一种数字化医疗信息在线监测方法、终端及介质

摘要

本申请涉及电子数字数据处理的领域，尤其是涉及一种数字化医疗信息在线监测方法、终端及介质，方法包括：根据预设数据库中的历史数据，计算第一患病集合E和第二患病集合F；确定所述第一患病集合E和所述第二患病集合F的标签向量，制作样本集；在神经网络模型中获取并应用所述样本集，根据预设的损失函数计算公式，训练所述神经网络模型；响应于输入的患者特征的确认指令，根据训练好的所述神经网络模型，生成目标患者的疾病预警信息。本申请对于患者未来可能的患病情况及患疾病种类进行预警，以辅助医生和患者进行针对性的预防。

权利要求

1.一种数字化医疗信息在线监测方法，

其特征在于，包括以下步骤：

根据预设数据库中的历史数据，计算第一患病集合E和第二患病集合F；

确定所述第一患病集合E和所述第二患病集合F的标签向量，制作样本集；

在神经网络模型中获取并应用所述样本集，根据预设的损失函数计算公式，训练所述神经网络模型，所述损失函数计算公式为：其中，i=1表示第一患病集合E里的第一个疾病元素，n表示第一患病集合E里的元素数量，α是疾病i损失的权重系数，LOSSi的计算公式为：其中，y'表示模型预测为类别中的一个的概率，yi表示i疾病的标签值，γ代表疾病i预测为其他疾病的损失惩罚因子；

响应于输入的患者特征的确认指令，根据训练好的所述神经网络模型，生成目标患者的疾病预警信息；

所述第一患病集合E的计算公式为：

其中，在所述数据库中，提取患者历史就诊科室信息，统计得到第一子集合A，提取患者家族病史信息，统计得到第二子集合B，提取病例中的历史药方信息，统计得到第三子集合C，第四子集合D为不可能患病集合；

所述第二患病集合F的计算公式为：

其中，在所述数据库中，提取患者历史就诊科室信息，统计得到第一子集合A，提取患者家族病史信息，统计得到第二子集合B，提取病例中的历史药方信息，统计得到第三子集合C；

如果疾病i是来自第二患病集合F，则其损失权重更大，α=0.8，如果疾病i只是第一患病集合E里的元素而不是第二患病集合F里的元素，则其损失权重α=0.2；

所述损失函数计算公式中，

其中，DALYs为生命年失活和残疾年相加获得；每种疾病的DALYs越大，说明该病的严重程度越高，DALYs越大γ越小；γ越小，损失函数越大，表示惩罚越大，预测错误的损失函数越大。

2.根据权利要求1所述的数字化医疗信息在线监测方法，其特征在于，还包括以下步骤：通过预设的评价指标优化所述神经网络模型的训练过程，所述评价指标为：其中，P,R分别表示模型的查准率和查全率，β为模型对应的查准率和查全率的偏好。

3.根据权利要求1或2所述的数字化医疗信息在线监测方法，其特征在于，所述根据所述神经网络模型，生成目标患者的疾病预警信息，包括以下步骤：响应于输入的患者特征的确认指令，根据所述神经网络模型进行预测，生成模型输出结果；

根据所述模型输出结果，生成所述疾病预警信息，指示患者的疾病风险。

4.一种终端设备，包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序，其特征在于，所述处理器加载并执行计算机程序时，采用了权利要求1或2所述的数字化医疗信息在线监测方法。

5.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器加载并执行时，采用了权利要求1或2所述的数字化医疗信息在线监测方法。

说明书

一种数字化医疗信息在线监测方法、终端及介质

技术领域

[0001] 本申请涉及电子数字数据处理的领域，尤其是涉及一种数字化医疗信息在线监测方法、终端及介质。

背景技术

[0002] 据调查数据显示，全国超过5.8亿人具有一种以上的、与慢性病有关的危险因素，到2030年，中国的慢性病负担将增长50%。在患有慢性病患者就医时，医生需要对其的病因及当前用药等历史病例数据了解清除，但是全国每年仍有许多患者由于没有了解完全自身慢性病或者潜在并发症而导致治疗延误，对患者自身造成严重的损害的案例。

[0003] 随着计算机和网络技术的开发应用遍及各个领域，现代医院都已建立了自己的局域网，通过网络可以收集并显示患者的各种健康体征数据和最新的医疗信息，因此使用数字化医疗及时掌握关于患者当下的身体状况，为患者提供良好的医疗和健康服务是可行的。

[0004] 目前，公开号为CN106919778A的专利文件公开了根据医疗大数据的疾病诊断方法及装置，该方法通过个人检查指标和历史疾病数据指标的相关度预测某种疾病，但不能够预测出未来可能的患病情况及患某种疾病的可能性，不利于辅助医生和患者进行针对性的预防。

发明内容

[0005] 为了能够对患者进行患病种类及患病情况的预测，为患者和医生制定治疗和预防方案提供参考，本申请提供一种数字化医疗信息在线监测方法、终端及介质。

[0006] 第一方面，本申请提供的一种数字化医疗信息在线监测方法，采用如下的技术方案：

[0007] 一种数字化医疗信息在线监测方法，包括以下步骤：根据预设数据库中的历史数据，计算第一患病集合E和第二患病集合F；确定所述第一患病集合E和所述第二患病集合F的标签向量，制作样本集；在神经网络模型中获取并应用所述样本集，根据预设的损失函数计算公式，训练所述神经网络模型，所述损失函数计算公式为： ，其中，i=1表示第一患病集合E里的第一个疾病元素，n表示第一患病集合E里的元素数量，是疾病i损失的权重系数， 的计算公式为：

[0008] , 其中，y'表示模型预测为类别中的一个的概率， 表示i疾病的标签值，γ代表疾病i预测为其他疾病的损失惩罚因子；响应于输入的患者特征的确认指令，根据训练好的所述神经网络模型，生成目标患者的疾病预警信息。

[0009] 通过采用上述技术方案，本申请能够根据患者的医疗信息，预测出患者未来可能患某种疾病的患病情况及患病可能性，即使患者当前可能没有出现这些疾病的症状，但根据预测结果可以提前采取预防措施或定期进行相关的健康检查，以减轻疾病的风险或早期发现并治疗潜在的疾病，为患者提供可能出现的疾病预警信息，辅助医生和患者进行针对性预防。

[0010] 可选的，所述第一患病集合E的计算公式为: ,其中，在所述数据库中，提取患者历史就诊科室信息，统计得到第一子集合A，提取患者家族病史信息，统计得到第二子集合B，提取病例中的历史药方信息，统计得到第三子集合C，第四子集合D为不可能患病集合。

[0011] 可选的，所述第二患病集合F的计算公式为：第二患病集合 ，其中，在所述数据库中，提取患者历史就诊科室信息，统计得到第一子集合A，提取患者家族病史信息，统计得到第二子集合B，提取病例中的历史药方信息，统计得到第三子集合C。

[0012] 可选的，所述损失函数计算公式中， ，DALYs为生命年失活和残疾年相加获得。

[0013] 通过采用上述技术方案，每种疾病的DALYs越大，说明该病的严重程度越高，DALYs越大γ越小，γ越小，损失函数越大，表示惩罚越大，其预测错误的损失函数就越大。

[0014] 可选的，通过预设的评价指标优化所述神经网络模型的训练过程，所述评价指标为： ，其中，P,R分别表示模型的查准率和查全率，β根据对查准率和查全率的偏好设置。

[0015] 通过采用上述技术方案，将样本集输入到神经网络模型中进行训练，预测未来患疾病种类及患病的概率，调节模型中的超参数，根据预设的评价指标选取效果最优的模型。其中，查准率衡量了模型在预测为正例的样本中有多少是真正的正例，查全率衡量了模型在所有实际正例中正确预测为正例的比例。

[0016] 可选的，所述根据所述神经网络模型，生成目标患者的疾病预警信息，包括以下步骤：响应于输入的患者特征的确认指令，根据所述神经网络模型进行预测，生成模型输出结果；根据模型输出结果，生成所述疾病预警信息，指示患者的疾病风险。

[0017] 通过采用上述技术方案，根据模型输出的结果，得到对应的疾病预警信息，结果可以是患病风险的概率值，指示目标患者的疾病风险级别，根据模型输出的结果，生成相应的疾病预警信息，根据设定的阈值或标准，可以将患者的疾病风险级别划分为低、中、高等级，提供相应的风险评估和建议，指示患者的疾病风险。

[0018] 第二方面，本申请提供一种终端设备，采用如下的技术方案：

[0019] 一种终端设备，包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序，所述处理器加载并执行计算机程序时，采用了上述的数字化医疗信息在线监测方法。

[0020] 通过采用上述技术方案，将上述的数字化医疗信息在线监测方法生成计算机程序，并存储于存储器中，以被处理器加载并执行，从而，根据存储器及处理器制作终端设备，方便使用。

[0021] 第三方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：

[0022] 一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，采用了上述的数字化医疗信息在线监测方法。

[0023] 通过采用上述技术方案，将上述的数字化医疗信息在线监测方法生成计算机程序，并存储于计算机可读存储介质中，以被处理器加载并执行，通过计算机可读存储介质，方便计算机程序的可读及存储。

[0024] 本申请具有以下效果：

[0025] 1、本申请通过神经网络模型，预测出患者未来可能患某种疾病的患病情况及患病可能性，即使患者当前可能没有出现这些疾病的症状，但根据预测结果可以提前采取预防措施或定期进行相关的健康检查，以减轻疾病的风险或早期发现并治疗潜在的疾病，为患者提供可能出现的疾病预警信息，辅助医生和患者进行针对性预防。

[0026] 2、通过损失函数训练所述神经网络模型，使用损失函数计算公式，结合疾病集合的权重系数和损失惩罚因子，对神经网络模型进行训练，可以帮助模型更好地学习各个疾病之间的关联和权重，提高整体的预测效果。

[0027] 3、根据神经网络模型，可以为目标患者生成多个疾病的预警信息，并对不同疾病的风险进行划分，并生成相应的疾病预警信息，帮助医生和患者做出相应的决策和干预措施。

附图说明

[0028] 通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

[0029] 图1是本申请实施例一种数字化医疗信息在线监测方法中步骤S1‑S5的方法流程图。

[0030] 图2是本申请实施例一种数字化医疗信息在线监测方法中步骤S50‑S51的方法流程图。

[0031] 图3是本申请实施例一种终端的框架示意图。

具体实施方式

[0032] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0033] 应当理解，当本发明的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

[0034] 本申请实施例公开一种数字化医疗信息在线监测方法，如患者当前可能未出现一些疾病的症状，根据患者的历史病史，医生药方、家族病史等信息，预测出患者未来可能患某种疾病及患病的情况、患病的可能性，根据预测结果可以提前采取预防措施或定期进行相关的健康检查，以减轻疾病的风险或早期发现并治疗潜在的疾病，为患者提供可能出现的疾病的预警信息，辅助医生和患者进行针对性预防。参照图1，包括步骤S1‑S5，具体如下：

[0035] S1：根据预设数据库中的历史数据，计算第一患病集合E和第二患病集合F。

[0036] 第一患病集合E的计算公式为：

[0037] 第二患病集合F的计算公式为：

[0038]

[0039] 其中，第一集合E是指患者的可能患病集合，第二集合F是指患者的较大可能患病集合，在数据库中，提取患者历史就诊科室信息，统计得到第一子集合A，提取患者家族病史信息，统计得到第二子集合B，提取病例中的历史药方信息，统计得到第三子集合C，第四子集合D为不可能患病集合。

[0040] 第一子集合A指通过患者的过往看病记录，确定出患者经常去的科室，得到患者的可能患病集合。例如，如果患者经常去心脏科，患者可能的患病集合，如心脏病、冠心病、心肌病、心力衰竭、心律失常、心脏瓣膜疾病等疾病。第一子集合A：心脏病、冠心病、心肌病、心力衰竭、心律失常、心脏瓣膜疾病。

[0041] 第二子集合B指患者的可能患病集合根据看病记录中的家族病史，得出患者的可能患病集合。例如，根据看病记录中的家族病史，统计家族三代患病病史得出患者的可能患病集合作为第二子集合B，假设患者的父亲患有高血压，母亲患有糖尿病，祖父患有冠心病，祖母患有乳腺癌。通过对家族三代以上的患病病史的统计分析，可以得出患者的第二子集合B为：高血压、糖尿病、冠心病、乳腺癌等与家族病史相关的疾病。

[0042] 第三子集合C指通过患者看病记录中医生给患者开出的药方，推断出患者得可能患病集合。例如，假设患者去就诊时，医生为他开出了抗生素和消炎药，并且标明该药适用于呼吸道感染。根据药方，可以推断出患者可能患有呼吸道感染，则第三子集合C：呼吸道感染。

[0043] 第四子集合D指通过患者看病记录中医生给患者开出的药方不适用人群和药剂量，推断出患者不可能患病的集合。例如，患者的药方中包含了一种抗凝药物，如华法林（warfarin），并且医生在药方中明确注明该药不适用于孕妇。根据这个药方，可以推断出患者不可能是孕妇，则第四子集合D：孕妇相关的疾病。

[0044] 孕妇在药物治疗方面有一些限制，特别是涉及到胎儿发育和出生缺陷的风险。抗凝药物华法林在孕妇中使用可能会对胎儿产生不良影响，所以通常不会给孕妇开出此类药物。通过药方中药物的特性和药剂量的多少，推断出患者可能患病的集合C，并且排除患者不可能患病的第四子集合D。

[0045] S2: 确定第一患病集合E和第二患病集合F的标签向量，制作样本集。

[0046] 制作样本集，随机分配训练集和测试集，训练集和测试集的比例为4：1。具体地，样本集的构建过程如下：

[0047] 如果第一集合E中的疾病患者未来出现则该疾病的标签为1，没有出现则标签为0，那么一个样本有一个标签向量，对10000个样本确定标签，可以得到样本量为10000的样本集，随机对样本集进行分类，得到训练集和样本集比例为4：1的数据集，得到训练模型的样本集。

[0048] S3: 在神经网络模型中获取并应用样本集，根据预设的损失函数计算公式，训练神经网络模型。

[0049] 损失函数计算公式为：

[0050]

[0051] 其中，i=1表示第一患病集合E里的第一个疾病元素，n表示第一患病集合E里的元素数量，是疾病i损失的权重系数，本申请中，如果疾病i是来自第二集合F，则其损失权重更大， ，如果疾病i只是第一集合E里的元素而不是第二集合F里的元素，则其损失权重 。

[0052] 的计算公式为：

[0053]

[0054] 其中，y'表示模型预测为类别中的一个的概率， 表示i疾病的标签值，γ代表疾病i预测为其他疾病的损失惩罚因子，γ越小损失函数越大，表示惩罚越大。γ的值由残疾调整生命年（Disability Adjusted Life Years，DALYs）决定，每一种疾病会对应一个DALYs值，DALYs值的计算涉及到疾病的发病率、疾病病程、疾病的严重程度以及人群的年龄和性别等多个因素。

[0055] 具体的，损失函数计算公式中，

[0056]

[0057] 其中，每种疾病的DALYs越大，说明该病的严重程度越高，DALYs越大γ越小；γ越小，损失函数越大，表示惩罚越大，其预测错误的损失函数就越大。

[0058] DALYs值的计算公式为:

[0059] 其中，DALYs为生命年失活（YLL，Years of Life Lost）和残疾年（YLD，Years Lived with Disability）相加获得。YLL代表由于早逝而失去的潜在寿命年数，YLD代表由于疾病或伤害导致的健康损失年数。

[0060] YLL的计算公式为：

[0061]

[0062] 其中，N代表因疾病或伤害而导致的早逝人数，L代表每个早逝人的预期寿命。

[0063] YLD的计算公式为：

[0064] 其中，P代表患病人数，DW代表疾病负担权重，代表疾病严重程度，L代表疾病的持续时间。

[0065] 本申请中，神经网络模型选用BP神经网络模型（Back Propagation Neural Network）。

[0066] S4: 通过预设的评价指标优化神经网络模型的训练过程。

[0067] 将样本集输入到神经网络模型中进行训练，预测未来患疾病种类及患病的概率，调节模型中的超参数，根据预设的评价指标选取效果最优的模型。预设的评价指标如下：

[0068]

[0069] 其中，P,R分别表示模型的查准率和查全率，查准率和查全率是用于评估分类模型性能的指标之一，查准率衡量了模型在预测为正例的样本中有多少是真正的正例，查全率衡量了模型在所有实际正例中正确预测为正例的比例。

[0070] 本申请中，β为模型对应的查准率和查全率的偏好，β是根据实际问题对查准率和查全率的偏好调整，β>1，表示查全率重要，β<1，表示查准率重要，本申请更偏好高的查准率，β设置为0.9。

[0071] S5: 响应于输入的患者特征的确认指令，根据训练好的神经网络模型，生成目标患者的疾病预警信息。参照图2，步骤S5包括步骤S50‑S51,具体如下：

[0072] S50：响应于输入的患者特征的确认指令，根据神经网络模型进行预测，生成模型输出结果。

[0073] 根据模型输出的结果，可以获得患者的疾病风险预测或患病概率等信息，例如，模型输出的一个患病风险分数，患病风险分数为0‑1之间的概率值，患病风险分数表示患者可能患有某种疾病的概率。

[0074] S51：根据模型输出结果，生成疾病预警信息，指示患者的疾病风险。

[0075] 疾病预警信息包括该患者可能患有的具体疾病、患有该疾病的可能性及相应的风险评估，通过可视化的图文及表格，为医生和患者提供参考，对患者的健康情况进行监控。

[0076] 本申请可以使用预定义的标准或阈值来判定患者的疾病风险等级，例如低、中、高风险。本申请还可以加入文字描述或建议，如提醒患者进行更详细的医学检查或咨询医生等。

[0077] 例如，通过输入患者的年龄、性别、症状信息等特征进行预测，经过神经网络模型的计算，得到一个患病风险分数。当模型输出的患病风险分数大于0.7‑1时，判定患者的患病风险为高风险，生成疾病预警信息，指示可能患病类型及患病概率，并建议患者尽快咨询专业医生进行进一步的检查和诊断。

[0078] 当模型输出的患病风险分数大于0.3‑7时，判定患者的患病风险为中风险，生成疾病预警信息，指示可能患病类型及患病概率，并建议患者可以咨询专业医生进行进一步的检查和诊断。

[0079] 如果模型输出的患病风险分数在0.3以下，判定患者可能存在较低的患病风险，指示可能患病类型及患病概率，并做出一些健康生活建议，如保持良好的生活习惯、均衡饮食等。

[0080] 本申请实施例数字化医疗信息在线监测方法的实施原理为：根据患者信息，计算出可能患病集合和较大可能患病集合，根据患者的可能患病集合和过往经验给患者确定标签向量，制作样本集，随机分配训练集和测试集。根据较大可能患病集合和疾病的严重程度确定BP神经网络的损失函数，将样本集输入神经网络模型，根据损失函数训练神经网络，通过预设的评价指标选取效果最好的神经网络模型，针对不同患者的疾病预测结果制定治疗或预防措施。

[0081] 本申请实施例还公开一种终端设备，参照图3，包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序，其中，处理器执行计算机程序时，采用了上述实施例中的数字化医疗信息在线监测方法。

[0082] 其中，终端设备可以采用台式电脑、笔记本电脑或者云端服务器等计算机设备，并且，终端设备包括但不限于处理器以及存储器，例如，终端设备还可以包括输入输出设备、网络接入设备以及总线等。

[0083] 其中，处理器可以采用中央处理单元（CPU），当然，根据实际的使用情况，也可以采用其他通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现成可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以采用微处理器或者任何常规的处理器等，本申请对此不做限制。

[0084] 其中，存储器可以为终端设备的内部存储单元，例如，终端设备的硬盘或者内存，也可以为终端设备的外部存储设备，例如，终端设备上配备的插接式硬盘、智能存储卡（SMC）、安全数字卡（SD）或者闪存卡（FC）等，并且，存储器还可以为终端设备的内部存储单元与外部存储设备的组合，存储器用于存储计算机程序以及终端设备所需的其他程序和数据，存储器还可以用于暂时地存储已经输出或者将要输出的数据，本申请对此不做限制。

[0085] 其中，通过本终端设备，将上述实施例中的数字化医疗信息在线监测方法存储于终端设备的存储器中，并且，被加载并执行于终端设备的处理器上，方便使用。

[0086] 本申请实施例还公开一种计算机可读存储介质，并且，计算机可读存储介质存储有计算机程序，其中，计算机程序被处理器执行时，采用了上述实施例中的数字化医疗信息在线监测方法。

[0087] 其中，计算机程序可以存储于计算机可读介质中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间件形式等，计算机可读介质包括能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM）、随机存取存储器（RAM）、电载波信号、电信信号以及软件分发介质等，需要说明的是，计算机可读介质包括但不限于上述元器件。

[0088] 其中，通过本计算机可读存储介质，将上述实施例中的数字化医疗信息在线监测方法存储于计算机可读存储介质中，并且，被加载并执行于处理器上，以方便上述方法的存储及应用。

[0089] 以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。