基于主动脉夹层病历数据的术后病情深度学习方法及系统

摘要

本发明公开了基于主动脉夹层病历数据的术后病情深度学习方法及系统，涉及术后病情深度学习技术领域，包括如下步骤：建设主动脉夹层病历大数据库；对主动脉夹层病历信息的信息类型进行分类，得到总信息分类；对总信息分类下的信息类型进行分类，得到子信息分类；判断不同总信息分类的总分类指数并计算病患的术后病情指数；基于大数据的术后病情指数进行深度学习；本发明用于解决现有的主动脉夹层患者的术后病情深度学习技术还存在缺少结合主动脉夹层病历整体阶段的数据对术后病情的异常情况进行深度学习的方法，对于主动脉夹层术后病情的有效评估存在不足的问题。

权利要求

1.基于主动脉夹层病历数据的术后病情深度学习方法，其特征在于，包括如下步骤：建设主动脉夹层病历大数据库，收录主动脉夹层病历信息；

对主动脉夹层病历信息的信息类型进行分类，得到总信息分类；

对总信息分类下的信息类型进行分类，得到子信息分类；

对总信息分类以及子信息分类进行分析，判断不同总信息分类的总分类指数并计算病患的术后病情指数；

基于大数据的术后病情指数进行深度学习，判断病患进行手术后各项人体参数的参数异常率；

对主动脉夹层病历信息的信息类型进行分类，得到总信息分类包括如下子步骤：读取医院病历数据库，获取主动脉夹层病历收集表；

基于主动脉夹层病历收集表对主动脉夹层病历信息的信息类型进行分类，得到总信息分类；所述总信息分类包括现病史数据、既往史数据、影像学检查数据、实验室检查数据、术中资料以及术后资料；

对总信息分类下的信息类型进行分类，得到子信息分类包括如下子步骤：获取总信息分类下所有信息的信息类型；

查找信息类型中的数据形式，对数据形式进行分类，得到子信息分类；所述子信息分类包括数字式、是否式以及等级式；

将数据形式为数字的信息类型归纳为数字式，将数据形式为是或否的信息类型归纳为是否式，将数据形式为不同等级的信息类型归纳为等级式；

对总信息分类以及子信息分类进行分析，判断不同总信息分类的总分类指数并计算病患的术后病情指数包括如下子步骤：获取病患的首发症状，针对不同的首发症状建立不同的深度学习分支，将深度学习分支标记为DLBn，n为大于等于1的正整数；

连接特征正常范围数据库，读取特征正常范围；

对DLBn进行分析，遍历读取DLBn中的总信息分类，针对每个总信息分类，获取其目录下的子信息分类的数量，标记为分类信息数；

获取子信息分类目录下的病历的数据，标记为病历数据；

获取病历数据，判断其子信息分类，若为数字式，则输出范围检测信号；若为是否式，则输出是否检测信号；若为等级式，则输出等级检测信号；

根据不同的检测信号对病历数据进行不同的处理，处理完成后输出分析信号；

根据不同的检测信号对病历数据进行不同的处理，处理完成后输出分析信号包括如下子步骤：若输出范围检测信号，则获取病历数据对应的特征正常范围，查找病历数据是否处于特征正常范围内，若为是，则输出正常范围信号；若为否，则输出异常范围信号；

若输出是否检测信号，则获取病历数据的文本文字，若文本文字为“是”，则输出特征异常信号；若文本文字为“否”，则输出特征正常信号；

若输出等级检测信号，则读取病历数据是否为零级，若病历数据的等级为零级，则输出等级正常信号；若病历数据的等级不为零级，则输出等级异常信号；

对分析信号进行分析计算，判断每个总信息分类的总分类指标；所述分析信号包括正常范围信号、异常范围信号、特征异常信号、特征正常信号、等级正常信号以及等级异常信号；

对分析信号进行分析计算，判断每个总信息分类的总分类指标包括如下子步骤：设置范围分类指标，初始为零，标记为SCI，接收异常范围信号，若接收到异常范围信号，则将SCI加一；

设置特征分类指标，初始为零，标记为FCI，接收特征异常信号，若接收到特征异常信号，则将FCI加一；

设置等级分类指标，初始为零，标记为GCI，接收等级异常信号，若接收到等级异常信号，则获取病历数据的病情等级，若病情等级为X级，则将GCI增加1+(X‑1)×0.2，X为常数且为正整数；

接收所有的分析信号，接收完成后得到SCI、FCI以及GCI；

分别查找总信息分类中子信息类型为数字式、是否式以及等级式的数量，分别标记为范围分类标准、特征分类标准以及等级分类标准；

通过总分类指标计算公式进行计算，得到总分类指标；

所述总分类指标计算公式配置为： ；其中，AC

为总分类指标，SCC为范围分类标准，FCC为特征分类标准，GCC为等级分类标准；

对所有总信息分类进行分析计算，再对总分类指标进行计算，得到病患的术后病情指标；

对所有总信息分类进行分析计算，再对总分类指标进行计算，得到病患的术后病情指标包括如下子步骤：分析计算现病史数据、既往史数据、影像学检查数据、实验室检查数据以及术中资料的总分类指标，分别命名为总现病史指标、总既往史指标、总影像学指标、总实验室指标以及总术中指标，依次记为AC1至ACm，m为常数且为正整数；

获取AC1至ACm中的最小值以及最大值，分别标记为异常指标以及正常指标；

设置异常指数，若异常指标为总现病史指标，则将异常指数设置为第一预设指数；若异常指标为总既往史指标，则将异常指数设置为第二预设指数；若异常指标为总影像学指标，则将异常指数设置为第三预设指数；若异常指标为总实验室指标，则将异常指数设置为第四预设指数；若异常指标为总术中指数，则将异常指数设置为第五预设指数；

设置正常指数，若正常指标为总现病史指标，则将正常指数设置为第一预设指数；若正常指标为总既往史指标，则将正常指数设置为第二预设指数；若正常指标为总影像学指标，则将正常指数设置为第三预设指数；若正常指标为总实验室指标，则将正常指数设置为第四预设指数；若正常指标为总术中指标，则将正常指数设置为第五预设指数；

通过术后病情指标计算公式进行计算，得到病患的术后病情指标；

所述术后病情指标计算公式配置为： ；其中，Pte为术后病情指标，T为异常指数，Q为正常指数；

基于大数据的术后病情指数进行深度学习，判断病患进行手术后各项人体参数的参数异常率包括如下子步骤：基于主动脉夹层病历大数据库，计算所有主动脉夹层病历的术后病情指标，对术后病情指标进行编号，标记为Ps，s为常数且为正整数；

以Ps为X轴，术后病情指标为Y轴建立术后病情指标坐标系，将术后病情指标全部录入术后病情指标坐标系；将术后病情指标的数量标记为指标数；

设置指标范围，以术后病情指标为零为起点，增大指标范围，同时获取指标范围内的术后病情指标对应的主动脉夹层病历内的术后资料中人体参数的异常项，标记为异常参数；

对指标范围内所有的术后病情指标进行统计，统计不同的异常参数的数量并与指标数相除，得到参数异常率，增大指标范围，当指标范围内的指标数大于等于第一数量阈值时输出范围确定信号；

计算参数异常率，若指标数大于等于第二数量阈值且任意参数异常率等于第一异常概率，则继续增大指标范围，同时监测对应的参数异常率是否减小，若参数异常率减小，则输出范围确定信号，若参数异常率增大，则继续增大指标范围；

若输出范围确定信号，则停止增大指标范围，同时以当前指标范围的最大值为起点，继续分析下一指标范围，直到指标范围囊括所有的术后病情指标；

输出不同的指标范围对应的不同的人体参数的参数异常率。

2.根据权利要求1所述的基于主动脉夹层病历数据的术后病情深度学习方法，其特征在于，建设主动脉夹层病历大数据库，收录主动脉夹层病历信息包括与医院病历数据库建立数据连接，获取其中的主动脉夹层病历，同时通过互联网大数据获取大量的主动脉夹层病历保存至主动脉夹层病历大数据库中。

3.适用于权利要求1或2任意一项所述的基于主动脉夹层病历数据的术后病情深度学习方法的系统，其特征在于，包括大数据收集模块、信息分类模块、术后病情分析模块以及术后病情深度学习模块；所述大数据收集模块、信息分类模块以及术后病情深度学习模块分别与术后病情分析模块数据连接；

所述大数据收集模块用于建设主动脉夹层病历大数据库，收录主动脉夹层病历信息；

所述信息分类模块用于对主动脉夹层病历信息的信息类型进行分类，得到总信息分类；对总信息分类下的信息类型进行分类，得到子信息分类；

所述术后病情分析模块用于对总信息分类以及子信息分类进行分析，判断不同总信息分类的总分类指数并计算病患的术后病情指数；

所述术后病情深度学习模块用于基于大数据的术后病情指数进行深度学习，判断病患进行手术后各项人体参数的参数异常率。

说明书

基于主动脉夹层病历数据的术后病情深度学习方法及系统

技术领域

[0001] 本发明涉及术后病情深度学习技术领域，具体为基于主动脉夹层病历数据的术后病情深度学习方法及系统。

背景技术

[0002] 现有的术后病情深度学习技术，是指应用深度学习算法来分析和评估患者手术后的病情变化和恢复情况的方法，深度学习是一种机器学习技术，通过构建多层神经网络模型，可以自动地从大量的手术后数据中学习和提取相关特征，以便对患者的术后病情进行评估和预测；主动脉夹层指主动脉腔内的血液从主动脉内膜撕裂处进入主动脉中膜，使中膜分离，沿主动脉长轴方向扩展形成主动脉壁的真假两腔分离状态，其诱发病因较多，例如高血压、动脉硬化、结缔组织病、先天性心血管病以及损伤等，临床表现的症状也较多，如疼痛，其中疼痛也分胸痛、背痛以及腹痛，检查的项目结果呈现方式也不同，检查通常为影像学检查和血液检查等；因此在针对主动脉夹层的术后病情分析时，需要考虑到的影响因素也较多。

[0003] 现有的术后病情深度学习技术通常都是基于病患目前的检测结果对病患的术后病情进行评估或预测，采用的数据通常仅为当前阶段病患的身体数据，缺少对整个治疗阶段的数据数据分析，导致分析结果不够准确，不能适用于病情复杂的主动脉夹层患者的术后病情分析；比如在申请公开号为CN111897857A的中国专利中，公开了主动脉夹层心脏手术后ICU时长预测方法，该方案在进行深度学习分析时就仅仅通过手术阶段产生的临床数据进行分析，缺少了患者在不同阶段的多方面数据分析，而病患的病情在不同阶段出现的不同症状在一定程度上能够影响术后病情的结果，因此需要多方面考虑才能够确保准确的分析结果，现有的技术中缺少一种结合主动脉夹层病历整体阶段的数据对术后病情的异常情况进行深度学习的方法，使医生和患者缺少在主动脉夹层术后的有效评估手段。

发明内容

[0004] 本发明旨在至少在一定程度上解决现有技术中的技术问题之一，通过基于主动脉夹层病历收集表划分总信息分类，再对总信息分类下的病历信息分类，得到子信息分类，基于不同的首发症状建立不同的深度学习分支，在深度学习分支中，对总信息分类以及子信息分类进行分析得到总分类指标，再根据总分类指标计算病患的术后病情指标，最后对术后病情指标的大数据进行深度学习，构建智能指标区间，判断指标区间的范围以及指标区间对应的各项术后人体参数的参数异常概率，以解决现有的主动脉夹层患者的术后病情深度学习技术还存在缺少结合主动脉夹层病历整体阶段的数据对术后病情的异常情况进行深度学习的方法，对于主动脉夹层术后病情的有效评估存在不足的问题。

[0005] 为实现上述目的，第一方面，本申请提供基于主动脉夹层病历数据的术后病情深度学习方法，包括如下步骤：

[0006] 建设主动脉夹层病历大数据库，收录主动脉夹层病历信息；

[0007] 对主动脉夹层病历信息的信息类型进行分类，得到总信息分类；

[0008] 对总信息分类下的信息类型进行分类，得到子信息分类；

[0009] 对总信息分类以及子信息分类进行分析，判断不同总信息分类的总分类指数并计算病患的术后病情指数；

[0010] 基于大数据的术后病情指数进行深度学习，判断病患进行手术后各项人体参数的参数异常率。

[0011] 进一步地，建设主动脉夹层病历大数据库，收录主动脉夹层病历信息包括与医院病历数据库建立数据连接，获取其中的主动脉夹层病历，同时通过互联网大数据获取大量的主动脉夹层病历保存至主动脉夹层病历大数据库中。

[0012] 进一步地，对主动脉夹层病历信息的信息类型进行分类，得到总信息分类包括如下子步骤：

[0013] 读取医院病历数据库，获取主动脉夹层病历收集表；

[0014] 基于主动脉夹层病历收集表对主动脉夹层病历信息的信息类型进行分类，得到总信息分类；所述总信息分类包括现病史数据、既往史数据、影像学检查数据、实验室检查数据、术中资料以及术后资料。

[0015] 进一步地，对总信息分类下的信息类型进行分类，得到子信息分类包括如下子步骤：

[0016] 获取总信息分类下所有信息的信息类型；

[0017] 查找信息类型中的数据形式，对数据形式进行分类，得到子信息分类；所述子信息分类包括数字式、是否式以及等级式；

[0018] 将数据形式为数字的信息类型归纳为数字式，将数据形式为是或否的信息类型归纳为是否式，将数据形式为不同等级的信息类型归纳为等级式。

[0019] 进一步地，对总信息分类以及子信息分类进行分析，判断不同总信息分类的总分类指数并计算病患的术后病情指数包括如下子步骤：

[0020] 获取病患的首发症状，针对不同的首发症状建立不同的深度学习分支，将深度学习分支标记为DLBn，n为大于等于1的正整数；

[0021] 连接特征正常范围数据库，读取特征正常范围；

[0022] 对DLBn进行分析，遍历读取DLBn中的总信息分类，针对每个总信息分类，获取其目录下的子信息分类的数量，标记为分类信息数；

[0023] 获取子信息分类目录下的病历的数据，标记为病历数据；

[0024] 获取病历数据，判断其子信息分类，若为数字式，则输出范围检测信号；若为是否式，则输出是否检测信号；若为等级式，则输出等级检测信号；

[0025] 根据不同的检测信号对病历数据进行不同的处理，处理完成后输出分析信号。

[0026] 进一步地，根据不同的检测信号对病历数据进行不同的处理，处理完成后输出分析信号包括如下子步骤：

[0027] 若输出范围检测信号，则获取病历数据对应的特征正常范围，查找病历数据是否处于特征正常范围内，若为是，则输出正常范围信号；若为否，则输出异常范围信号；

[0028] 若输出是否检测信号，则获取病历数据的文本文字，若文本文字为“是”，则输出特征异常信号；若文本文字为“否”，则输出特征正常信号；

[0029] 若输出等级检测信号，则读取病历数据是否为零级，若病历数据的等级为零级，则输出等级正常信号；若病历数据的等级不为零级，则输出等级异常信号；

[0030] 对分析信号进行分析计算，判断每个总信息分类的总分类指标；所述分析信号包括正常范围信号、异常范围信号、特征异常信号、特征正常信号、等级正常信号以及等级异常信号。

[0031] 进一步地，对分析信号进行分析计算，判断每个总信息分类的总分类指标包括如下子步骤：

[0032] 设置范围分类指标，初始为零，标记为SCI，接收异常范围信号，若接收到异常范围信号，则将SCI加一；

[0033] 设置特征分类指标，初始为零，标记为FCI，接收特征异常信号，若接收到特征异常信号，则将FCI加一；

[0034] 设置等级分类指标，初始为零，标记为GCI，接收等级异常信号，若接收到等级异常信号，则获取病历数据的病情等级，若病情等级为X级，则将GCI增加1+(X‑1)×0.2，X为常数且为正整数；

[0035] 接收所有的分析信号，接收完成后得到SCI、FCI以及GCI；

[0036] 分别查找总信息分类中子信息类型为数字式、是否式以及等级式的数量，分别标记为范围分类标准、特征分类标准以及等级分类标准；

[0037] 通过总分类指标计算公式进行计算，得到总分类指标；

[0038] 所述总分类指标计算公式配置为： ；其中，AC为总分类指标，SCC为范围分类标准，FCC为特征分类标准，GCC为等级分类标准；

[0039] 对所有总信息分类进行分析计算，再对总分类指标进行计算，得到病患的术后病情指标。

[0040] 进一步地，对所有总信息分类进行分析计算，再对总分类指标进行计算，得到病患的术后病情指标包括如下子步骤：

[0041] 分析计算现病史数据、既往史数据、影像学检查数据、实验室检查数据以及术中资料的总分类指标，分别命名为总现病史指标、总既往史指标、总影像学指标、总实验室指标以及总术中指标，依次记为AC1至ACm，m为常数且为正整数；

[0042] 获取AC1至ACm中的最小值以及最大值，分别标记为异常指标以及正常指标；

[0043] 设置异常指数，若异常指标为总现病史指标，则将异常指数设置为第一预设指数；若异常指标为总既往史指标，则将异常指数设置为第二预设指数；若异常指标为总影像学指标，则将异常指数设置为第三预设指数；若异常指标为总实验室指标，则将异常指数设置为第四预设指数；若异常指标为总术中指数，则将异常指数设置为第五预设指数；

[0044] 设置正常指数，若正常指标为总现病史指标，则将正常指数设置为第一预设指数；若正常指标为总既往史指标，则将正常指数设置为第二预设指数；若正常指标为总影像学指标，则将正常指数设置为第三预设指数；若正常指标为总实验室指标，则将正常指数设置为第四预设指数；若正常指标为总术中指标，则将正常指数设置为第五预设指数；

[0045] 通过术后病情指标计算公式进行计算，得到病患的术后病情指标；

[0046] 所述术后病情指标计算公式配置为： ；其中，Pte为术后病情指标，T为异常指数，Q为正常指数。

[0047] 进一步地，基于大数据的术后病情指数进行深度学习，判断病患进行手术后各项人体参数的参数异常率包括如下子步骤：

[0048] 基于主动脉夹层病历大数据库，计算所有主动脉夹层病历的术后病情指标，对术后病情指标进行编号，标记为Ps，s为常数且为正整数；

[0049] 以Ps为X轴，术后病情指标为Y轴建立术后病情指标坐标系，将术后病情指标全部录入术后病情指标坐标系；将术后病情指标的数量标记为指标数；

[0050] 设置指标范围，以术后病情指标为零为起点，增大指标范围，同时获取指标范围内的术后病情指标对应的主动脉夹层病历内的术后资料中人体参数的异常项，标记为异常参数；

[0051] 对指标范围内所有的术后病情指标进行统计，统计不同的异常参数的数量并与指标数相除，得到参数异常率，增大指标范围，当指标范围内的指标数大于等于第一数量阈值时输出范围确定信号；

[0052] 计算参数异常率，若指标数大于等于第二数量阈值且任意参数异常率等于第一异常概率，则继续增大指标范围，同时监测对应的参数异常率是否减小，若参数异常率减小，则输出范围确定信号，若参数异常率增大，则继续增大指标范围；

[0053] 若输出范围确定信号，则停止增大指标范围，同时以当前指标范围的最大值为起点，继续分析下一指标范围，直到指标范围囊括所有的术后病情指标；

[0054] 输出不同的指标范围对应的不同的人体参数的参数异常率。

[0055] 第二方面，本申请提供基于基于主动脉夹层病历数据的术后病情深度学习系统，包括大数据收集模块、信息分类模块、术后病情分析模块以及术后病情深度学习模块；所述大数据收集模块、信息分类模块以及术后病情深度学习模块分别与术后病情分析模块数据连接；

[0056] 所述大数据收集模块用于建设主动脉夹层病历大数据库，收录主动脉夹层病历信息；

[0057] 所述信息分类模块用于对主动脉夹层病历信息的信息类型进行分类，得到总信息分类；对总信息分类下的信息类型进行分类，得到子信息分类；

[0058] 所述术后病情分析模块用于对总信息分类以及子信息分类进行分析，判断不同总信息分类的总分类指数并计算病患的术后病情指数；

[0059] 所述术后病情深度学习模块用于基于大数据的术后病情指数进行深度学习，判断病患进行手术后各项人体参数的参数异常率。

[0060] 本发明的有益效果：本发明通过参考主动脉夹层病历收集表将数量繁杂的病历信息划分为不同的总信息分类，再将总信息分类中的病历信息划分为不同的子信息分类，优势在于，主动脉夹层病历信息多且繁杂，将其划分为不同的总信息分类可以将病历信息划分为不同治疗阶段，为进一步的数据分析提供数据基础，提高了主动脉夹层患者对于术后病情分析的准确性以及全面性；

[0061] 本发明通过对不同的子信息分类进行不同的异常判断，再根据异常判断的结果计算总信息分类的总分类指标，优势在于，主动脉夹层的病历信息的数据类型不一，采用统一的评判标准难以得到准确的结果，而对不同的数据类型采用不同的评判标准，再根据其评判结果计算总信息分类的总分类指标可以有效反映主动脉夹层病患在对应的治疗阶段的身体状况，为进一步的数据分析提供数据基础，进一步提高了术后病情分析的准确性以及全面性；

[0062] 本发明通过对总分类指标进行计算，得到术后病情指标，以此反映主动脉夹层病患当前的身体状况，再通过大数据进行统计，绘制术后病情指标坐标系，再根据术后病情指标坐标系以及病患的术后资料进行深度学习，判断不同指标范围内不同的人体参数的参数异常率，优势在于，通过深度学习不同指标范围的参数异常率可以让医护人员清楚主动脉夹层病患在术后的各项人体参数发生异常的概率，提高了术后病情深度学习的实用性以及准确性；

[0063] 本发明通过设置不同的指标范围，扩大指标范围直到指标范围内的指标数大于等于第一数量阈值或任意参数异常率大于第一异常概率后出现减小时停止扩大，优势在于，若没有参数异常率能够大于等于第一异常概率时，通过第一数量阈值可以确保当前指标范围内的数据基础充足，若任意参数异常率大于第一异常概率后出现减小时停止扩大可以确保当前指标范围具有指向性，能够提高主动脉夹层患者术后病情分析的准确性以及可靠性。

[0064] 本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

[0065] 图1为本发明的方法的步骤流程图；

[0066] 图2为本发明的计算总分类指标的步骤流程图；

[0067] 图3为本发明的术后病情指标坐标系的示意图；

[0068] 图4为本发明的系统的原理框图。

具体实施方式

[0069] 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，所描述的实施例仅仅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，本领域普通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。

[0070] 实施例1请参阅图1所示，第一方面，本申请提供基于主动脉夹层病历数据的术后病情深度学习方法，包括如下步骤：

[0071] 步骤S1，建设主动脉夹层病历大数据库，收录主动脉夹层病历信息；建设主动脉夹层病历大数据库，收录主动脉夹层病历信息包括与医院病历数据库建立数据连接，获取其中的主动脉夹层病历，同时通过互联网大数据获取大量的主动脉夹层病历保存至主动脉夹层病历大数据库中；

[0072] 具体实施中，主动脉夹层病历大数据库的部分数据如表1所示：

[0073] 表1主动脉夹层病历信息统计表

[0074]

[0075] 其中，高血压（分级）中的N代表零级，I为一级、II为二级、III为三级；其他病历数据中的N代表否，Y代表是。

[0076] 步骤S2，对主动脉夹层病历信息的信息类型进行分类，得到总信息分类；步骤S2包括如下子步骤：

[0077] 步骤S201，读取医院病历数据库，获取主动脉夹层病历收集表；

[0078] 步骤S202，基于主动脉夹层病历收集表对主动脉夹层病历信息的信息类型进行分类，得到总信息分类；总信息分类包括现病史数据、既往史数据、影像学检查数据、实验室检查数据、术中资料以及术后资料；

[0079] 具体实施中，主动脉夹层病历收集表部分表格如表2所示：

[0080] 表2主动脉夹层病历收集表

[0081]

[0082] 步骤S3，对总信息分类下的信息类型进行分类，得到子信息分类；步骤S3包括如下子步骤：

[0083] 步骤S301，获取总信息分类下所有信息的信息类型；

[0084] 步骤S302，查找信息类型中的数据形式，对数据形式进行分类，得到子信息分类；子信息分类包括数字式、是否式以及等级式；

[0085] 步骤S303，将数据形式为数字的信息类型归纳为数字式，将数据形式为是或否的信息类型归纳为是否式，将数据形式为不同等级的信息类型归纳为等级式；

[0086] 具体实施中，获取到既往史数据中的信息类型包括高血压（分级）、入室血压、心率、糖尿病、冠心病、脑血管病、慢性肾功能不全以及COPD；通过查找得到高血压（分级）的数据形式为等级，则将高血压（分级）归纳为等级式；查找得到糖尿病的数据形式为Y或N，即是或否，则将糖尿病归纳为是否式；查找得到心率的数据形式为数字，则将心率归纳为数字式；参照上述方法，分析得到子信息分类的数字式包括入室血压以及心率；子信息分类的等级式包括高血压（分级）；子信息分类的是否式包括糖尿病、冠心病、脑血管病、慢性肾功能不全以及COPD。

[0087] 步骤S4，对总信息分类以及子信息分类进行分析，判断不同总信息分类的总分类指数并计算病患的术后病情指数；步骤S4包括如下子步骤：

[0088] 步骤S401，获取病患的首发症状，针对不同的首发症状建立不同的深度学习分支，将深度学习分支标记为DLBn，n为大于等于1的正整数；

[0089] 具体实施中，首发症状包括胸痛、背痛、腹痛、胸痛加背痛、胸痛加腹痛、背痛加腹痛以及晕厥，共计7种首发症状，则构建7个深度学习分支，依次DLB1至DLB7，n为7；

[0090] 步骤S402，连接特征正常范围数据库，读取特征正常范围；

[0091] 步骤S403，对DLBn进行分析，遍历读取DLBn中的总信息分类，针对每个总信息分类，获取其目录下的子信息分类的数量，标记为分类信息数；

[0092] 步骤S404，获取子信息分类目录下的病历的数据，标记为病历数据；

[0093] 步骤S405，获取病历数据，判断其子信息分类，若为数字式，则输出范围检测信号；若为是否式，则输出是否检测信号；若为等级式，则输出等级检测信号；

[0094] 具体实施中，本实施例以胸痛为例进一步解释说明深度学习分支的分析过程，其他深度学习分支的分析过程参照胸痛深度学习分支进行；遍历读取DLB1中的总信息分类，以既往史数据为例，获取到分类信息数为8，子信息分类的数字式包括入室血压以及心率；子信息分类的等级式包括高血压（分级）；子信息分类的是否式包括糖尿病、冠心病、脑血管病、慢性肾功能不全以及COPD，因此入室血压以及心率输出范围检测信号，高血压（分级）输出等级检测信号，剩余的病历数据输出是否检测信号；

[0095] 步骤S406，根据不同的检测信号对病历数据进行不同的处理，处理完成后输出分析信号；

[0096] 步骤S406包括如下子步骤：

[0097] 步骤S40601，若输出范围检测信号，则获取病历数据对应的特征正常范围，查找病历数据是否处于特征正常范围内，若为是，则输出正常范围信号；若为否，则输出异常范围信号；

[0098] 具体实施中，入室血压以及心率输出范围检测信号，入室血压为132/65，其中，收缩压为132，舒张压为65，获取到入室血压中收缩压正常范围为(90，140)，舒张压正常范围为(60,90)，通过比对得到入室血压的收缩压132以及舒张压65均处于特征正常范围内，则输出正常范围信号；获取到心率为62，心率正常范围为(50,100)，通过比对得到心率处于心率正常范围内，则输出正常范围信号；

[0099] 步骤S40602，若输出是否检测信号，则获取病历数据的文本文字，若文本文字为“是”，则输出特征异常信号；若文本文字为“否”，则输出特征正常信号；

[0100] 具体实施中，获取到糖尿病、冠心病、脑血管病以及慢性肾功能不全的文本文字均为N，即否，则输出4次特征正常信号，获取到COPD中的文本文字为Y，即是，输出特征异常信号；

[0101] 步骤S40603，若输出等级检测信号，则读取病历数据是否为零级，若病历数据的等级为零级，则输出等级正常信号；若病历数据的等级不为零级，则输出等级异常信号；

[0102] 具体实施中，获取到高血压（分级）为二级，则输出等级异常信号；

[0103] 步骤S40604，对分析信号进行分析计算，判断每个总信息分类的总分类指标；分析信号包括正常范围信号、异常范围信号、特征异常信号、特征正常信号、等级正常信号以及等级异常信号；

[0104] 步骤S40605，设置范围分类指标，初始为零，标记为SCI，接收异常范围信号，若接收到异常范围信号，则将SCI加一；

[0105] 步骤S40606，设置特征分类指标，初始为零，标记为FCI，接收特征异常信号，若接收到特征异常信号，则将FCI加一；

[0106] 步骤S40607，设置等级分类指标，初始为零，标记为GCI，接收等级异常信号，若接收到等级异常信号，则获取病历数据的病情等级，若病情等级为X级，则将GCI增加1+(X‑1)×0.2，X为常数且为正整数；

[0107] 步骤S40608，接收所有的分析信号，接收完成后得到SCI、FCI以及GCI；

[0108] 具体实施中，SCI初始为0，未输出异常范围信号，则SCI不变，为0；FCI初始为0，获取到输出了一次特征异常信号，则将FCI加一，FCI为1；GCI初始为0，获取到高血压（分级）输出等级异常信号，则获取高血压（分级）的病情等级，为二级，将GCI加1+(2‑1)×0.2，得到GCI为1.2；

[0109] 步骤S40609，分别查找总信息分类中子信息类型为数字式、是否式以及等级式的数量，分别标记为范围分类标准、特征分类标准以及等级分类标准；

[0110] 步骤S406410，通过总分类指标计算公式进行计算，得到总分类指标；

[0111] 总分类指标计算公式配置为： ；其中，AC为总分类指标，SCC为范围分类标准，FCC为特征分类标准，GCC为等级分类标准；

[0112] 具体实施中， 查找得到范围分类标准SCC为2，特征分类标准FCC为5，等级分类标准GCC为1，SCI为0，FCI为1，GCI为1.2，则通过计算得到总分类指标AC为1.6；

[0113] 步骤S406411，对所有总信息分类进行分析计算，再对总分类指标进行计算，得到病患的术后病情指标；

[0114] 步骤S406412，分析计算现病史数据、既往史数据、影像学检查数据、实验室检查数据以及术中资料的总分类指标，分别命名为总现病史指标、总既往史指标、总影像学指标、总实验室指标以及总术中指标，依次记为AC1至ACm，m为常数且为正整数；

[0115] 具体实施中，分析计算得到总现病史指标、总既往史指标、总影像学指标、总实验室指标以及总术中指标依次为2.4、1.6、2.3、1.8以及2.5，即AC1至AC5依次为2.4、1.6、2.3、1.8以及2.5，m为5；

[0116] 步骤S406413，获取AC1至ACm中的最小值以及最大值，分别标记为异常指标以及正常指标；

[0117] 步骤S406414，设置异常指数，若异常指标为总现病史指标，则将异常指数设置为第一预设指数；若异常指标为总既往史指标，则将异常指数设置为第二预设指数；若异常指标为总影像学指标，则将异常指数设置为第三预设指数；若异常指标为总实验室指标，则将异常指数设置为第四预设指数；若异常指标为总术中指数，则将异常指数设置为第五预设指数；

[0118] 步骤S406415，设置正常指数，若正常指标为总现病史指标，则将正常指数设置为第一预设指数；若正常指标为总既往史指标，则将正常指数设置为第二预设指数；若正常指标为总影像学指标，则将正常指数设置为第三预设指数；若正常指标为总实验室指标，则将正常指数设置为第四预设指数；若正常指标为总术中指标，则将正常指数设置为第五预设指数；

[0119] 具体实施中，第一预设指数设置为10，第二预设指数设置为20，第三预设指数设置为30，第四预设指数设置为40，第五预设指数设置为50；获取到AC1至ACm中的最小值以及最大值分别为AC2以及AC5，即异常指标以及正常指标分别为总既往史指标以及总术中指标；则将异常指数设置为20，正常指数设置为50；

[0120] 步骤S406416，通过术后病情指标计算公式进行计算，得到病患的术后病情指标；

[0121] 术后病情指标计算公式配置为： ；其中，Pte为术后病情指标，T为异常指数，Q为正常指数；

[0122] 具体实施中，异常指数T为20，正常指数Q为50，AC1至AC5分别为2.4、1.6、2.3、1.8以及2.5，则通过计算得到术后病情指标Pte为4.24。

[0123] 请参阅图2所示，步骤S5，基于大数据的术后病情指数进行深度学习，判断病患进行手术后各项人体参数的参数异常率；步骤S5包括如下子步骤：

[0124] 步骤S501，基于主动脉夹层病历大数据库，计算所有主动脉夹层病历的术后病情指标，对术后病情指标进行编号，标记为Ps，s为常数且为正整数；

[0125] 请参阅图3所示，步骤S502，以Ps为X轴，术后病情指标为Y轴建立术后病情指标坐标系，将术后病情指标全部录入术后病情指标坐标系；将术后病情指标的数量标记为指标数；

[0126] 具体实施中，计算得到术后病情指标的数量共计10万，则s为1至10万，以Ps为X轴，术后病情指标为Y轴建立术后病情指标坐标系如图3所示，指标数用于表示指标范围内术后病情指标的数量；

[0127] 步骤S503，设置指标范围，以术后病情指标为零为起点，增大指标范围，同时获取指标范围内的术后病情指标对应的主动脉夹层病历内的术后资料中人体参数的异常项，标记为异常参数；

[0128] 具体实施中，设置指标范围，初始为(0,0)，增大指标范围，即指标范围为从0为起始，范围在不断扩大，当指标范围扩大到(0,4.25)时，其范围内的术后病情指标包括了P1，P1为4.24，本实施例对P1的分析过程进行解释说明，其余Ps的分析过程参照P1进行；读取P1的主动脉夹层病历，在术中资料后还存在术后资料的分类，读取术后资料中各种人体参数，查找其中的异常项，如术后资料中术后低氧血症标记了异常，则将术后低氧血症标记为异常参数；

[0129] 步骤S504，对指标范围内所有的术后病情指标进行统计，统计不同的异常参数的数量并与指标数相除，得到参数异常率，增大指标范围，当指标范围内的指标数大于等于第一数量阈值时输出范围确定信号；

[0130] 步骤S505，计算参数异常率，若指标数大于等于第二数量阈值且任意参数异常率等于第一异常概率，则继续增大指标范围，同时监测对应的参数异常率是否减小，若参数异常率减小，则输出范围确定信号，若参数异常率增大，则继续增大指标范围；

[0131] 具体实施中，第一数量阈值设置为10000，第一异常概率设置为0.8，以术后低氧血症为例，在指标范围(0,4.25)中，指标数为3824，其中统计得到术后低氧血症的数量为2321，计算2321/3824得到参数异常率为0.61，计算结果保留两位小数，通过比对得到指标数小于第一数量阈值且参数异常率小于第一异常概率，则继续增大指标范围，当指标范围增大到(0,10.34)时，此时的指标数为8965，小于第一数量阈值，术后低氧血症的参数异常率为0.8，则继续增大指标范围，在指标范围增大到(0,11.25)的过程中，参数异常率从0.8持续增长到0.83，在此时继续增大指标范围时，检测到参数异常率开始减小，则将指标范围维持在(0,11.25)并输出范围确定信号；

[0132] 步骤S506，若输出范围确定信号，则停止增大指标范围，同时以当前指标范围的最大值为起点，继续分析下一指标范围，直到指标范围囊括所有的术后病情指标；

[0133] 步骤S507，输出不同的指标范围对应的不同的人体参数的参数异常率；

[0134] 具体实施中，输出了范围确定信号，则停止增大指标范围，此时指标范围为(0,11.25)，继续分析下一指标范围，下一指标范围则从11.25为起始，分析不同的指标范围，直到指标范围囊括所有的术后病情指标；以指标范围(0,11.25)为例，部分参数异常率如下所示：白细胞异常率为0.23，中性比异常率为0.12，粒淋比异常率为0.08，血小板异常率为
0.34，术后低氧血症异常率为0.83。

[0135] 实施例2请参阅图4所示，第二方面，本申请提供基于基于主动脉夹层病历数据的术后病情深度学习系统，包括大数据收集模块、信息分类模块、术后病情分析模块以及术后病情深度学习模块；大数据收集模块、信息分类模块以及术后病情深度学习模块分别与术后病情分析模块数据连接；

[0136] 大数据收集模块用于建设主动脉夹层病历大数据库，收录主动脉夹层病历信息；获取其中的主动脉夹层病历，同时通过互联网大数据获取大量的主动脉夹层病历保存至主动脉夹层病历大数据库中；

[0137] 信息分类模块用于对主动脉夹层病历信息的信息类型进行分类，得到总信息分类；对总信息分类下的信息类型进行分类，得到子信息分类；信息分类模块包括总信息分类单元以及子信息分类单元；

[0138] 总信息分类单元用于对主动脉夹层病历信息的信息类型进行分类，得到总信息分类；

[0139] 总信息分类单元配置有总信息分类策略，总信息分类策略包括：

[0140] 读取医院病历数据库，获取主动脉夹层病历收集表；

[0141] 基于主动脉夹层病历收集表对主动脉夹层病历信息的信息类型进行分类，得到总信息分类；总信息分类包括现病史数据、既往史数据、影像学检查数据、实验室检查数据、术中资料以及术后资料；

[0142] 子信息分类单元用于对总信息分类下的信息类型进行分类，得到子信息分类；

[0143] 子信息分类单元配置有子信息分类策略，子信息分类策略包括：

[0144] 获取总信息分类下所有信息的信息类型；

[0145] 查找信息类型中的数据形式，对数据形式进行分类，得到子信息分类；子信息分类包括数字式、是否式以及等级式；

[0146] 将数据形式为数字的信息类型归纳为数字式，将数据形式为是或否的信息类型归纳为是否式，将数据形式为不同等级的信息类型归纳为等级式；

[0147] 术后病情分析模块用于对总信息分类以及子信息分类进行分析，判断不同总信息分类的总分类指数并计算病患的术后病情指数；术后病情分析模块包括检测方案分析单元、病历数据检测单元、总分类指标计算单元以及术后病情指标计算单元；

[0148] 检测方案分析单元配置有检测方案分析策略，检测方案分析策略包括：

[0149] 获取病患的首发症状，针对不同的首发症状建立不同的深度学习分支，将深度学习分支标记为DLBn，n为大于等于1的正整数；

[0150] 连接特征正常范围数据库，读取特征正常范围；

[0151] 对DLBn进行分析，遍历读取DLBn中的总信息分类，针对每个总信息分类，获取其目录下的子信息分类的数量，标记为分类信息数；

[0152] 获取子信息分类目录下的病历的数据，标记为病历数据；

[0153] 获取病历数据，判断其子信息分类，若为数字式，则输出范围检测信号；若为是否式，则输出是否检测信号；若为等级式，则输出等级检测信号；

[0154] 根据不同的检测信号对病历数据进行不同的处理，处理完成后输出分析信号；

[0155] 病历数据检测单元配置有病历数据检测策略，病历数据检测策略包括：

[0156] 若输出范围检测信号，则获取病历数据对应的特征正常范围，查找病历数据是否处于特征正常范围内，若为是，则输出正常范围信号；若为否，则输出异常范围信号；

[0157] 若输出是否检测信号，则获取病历数据的文本文字，若文本文字为“是”，则输出特征异常信号；若文本文字为“否”，则输出特征正常信号；

[0158] 若输出等级检测信号，则读取病历数据是否为零级，若病历数据的等级为零级，则输出等级正常信号；若病历数据的等级不为零级，则输出等级异常信号；

[0159] 对分析信号进行分析计算，判断每个总信息分类的总分类指标；分析信号包括正常范围信号、异常范围信号、特征异常信号、特征正常信号、等级正常信号以及等级异常信号；

[0160] 总分类指标计算单元配置有总分类指标计算策略，总分类指标计算策略包括：

[0161] 设置范围分类指标，初始为零，标记为SCI，接收异常范围信号，若接收到异常范围信号，则将SCI加一；

[0162] 设置特征分类指标，初始为零，标记为FCI，接收特征异常信号，若接收到特征异常信号，则将FCI加一；

[0163] 设置等级分类指标，初始为零，标记为GCI，接收等级异常信号，若接收到等级异常信号，则获取病历数据的病情等级，若病情等级为X级，则将GCI增加1+(X‑1)×0.2，X为常数且为正整数；

[0164] 接收所有的分析信号，接收完成后得到SCI、FCI以及GCI；

[0165] 分别查找总信息分类中子信息类型为数字式、是否式以及等级式的数量，分别标记为范围分类标准、特征分类标准以及等级分类标准；

[0166] 通过总分类指标计算公式进行计算，得到总分类指标；

[0167] 总分类指标计算公式配置为： ；其中，AC为总分类指标，SCC为范围分类标准，FCC为特征分类标准，GCC为等级分类标准；

[0168] 对所有总信息分类进行分析计算，再对总分类指标进行计算，得到病患的术后病情指标；

[0169] 术后病情指标计算单元配置有术后病情指标计算策略，术后病情指标计算策略包括：

[0170] 分析计算现病史数据、既往史数据、影像学检查数据、实验室检查数据以及术中资料的总分类指标，分别命名为总现病史指标、总既往史指标、总影像学指标、总实验室指标以及总术中指标，依次记为AC1至ACm，m为常数且为正整数；

[0171] 获取AC1至ACm中的最小值以及最大值，分别标记为异常指标以及正常指标；

[0172] 设置异常指数，若异常指标为总现病史指标，则将异常指数设置为第一预设指数；若异常指标为总既往史指标，则将异常指数设置为第二预设指数；若异常指标为总影像学指标，则将异常指数设置为第三预设指数；若异常指标为总实验室指标，则将异常指数设置为第四预设指数；若异常指标为总术中指数，则将异常指数设置为第五预设指数；

[0173] 设置正常指数，若正常指标为总现病史指标，则将正常指数设置为第一预设指数；若正常指标为总既往史指标，则将正常指数设置为第二预设指数；若正常指标为总影像学指标，则将正常指数设置为第三预设指数；若正常指标为总实验室指标，则将正常指数设置为第四预设指数；若正常指标为总术中指标，则将正常指数设置为第五预设指数；

[0174] 通过术后病情指标计算公式进行计算，得到病患的术后病情指标；

[0175] 术后病情指标计算公式配置为： ；其中，Pte为术后病情指标，T为异常指数，Q为正常指数；

[0176] 术后病情深度学习模块用于基于大数据的术后病情指数进行深度学习，判断病患进行手术后各项人体参数的参数异常率；

[0177] 术后病情深度学习模块配置有术后病情深度学策略，术后病情深度学习策略包括：

[0178] 基于主动脉夹层病历大数据库，计算所有主动脉夹层病历的术后病情指标，对术后病情指标进行编号，标记为Ps，s为常数且为正整数；

[0179] 以Ps为X轴，术后病情指标为Y轴建立术后病情指标坐标系，将术后病情指标全部录入术后病情指标坐标系；将术后病情指标的数量标记为指标数；

[0180] 设置指标范围，以术后病情指标为零为起点，增大指标范围，同时获取指标范围内的术后病情指标对应的主动脉夹层病历内的术后资料中人体参数的异常项，标记为异常参数；

[0181] 对指标范围内所有的术后病情指标进行统计，统计不同的异常参数的数量并与指标数相除，得到参数异常率，增大指标范围，当指标范围内的指标数大于等于第一数量阈值时输出范围确定信号；

[0182] 计算参数异常率，若指标数大于等于第二数量阈值且任意参数异常率等于第一异常概率，则继续增大指标范围，同时监测对应的参数异常率是否减小，若参数异常率减小，则输出范围确定信号，若参数异常率增大，则继续增大指标范围；

[0183] 若输出范围确定信号，则停止增大指标范围，同时以当前指标范围的最大值为起点，继续分析下一指标范围，直到指标范围囊括所有的术后病情指标；

[0184] 输出不同的指标范围对应的不同的人体参数的参数异常率。

[0185] 在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

[0186] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random Access Memory，简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read‑Only Memory，简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read Only Memory，简称EPROM），可编程只读存储器（Programmable Red‑Only Memory，简称PROM），只读存储器（Read‑OnlyMemory，简称ROM），磁存储器，快闪存储器，磁盘或光盘。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

[0187] 在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。