常檢測(cè)模塊，使用預(yù)先訓(xùn)練好的機(jī)器學(xué)習(xí)模型，對(duì)不同來(lái)源的數(shù)據(jù)關(guān)聯(lián)情況進(jìn)行智能化預(yù)測(cè)，基于機(jī)器學(xué)習(xí)模型的預(yù)測(cè)結(jié)果，進(jìn)一步判斷數(shù)據(jù)關(guān)聯(lián)時(shí)是否存在異常；

45、異常分析與處理模塊，當(dāng)檢測(cè)到數(shù)據(jù)關(guān)聯(lián)存在異常時(shí)，采用聚類(lèi)算法對(duì)不同來(lái)源的數(shù)據(jù)進(jìn)行綜合分析，基于聚類(lèi)算法的結(jié)果，識(shí)別出存在異常關(guān)聯(lián)的數(shù)據(jù)，將異常關(guān)聯(lián)的數(shù)據(jù)進(jìn)行標(biāo)記，并從最終的診斷和治療決策中排除。

46、在上述技術(shù)方案中，本發(fā)明提供的技術(shù)效果和優(yōu)點(diǎn)：

47、本發(fā)明基于醫(yī)療規(guī)則的醫(yī)療決策輔助方法，有效解決了來(lái)自不同來(lái)源的醫(yī)療數(shù)據(jù)在關(guān)聯(lián)過(guò)程中可能出現(xiàn)的誤關(guān)聯(lián)問(wèn)題，從而顯著提高了診斷和治療的準(zhǔn)確性。通過(guò)數(shù)據(jù)標(biāo)準(zhǔn)化處理和智能化的機(jī)器學(xué)習(xí)模型分析，能夠精確評(píng)估不同來(lái)源數(shù)據(jù)之間的關(guān)聯(lián)質(zhì)量，及時(shí)識(shí)別并篩除潛在的誤關(guān)聯(lián)數(shù)據(jù)，避免了將不同時(shí)點(diǎn)或不同情境下采集的數(shù)據(jù)錯(cuò)誤地關(guān)聯(lián)在一起，進(jìn)而防止了由此導(dǎo)致的誤診、過(guò)度治療或診斷延誤的風(fēng)險(xiǎn)。

48、本發(fā)明通過(guò)聚類(lèi)算法進(jìn)一步優(yōu)化了對(duì)異常數(shù)據(jù)的識(shí)別和排除過(guò)程，確保最終的診斷和治療決策僅基于準(zhǔn)確可靠的數(shù)據(jù)，不僅提高了醫(yī)療決策的精準(zhǔn)性和有效性，還減少了患者因數(shù)據(jù)關(guān)聯(lián)錯(cuò)誤而受到不必要醫(yī)療干預(yù)的風(fēng)險(xiǎn)，最終提升了患者護(hù)理質(zhì)量和醫(yī)療服務(wù)的整體水平。