一种适用于手术患者的健康管理方法及系统与流程

1.本发明属于术后管理技术领域，具体涉及医疗信息化处理技术领域，特别是涉及一种适用于手术患者的健康管理方法及系统。


背景技术：

2.术前精准地预测患者术中的输血量，不仅与术前相关指标有关，也与术后相关指标的目标值相关，比如术后血红蛋白的目标值。既往研究多从术前或术中相关指标出发，比如限制性输血和非限制性输血策略根据术前血红蛋白或者术中血红蛋白来决定是否输血，较少考虑术后相关指标的目标值。
3.因此，本技术文件获得的输血量推荐值在纳入了患者的术前相关指标基础上，补充纳入了术后相关指标目标值，并以患者最佳预后为目的确定术后相关指标目标值，综合考虑了术前已掌握的患者相关情况及预后的预期发展，对于临床医生具有更好的临床参考价值。


技术实现要素：

4.本发明的目的在于提供一种适用于手术患者的健康管理方法及系统，通过获得的输血量推荐值在纳入了患者的术前相关指标基础上，补充纳入了术后相关指标目标值，并以患者最佳预后为目的确定术后相关指标目标值，解决了现有的医院只关注术前和术中的相关指标，不关注术后指标，导致临床参考价值低的问题。
5.为解决上述技术问题，本发明是通过以下技术方案实现的：
6.本发明为一种适用于手术患者的健康管理方法，包括如下步骤：
7.步骤s1：获取医院历史用户数据集，将历史用户数据集划分成训练数集和测试数据集；
8.步骤s2：收集大量患者病历、对应的治疗方法以及术后对应方法制作健康策略集；
9.步骤s3：提取训练集中的特征参数，根据特征的分布特性、相关特性以及重要性从多个特征中提取适合表征单用户输血量的特征参数集来训练输血量预测模型；
10.步骤s4：采用测试数据集对训练后的输血量预测模型进行验证；
11.步骤s5：根据当前患者输血的相关信息输入输血量预测模型，确定患者个体的输血量；
12.步骤s6：将采集的健康策略集与医院历史用户数据集相互融合获取基础策略图谱；
13.步骤s7：通过深度学习的node2vec网络表示算法，将基础策略图谱中的实体嵌入到n维空间；
14.步骤s8：计算策略图谱之间的相似性，构建训练模型作为排序策略模型的输入；
15.步骤s9：输入患者个体的输血量至排序策略模型进行排序学习，产生top-n推荐策略列表；
16.步骤s10：将生成的用户术后健康管理策略列表推送至用户移动智能终端。
17.作为一种优选的技术方案，所述步骤s1中，用户数据集以预定科室的历史血液用量历史信息作为输入，形成按时间排列的离散值构成的曲线，判断曲线是否出现波动，如果出现波动，则使用多阶差分进行平稳化调整，直到曲线稳定差分参数为零，并根据平滑的时间序列信息建立自回归移动平均时序模型，并确定阶数。
18.作为一种优选的技术方案，所述步骤s2中，医院历史用户数据集获取后需要进行预处理；所述预处理包括预处理具体步骤如下：
19.步骤s11：将医院设备上获取的历史用户数据集进行清洗；
20.步骤s12：将清洗后的数据进行语义解析；
21.步骤s13：根据语义解析结果，对用户病历、治疗方案和术后应对方法数据标注标签；
22.步骤s14：根据标签以及数据之间关系，构建基础知识图谱。
23.作为一种优选的技术方案，所述历史血液用量历史信息包括历史术前失血信息、历史术中输血信息和历史术后血液指标信息。
24.作为一种优选的技术方案，所述步骤s7中，基础知识图谱采用(实体，属性，属性值)三元组的形式描述，通过node2vec网络表示算法将实体嵌入到n维空间中，并生成对应的向量，得到实体向量集和属性向量集，并运用transe算法对实体向量集和属性向量集进行翻译，从而获得一个能够快速计算实体件的语音相似性的三元组向量集。
25.作为一种优选的技术方案，所述步骤s8中，使用node2vec进行知识图谱网络特征学习，将实体映射到n维空间，在低维向量空间中，几何上越接近的实体相关性越大，利用向量的余弦相识度来计算实体ei和ej之间的相关性sim(ei,ej)；
26.其中，sim(ei,ej)的计算公式为：
[0027][0028]
作为一种优选的技术方案，所述步骤s9中，构建的训练作为排序模型训练输入，通过决策函数产生top-n推荐列表，并得到n维特征对排序结果的权重比例集合，用以构建反馈模型。
[0029]
本发明为一种适用于手术患者的健康管理系统，包括历史数据采集模块、特征提取模块、模型训练模块、策略图谱构建模块、排序策略模型生成模块、信息反馈单元和健康策略推荐单元；
[0030]
所述历史数据采集模块、特征提取模块、模型训练模块、信息反馈单元和健康策略推荐单元依次连接；
[0031]
所述策略图谱构建模块、排序策略模型生成模块、信息反馈单元和健康策略推荐
单元依次连接；
[0032]
所述历史数据采集模块，用于获取医院历史用户数据集，并将历史用户数据集划分成训练数集和测试数据集；
[0033]
所述特征提取模块，用于从训练数据集中获取原始特征，将原始特征通过梯度提升决策树gbdt算法进行训练得到对应的组合特征；
[0034]
所述模型训练模块，用于利用训练数据集和测试数据集采用模型训练算法进行学习和验证，得到所述至少一个特征参数集与单用户输血量之间的映射关系作为输血量预测模型；
[0035]
所述策略图谱构建模块，用于采集的健康策略集与医院历史用户数据集相互融合构建策略图谱；
[0036]
所述排序策略模型生成模块，由于根据患者个体的输血量生成对应top-n推荐列表；
[0037]
所述信息反馈单元，用于向模型训练模块输入当前患者的数据信息，并将模型训练模块处理的结果信息反馈至医生的智能终端；
[0038]
所述健康策略推荐单元，用于获取医生的反馈信息生成用户的术后健康管理策略，并推送给患者。
[0039]
作为一种优选的技术方案，所述模型训练模块至少包括第一模型训练子单元和第二模型训练子单元：
[0040]
第一模型训练子单元，用于利用训练数据集采用模型训练算法进行学习和验证，得到第二特征参数集与单用户失血量之间的映射关系作为失血量预测模型；
[0041]
第二模型训练子单元，用于利用训练数据集采用模型训练算法进行学习和验证，得到特征参数集与单用户输血量之间的映射关系作为输血量预测模型，特征参数集包括根据失血量预测模型预测的单用户失血量。
[0042]
本发明具有以下有益效果：
[0043]
本发明通过获得的输血量推荐值在纳入了患者的术前相关指标基础上，补充纳入了术后相关指标目标值，并以患者最佳预后为目的确定术后相关指标目标值，依据设定术后相关指标的参数值，代入输血量预测模型，预测并推荐患者的术中输血量，供临床医生参考。
[0044]
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0045]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0046]
图1为本发明提供的一种适用于手术患者的健康管理方法的步骤流程示意图；
[0047]
图2为本发明提供的一种适用于手术患者的健康管理方法中步骤s2的具体流程示意图；
[0048]
图3为本发明提供的一种适用于手术患者的健康管理系统结构框图。
具体实施方式
[0049]
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0050]
请参阅图1所示，本发明为一种适用于手术患者的健康管理方法，包括如下步骤：
[0051]
步骤s1：获取医院历史用户数据集，将历史用户数据集划分成训练数集和测试数据集；
[0052]
在获取历史用户数据集之后，根据预先设定的比例值划分训练数据集和测试数据集。预先设定的比例值可以是7∶3或者8∶2或者12∶4，还可以是其他比例值，这里不作限定。
[0053]
步骤s2：收集大量患者病历、对应的治疗方法以及术后对应方法制作健康策略集；
[0054]
步骤s3：提取训练集中的特征参数，根据特征的分布特性、相关特性以及重要性从多个特征中提取适合表征单用户输血量的特征参数集来训练输血量预测模型；
[0055]
输血量预测模型的建立，基于海量历史用户数据。在本技术实施例中，通过获取预定时长内历史用户数据集来用于训练和验证/测试输血量预测模型。其中，预定时长是预定的时间范围，可以根据学习模型的需要选择时间范围。例如，选择某医院2011年-2017年的病患电子记录数据作为历史用户数据集。该历史用户数据集是通过医院信息系统收集的进行过输血治疗的患者的相关数据集合，例如，患者的基本信息(年龄、身高、体重、性别)、血常规检查结果、内科输血前或手术前生命体征信息、生化检查结果、病患诊断结果、科室归属信息等等。其中，患者的基本信息(年龄、身高、体重、性别)可以定义为用户基本信息数据子集，内科输血前的血常规、血气、凝血、生化、生命体征，输血后的血常规等可以定义为用户检查结果数据子集；或者手术前的血常规、血气、凝血、生化、生命体征，手术后的失血量、手术后的血红蛋白值或红细胞压积值等，可以定义为用户手术前后检查结果数据子集；病患诊断结果可以定义为用户诊断信息数据子集；以及患者历史就诊的数据等可以定义为用户既往病史数据子集。
[0056]
步骤s4：采用测试数据集对训练后的输血量预测模型进行验证；
[0057]
步骤s5：根据当前患者输血的相关信息输入输血量预测模型，确定患者个体的输血量；
[0058]
步骤s6：将采集的健康策略集与医院历史用户数据集相互融合获取基础策略图谱；
[0059]
步骤s7：通过深度学习的node2vec网络表示算法，将基础策略图谱中的实体嵌入到n维空间；
[0060]
步骤s8：计算策略图谱之间的相似性，构建训练模型作为排序策略模型的输入；
[0061]
步骤s9：输入患者个体的输血量至排序策略模型进行排序学习，产生top-n推荐策略列表；
[0062]
步骤s10：将生成的用户术后健康管理策略列表推送至用户移动智能终端。
[0063]
步骤s1中，用户数据集以预定科室的历史血液用量历史信息作为输入，形成按时间排列的离散值构成的曲线，判断曲线是否出现波动，如果出现波动，则使用多阶差分进行平稳化调整，直到曲线稳定差分参数为零，并根据平滑的时间序列信息建立自回归移动平
均时序模型，并确定阶数。
[0064]
参阅图2，步骤s2中，医院历史用户数据集获取后需要进行预处理；预处理包括预处理具体步骤如下：
[0065]
步骤s11：将医院设备上获取的历史用户数据集进行清洗；
[0066]
步骤s12：将清洗后的数据进行语义解析；
[0067]
步骤s13：根据语义解析结果，对用户病历、治疗方案和术后应对方法数据标注标签；
[0068]
步骤s14：根据标签以及数据之间关系，构建基础知识图谱。
[0069]
历史血液用量历史信息包括历史术前失血信息、历史术中输血信息和历史术后血液指标信息。
[0070]
步骤s7中，基础知识图谱采用(实体，属性，属性值)三元组的形式描述，通过node2vec网络表示算法将实体嵌入到n维空间中，并生成对应的向量，得到实体向量集和属性向量集，并运用transe算法对实体向量集和属性向量集进行翻译，从而获得一个能够快速计算实体件的语音相似性的三元组向量集。
[0071]
步骤s8中，使用node2vec进行知识图谱网络特征学习，将实体映射到n维空间，在低维向量空间中，几何上越接近的实体相关性越大，利用向量的余弦相识度来计算实体ei和ej之间的相关性sim(ei,ej)；
[0072]
其中，sim(ei,ej)的计算公式为：
[0073][0074]
步骤s9中，构建的训练作为排序模型训练输入，通过决策函数产生top-n推荐列表，并得到n维特征对排序结果的权重比例集合，用以构建反馈模型。
[0075]
请参阅图3所示，本发明为一种适用于手术患者的健康管理系统，包括历史数据采集模块、特征提取模块、模型训练模块、策略图谱构建模块、排序策略模型生成模块、信息反馈单元和健康策略推荐单元；
[0076]
历史数据采集模块、特征提取模块、模型训练模块、信息反馈单元和健康策略推荐单元依次连接；
[0077]
策略图谱构建模块、排序策略模型生成模块、信息反馈单元和健康策略推荐单元依次连接；
[0078]
历史数据采集模块，用于获取医院历史用户数据集，并将历史用户数据集划分成训练数集和测试数据集；用户基本信息数据例如可以包括患者的年龄、身高、体重、性别等参数；用户手术前后检查结果的第一数据例如可以包括：手术前的血常规、血气、凝血、生化、生命体征，手术后的失血量等等；用户诊断信息数据子集例如可以包括患者就诊过程中
的诊断数据；用户既往病史数据子集例如可以包括患者历史就诊的数据；用户历史手术数据子集例如可以包括患者历史手术的数据等。
[0079]
特征提取模块，用于从训练数据集中获取原始特征，将原始特征通过梯度提升决策树gbdt算法进行训练得到对应的组合特征；
[0080]
模型训练模块，用于利用训练数据集和测试数据集采用模型训练算法进行学习和验证，得到至少一个特征参数集与单用户输血量之间的映射关系作为输血量预测模型；
[0081]
策略图谱构建模块，用于采集的健康策略集与医院历史用户数据集相互融合构建策略图谱；
[0082]
排序策略模型生成模块，由于根据患者个体的输血量生成对应top-n推荐列表；
[0083]
信息反馈单元，用于向模型训练模块输入当前患者的数据信息，并将模型训练模块处理的结果信息反馈至医生的智能终端；
[0084]
健康策略推荐单元，用于获取医生的反馈信息生成用户的术后健康管理策略，并推送给患者。
[0085]
模型训练模块至少包括第一模型训练子单元和第二模型训练子单元：
[0086]
第一模型训练子单元，用于利用训练数据集采用模型训练算法进行学习和验证，得到第二特征参数集与单用户失血量之间的映射关系作为失血量预测模型；例如，用户基本信息数据子集、用户检查结果数据子集、用户诊断信息数据子集、用户既往病史数据子集等。其中，用户基本信息数据子集例如可以包括患者的年龄、身高、体重、性别等参数；用户检查结果数据子集例如可以包括：输血前的血常规、血气、凝血、生化、生命体征，输血后的血常规等等；用户诊断信息数据子集例如可以包括患者就诊过程中的诊断数据；用户既往病史数据子集例如可以包括患者历史就诊的数据。
[0087]
第二模型训练子单元，用于利用训练数据集采用模型训练算法进行学习和验证，得到特征参数集与单用户输血量之间的映射关系作为输血量预测模型，特征参数集包括根据失血量预测模型预测的单用户失血量。
[0088]
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0089]
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。
[0090]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。