一种基于框架表示的体检项目指标正异常判定方法与流程

本发明涉及医疗信息化领域，更具体地，涉及一种基于框架表示的体检项目指标正异常判定方法。

背景技术：

当前人们的健康意识正逐步提高，在现实生活中，在不少单位，一年一次的体检已经成为一种习惯和福利。全国各大医疗体检机构已累积了海量的体检数据，然而这些体检数据80％以上为非结构化，尤其是影像检查数据，都是以一段描述性文字存储。同时，不同的机构，对于相同的检查，由于没有统一的标准，结果描述往往也不一致，形成了数据孤岛。对于这么庞大的体检数据，计算机无法直接使用，使得大数据本身没有意义，给数据分析挖掘，和医疗ai应用带来了巨大挑战。

技术实现要素：

本发明为克服上述现有技术所述的至少一种缺陷，提供一种基于框架表示的体检项目指标正异常判定方法。

本发明旨在至少在一定程度上解决上述技术问题。

本发明的首要目的是将体检医学知识结构化，用户体检数据结构化存储，实现智能判定体检项目指标正异常。

为解决上述技术问题，本发明的技术方案如下：

一种基于框架表示的体检项目指标正异常判定方法，包括以下步骤：

s1：构建基于框架表示的体检项目指标知识系统，所述体检项目指标知识系统具有多个框架frame；

s2：存储所述的基于框架表示的体检项目指标知识系统；

s3：获取体检数据；

s4：基于规则推理，根据获取的体检数据智能判断该体检数据对应的体检项目指标正异常结果；

上述方案中，利用框架表示将体检医学知识结构化，并与结构化后的体检数据进行匹配获取体检项目指标是否正异常，实现了判定体检项目指标正异常的智能化。

优选地，步骤s1中所述体检项目指标知识系统的多个框架frame中，一个框架frame包括槽slot、侧面facet和值value，所述的槽slot、侧面facet和值value均有多个内容，所述内容可以是空、数值、字符串、布尔值以及另一框架名，通过设置槽槽slot、侧面facet和值value的内容，完成对体检医学知识的结构化。

优选地，步骤s1所述的基于框架表示的体检项目指标知识系统按照框架表示法，将体检医学知识结构化表示，包括检验、b超、x线、ct等体检检验检查项目。

优选地，步骤s2通过分析框架frame的特征和结构，采用json数据格式存储在支持json格式的关系型数据库中，其中json格式的key、value键值对形式完全模拟所述框架frame结构。

优选地，步骤s3中，按照所述体检项目指标知识系统的框架frame结构开发体检数据结构化录入界面，通过所述体检数据结构化录入界面将体检数据录入系统并存储，实现了体检数据的结构化获取。

优选地，步骤s4中，所述的规则推理机制基于框架，具体而言，提取体检数据的特征属性即体检项目名称，检索所述体检项目指标知识系统与该体检项目名称匹配的框架，通过框架中的条件进行判定，得出该条体检数据正异常结果。

与现有技术相比，本发明技术方案的有益效果是：

通过由多个框架组成的框架体系构成体检项目指标知识系统将体检医疗知识结构化，通过支持json格式的关系型数据库存储该体检项目指标知识系统并对同样结构化的体检数据进行匹配输出该体检数据正异常结果，实现了判定体检项目指标正异常的智能化。

附图说明

图1为本发明提供的基于框架表示的体检项目指标正异常判定方法的流程图。

图2为本发明提供的基于框架表示的体检项目指标正异常判定方法的数据结构示意图。

图3为本发明提供的基于框架表示的体检项目指标正异常判定方法的config数据格式。

图4为本发明提供的基于框架表示的体检项目指标正异常判定方法的判定推理流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

本实施例提供的基于框架表示的体检项目指标正异常判定方法，如图1，包括以下步骤：

s1：构建基于框架表示的体检项目指标知识系统，所述体检项目指标知识系统具有多个框架frame；

s2：存储所述的基于框架表示的体检项目指标知识系统；

s3：获取体检数据；

s4：基于规则推理，根据获取的体检数据智能判断该体检数据对应的体检项目指标正异常结果；

步骤s1中所述体检项目指标知识系统的多个框架frame中，一个框架frame包括槽slot、侧面facet和值value，所述的槽slot、侧面facet和值value均有多个内容，所述内容可以是空、数值、字符串、布尔值以及另一框架名，通过设置槽槽slot、侧面facet和值value的内容，完成对体检医学知识的结构化；

步骤s1所述的基于框架表示的体检项目指标知识系统按照框架表示法，将体检医学知识结构化表示，包括检验、b超、x线、ct等体检检验检查项目。

步骤s2通过分析框架frame的特征和结构，采用json数据格式存储在支持json格式的关系型数据库中，其中json格式的key、value键值对形式完全模拟所述框架frame结构；

步骤s3中，按照所述体检项目指标知识系统的框架frame结构开发体检数据结构化录入界面，通过所述体检数据结构化录入界面将体检数据录入系统并存储，实现了体检数据的结构化获取；

步骤s4中，所述的规则推理机制基于框架，具体而言，提取体检数据的特征属性即体检项目名称，检索所述体检项目指标知识系统与该体检项目名称匹配的框架，通过框架中的条件进行判定，得出该条体检数据正异常结果。

在具体实施过程中，以颈动脉彩超检查和血脂4项构建体检项目指标知识系统，如下：

frame<颈动脉超声检查>

正常

异常：(<颈动脉内径病变>，<颈动脉内中膜(imt)病变>)

frame<颈动脉内径病变>

part-of：<颈动脉超声检查>

狭窄

瘤样增宽

条件：true

结论：颈动脉内径病变

frame<颈动脉内中膜(imt)病变>

part-of：<颈动脉超声检查>

硬化(imt1.0-1.5mm)

斑块(imt>1.5mm)：<颈动脉内斑块>

条件：true

结论：颈动脉内中膜(imt)病变

frame<颈动脉内斑块>

part-of：<颈动脉内中膜(imt)病变>

定位：颈动脉主干：(颈动脉内左侧，颈动脉内右侧，颈内动脉起始段，颈内动脉远段，颈外动脉起始段，颈外动脉远段，颈动脉外，锁骨下动脉左侧，锁骨下动脉右侧，无名动脉，颅内动脉)

定性：大小：单位(长度mm×厚度mm)

形态结构：字符串

内部回声：(低回声，高回声，混合回声，复合性斑块)

彩色多普勒：(官腔内未见明显异常血流，官腔内可见五彩镶嵌血流，官腔内未见血流信号)

频谱多普勒：(vmax<120cm/s，vmax>120cm/s，vmax>170cm/s，vmax>200cm/s，)

狭窄率：<颈动脉内斑块狭窄率>

frame<颈动脉内斑块狭窄率>

part-of：<颈动脉内斑块>

面积狭窄率：(轻度<50％，中度50％-70％，重度71％-99％，闭塞100％)

直径狭窄率：(轻度<50％，中度50％-70％，重度71％-99％，闭塞100％)

frame<血脂4项>

ldl-c：(<ldl-c正常>，<ldl-c升高>)

hdl-c：(<hdl-c正常>，<hdl-c降低>)

tc：(<tc正常>，<tc升高>)

tg：(<tg正常>，<tg升高>)

frame<ldl-c正常>

part-of：<血脂4项>

值：单位(mmol/l)

条件：<3.4mmol/l

结论：低密度脂蛋白正常

frame<ldl-c升高>

part-of：<血脂4项>

值：单位(mmol/l)

条件1：>＝3.4mmol/l

条件2：排除饮食、药物、疾病因素

结论：低密度脂蛋白升高

frame<hdl-c正常>

part-of：<血脂4项>

值：单位(mmol/l)

条件：>1.0mmol/l

结论：高密度脂蛋白正常

frame<hdl-c降低>

part-of：<血脂4项>

值：单位(mmol/l)

条件1：<＝1.0mmol/l

条件2：排除饮食、药物、疾病因素

结论：高密度脂蛋白降低

frame<tc正常>

part-of：<血脂4项>

值：单位(mmol/l)

条件：<5.2mmol/l

结论：总胆固醇正常

frame<tc升高>

part-of：<血脂4项>

值：单位(mmol/l)

条件1：>＝5.2mmol/l

条件2：排除饮食、药物、疾病因素

结论：总胆固醇升高

frame<tg正常>

part-of：<血脂4项>

值：单位(mmol/l)

条件：<1.7mmol/l

结论：甘油三酯正常

frame<tg升高>

part-of：<血脂4项>

值：单位(mmol/l)

条件1：>＝1.7mmol/l

条件2：排除饮食、药物、疾病因素

结论：甘油三酯升高

将上述构建的体检项目指标知识系统按照json的数据格式，在支持json的关系型数据库中存储知识系统，如图2所示，其中，字段name为框架名(即体检项目名称)，用于匹配框架，提高检索效率，字段config存储体检项目框架，config数据格式如图3所示；

按照步骤1中的框架结构，开发体检数据结构化录入界面；

体检过程中，医护人员将用户的体检结果通过步骤3的界面录入系统。

基于规则推理，智能判定用户体检项目指标正异常结果，流程如图4所示。提取用户体检数据的特征属性，即体检项目名称，检索name为该名称的框架，遍历框架中的约束条件进行判定，形式为：

ifconditonthen结论

conditon为框架中一个或多个约束条件，各个约束条件用and或or组合，当约束条件满足时，得出该条体检数据正异常结果。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。