本發(fā)明涉及疾病風險預(yù)警，更具體的說是涉及一種基于數(shù)據(jù)采集的疾病預(yù)后風險預(yù)警方法及系統(tǒng)。

背景技術(shù)：

1、疾病預(yù)后是對某種疾病的了解，除了先了解其臨床表現(xiàn)、化驗及影像學、病因、病理和病情規(guī)律等方面之外，重要的是根據(jù)治療時機和方法結(jié)合治療操作中所發(fā)現(xiàn)的新情況，對疾病的近期和遠期療效、轉(zhuǎn)歸恢復(fù)或進展程度的評估。疾病預(yù)后與患者的治療時機、疾病的發(fā)生程度、醫(yī)學水平、合并的疾病、醫(yī)生的個人能力、體質(zhì)、年齡、患者是否正視疾病或?qū)膊〉恼J知能力、是否繼續(xù)治療等諸多因素有關(guān)。確定疾病預(yù)后風險是醫(yī)學領(lǐng)域的一項重要工作，然而現(xiàn)有技術(shù)中對于疾病預(yù)后風險的評估通常是根據(jù)獨立的因素判斷，并未考慮各因素之間的關(guān)聯(lián)。

2、因此，如何提供一種基于數(shù)據(jù)采集的疾病預(yù)后風險預(yù)警方法及系統(tǒng)，引入先進的數(shù)據(jù)分析技術(shù)和數(shù)據(jù)庫系統(tǒng)，更全面、準確地評估疾病的預(yù)后風險，是本領(lǐng)域技術(shù)人員亟需解決的問題。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種基于數(shù)據(jù)采集的疾病預(yù)后風險預(yù)警方法及系統(tǒng)，結(jié)合數(shù)據(jù)采集、先進的機器學習模型和實時的反饋機制，使得疾病預(yù)后風險預(yù)警更加科學和高效。

2、為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：一種基于數(shù)據(jù)采集的疾病預(yù)后風險預(yù)警方法，包括：

3、建立數(shù)據(jù)庫系統(tǒng)，收集患者信息，并對收集到的患者信息進行處理和存儲；

4、將患者信息輸入至經(jīng)過訓練的預(yù)后風險分析模型，預(yù)測患者的疾病預(yù)后風險概率，且實現(xiàn)對患者的安全監(jiān)控及預(yù)警；所述預(yù)后風險分析模型采用支持向量回歸模型，在建立所述支持向量回歸模型時，通過遺傳算法對所述支持向量回歸模型進行超參數(shù)尋優(yōu)；

5、根據(jù)所述預(yù)后風險分析模型分析的結(jié)果確定風險等級，根據(jù)風險等級自動生成預(yù)警信息，將預(yù)警信息實時反饋給患者和醫(yī)護人員。以便進行相應(yīng)的調(diào)整和干預(yù)。

6、優(yōu)選的，還包括：建立數(shù)據(jù)加密機制，確保所有患者數(shù)據(jù)在采集、存儲和傳輸過程中的信息都經(jīng)過加密處理。保護患者隱私和數(shù)據(jù)安全。

7、優(yōu)選的，建立數(shù)據(jù)庫系統(tǒng)，收集患者信息，并對收集到的患者信息進行處理和存儲，包括：

8、對所述患者信息中的疾病類型進行分類，并在同一種疾病之間建立鏈接關(guān)系；

9、按照預(yù)設(shè)的時間步長，對已有患者的臨床數(shù)據(jù)進行周期性數(shù)據(jù)收集，得到主動收集的患者臨床數(shù)據(jù)；

10、對主動收集的患者臨床數(shù)據(jù)進行信息提取，生成補充患者數(shù)據(jù)，并將其錄入到數(shù)據(jù)庫系統(tǒng)中，生成患者疾病更新報告。

11、優(yōu)選的，所述通過遺傳算法對所述支持向量回歸模型進行超參數(shù)尋優(yōu)，包括：

12、(1)以所述支持向量回歸模型的超參數(shù)為元素組成超參數(shù)向量，隨機生成n個不同的超參數(shù)向量作為遺傳算法中n個不同的個體，超參數(shù)向量中的超參數(shù)為個體的染色體，對染色體進行編碼得到染色體的基因型，其中n為大于0的整數(shù)；

13、(2)根據(jù)患者信息及其對應(yīng)的風險概率設(shè)置適應(yīng)度函數(shù)；

14、(3)設(shè)置最大迭代次數(shù)；

15、(4)根據(jù)所述適應(yīng)度函數(shù)計算個體的適應(yīng)度，根據(jù)適應(yīng)度選擇若干個體作為父代個體；

16、(5)以預(yù)定的交叉概率pm對父代個體進行交叉操作，所述交叉操作指交換兩個父代個體中對應(yīng)染色體的部分基因；

17、(6)以預(yù)定的變異概率pc對經(jīng)交叉操作后的父代個體進行變異操作，所述變異操作指對父代個體的部分基因進行隨機變換；

18、重復(fù)執(zhí)行上述步驟(4)至(6)，直至達到最大迭代次數(shù)為止。

19、優(yōu)選的，所述超參數(shù)包括支持向量回歸模型的懲罰系數(shù)c、不敏感損失系數(shù)epsilon和寬度系數(shù)gamma。

20、優(yōu)選的，所述適應(yīng)度函數(shù)為將患者信息輸入超參數(shù)向量對應(yīng)的支持向量回歸模型得到的風險概率的預(yù)測值與實際值的均方誤差，所述根據(jù)適應(yīng)度選擇若干個體作為父代個體采用的是輪盤賭選擇策略。

21、運用機器學習算法，以患者信息為訓練數(shù)據(jù)，以與所述患者信息對應(yīng)的疾病風險概率為標志列，建立機器學習預(yù)測模型進行訓練，挖掘患者信息與疾病風險概率的關(guān)系，使得可以將患者信息輸入訓練好的預(yù)后風險分析模型中得到疾病風險概率的預(yù)測值，從而避免依賴醫(yī)護人員經(jīng)驗，大大節(jié)省了人力成本，也使疾病預(yù)后風險的預(yù)測更加精準。

22、優(yōu)選的，當風險概率的預(yù)測值達到預(yù)設(shè)閾值時，讀取當前預(yù)設(shè)時長內(nèi)的患者信息數(shù)據(jù)，向患者和醫(yī)護人員發(fā)送預(yù)警信息。

23、優(yōu)選的，所述風險等級分為以下三類：

24、低風險：患者健康狀況相對穩(wěn)定，風險概率低；

25、中風險：患者存在一定的健康風險，需要進一步觀察或一些干預(yù)措施；

26、高風險：患者風險概率高，面臨嚴重健康問題或急癥，需立即采取行動。

27、優(yōu)選的，一種基于數(shù)據(jù)采集的疾病預(yù)后風險預(yù)警系統(tǒng)，包括：

28、數(shù)據(jù)處理模塊，用于建立數(shù)據(jù)庫系統(tǒng)，收集患者信息，并對收集到的患者信息進行處理和存儲；

29、數(shù)據(jù)分析模塊，用于將患者信息輸入至經(jīng)過訓練的預(yù)后風險分析模型，所述預(yù)后風險分析模型采用支持向量回歸模型，在建立所述支持向量回歸模型時，通過遺傳算法對所述支持向量回歸模型進行超參數(shù)尋優(yōu)；

30、風險預(yù)警模塊，用于根據(jù)所述預(yù)后風險分析模型分析的結(jié)果確定風險等級，根據(jù)風險等級自動生成預(yù)警信息，將預(yù)警信息實時反饋給患者和醫(yī)護人員。

31、經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明公開提供了一種基于數(shù)據(jù)采集的疾病預(yù)后風險預(yù)警方法及系統(tǒng)，包括：建立數(shù)據(jù)庫系統(tǒng)，收集患者信息，并對收集到的患者信息進行處理和存儲；將患者信息輸入至經(jīng)過訓練的預(yù)后風險分析模型，預(yù)測患者的疾病預(yù)后風險概率，且實現(xiàn)對患者的安全監(jiān)控及預(yù)警；所述預(yù)后風險分析模型采用支持向量回歸模型，在建立所述支持向量回歸模型時，通過遺傳算法對所述支持向量回歸模型進行超參數(shù)尋優(yōu)；根據(jù)所述預(yù)后風險分析模型分析的結(jié)果確定風險等級，根據(jù)風險等級自動生成預(yù)警信息，將預(yù)警信息實時反饋給患者和醫(yī)護人員，以便進行相應(yīng)的調(diào)整和干預(yù)。本發(fā)明結(jié)合數(shù)據(jù)采集、先進的機器學習模型和實時的反饋機制，使得疾病預(yù)后風險預(yù)警更加科學和高效。

技術(shù)特征：

1.一種基于數(shù)據(jù)采集的疾病預(yù)后風險預(yù)警方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于數(shù)據(jù)采集的疾病預(yù)后風險預(yù)警方法，其特征在于，還包括：建立數(shù)據(jù)加密機制，確保所有患者數(shù)據(jù)在采集、存儲和傳輸過程中的信息都經(jīng)過加密處理。

3.根據(jù)權(quán)利要求1所述的一種基于數(shù)據(jù)采集的疾病預(yù)后風險預(yù)警方法，其特征在于，建立數(shù)據(jù)庫系統(tǒng)，收集患者信息，并對收集到的患者信息進行處理和存儲，包括：

4.根據(jù)權(quán)利要求3所述的一種基于數(shù)據(jù)采集的疾病預(yù)后風險預(yù)警方法，其特征在于，所述通過遺傳算法對所述支持向量回歸模型進行超參數(shù)尋優(yōu)，包括：

5.根據(jù)權(quán)利要求1所述的一種基于數(shù)據(jù)采集的疾病預(yù)后風險預(yù)警方法，其特征在于，所述超參數(shù)包括支持向量回歸模型的懲罰系數(shù)c、不敏感損失系數(shù)epsilon和寬度系數(shù)gamma。

6.根據(jù)權(quán)利要求4所述的一種基于數(shù)據(jù)采集的疾病預(yù)后風險預(yù)警方法，其特征在于，所述適應(yīng)度函數(shù)為將患者信息輸入超參數(shù)向量對應(yīng)的支持向量回歸模型得到的風險概率的預(yù)測值與實際值的均方誤差，所述根據(jù)適應(yīng)度選擇若干個體作為父代個體采用的是輪盤賭選擇策略。

7.根據(jù)權(quán)利要求6所述的一種基于數(shù)據(jù)采集的疾病預(yù)后風險預(yù)警方法，其特征在于，當風險概率的預(yù)測值達到預(yù)設(shè)閾值時，讀取當前預(yù)設(shè)時長內(nèi)的患者信息數(shù)據(jù)，向患者和醫(yī)護人員發(fā)送預(yù)警信息。

8.根據(jù)權(quán)利要求1所述的一種基于數(shù)據(jù)采集的疾病預(yù)后風險預(yù)警方法，其特征在于，所述風險等級分為以下三類：

9.一種基于數(shù)據(jù)采集的疾病預(yù)后風險預(yù)警系統(tǒng)，其特征在于，應(yīng)用權(quán)利要求1-8任一項所述的一種基于數(shù)據(jù)采集的疾病預(yù)后風險預(yù)警方法，包括：

技術(shù)總結(jié)
本發(fā)明公開了一種基于數(shù)據(jù)采集的疾病預(yù)后風險預(yù)警方法及系統(tǒng)，涉及疾病風險預(yù)警技術(shù)領(lǐng)域，包括：建立數(shù)據(jù)庫系統(tǒng)，收集患者信息，并對收集到的患者信息進行處理和存儲；將患者信息輸入至經(jīng)過訓練的預(yù)后風險分析模型，預(yù)測患者的疾病預(yù)后風險概率，且實現(xiàn)對患者的安全監(jiān)控及預(yù)警；所述預(yù)后風險分析模型采用支持向量回歸模型，在建立所述支持向量回歸模型時，通過遺傳算法對所述支持向量回歸模型進行超參數(shù)尋優(yōu)；根據(jù)所述預(yù)后風險分析模型分析的結(jié)果確定風險等級，根據(jù)風險等級自動生成預(yù)警信息，將預(yù)警信息實時反饋給患者和醫(yī)護人員，以便進行相應(yīng)的調(diào)整和干預(yù)。本發(fā)明引入先進的數(shù)據(jù)分析技術(shù)和數(shù)據(jù)庫系統(tǒng)，更全面、準確地評估疾病的預(yù)后風險。

技術(shù)研發(fā)人員：張馨月,劉海龍,莫琳君,劉瑋,鄧昊,沈妍欣,唐怡,楊晶晶
受保護的技術(shù)使用者：成都市第五人民醫(yī)院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2