一种基于分析模型的医疗检查落地要素反馈系统及方法

本发明涉及智能医疗，具体涉及一种基于分析模型的医疗检查落地要素反馈系统及方法。

背景技术：

1、医疗检查获得检查报告后，需要寻求维持或提升身体健康状况的医疗方案反馈，从而依医疗方案进行健康维护，保持身体健康。

2、现有的医疗反馈系统包含医疗决策类系统或者风险评判类系统，如临床决策支持系统、病案质控系统，通常会使用规则或人工智能(如：机器学习算法)算法对病历(病案)这类非结构化数据文本进行自然语言处理或识别，并基于自动化或者规则的方式进行数据提取，以形成结构化的数据。结合这些经过结构化的病案以及其他本身就是结构化的数据信息(如：医嘱、病案首页数据、实验室检验结果等)人为设定规则以形成决策依据或者风险识别依据，如用户尿酸测定值超过420μmol/l即被认定为痛风，会依据通风进行医嘱下发。

3、然而，实际临床对于诊断医嘱的下达或者病情的分析并不完全基于某一瞬态下客观化指标，而是结合各类因素(如：医嘱的临床持续表现)综合判定。因此，尽管现有技术的医疗反馈系统使用了各种人工智能的算法为用户提供康健方案，但在康健方案决策依据的判断中还是基于专家经验的简单化设定，不能依用户检查报告的信息量进行适应性动态调节，与用户临床实际情况存在较大差异，也导致应用于用户康健方案制定下发时适配性差，进而导致系统的反馈准确性差。

技术实现思路

1、本发明的目的在于提供一种基于分析模型的医疗检查落地要素反馈系统及方法，以解决现有技术中康健方案决策依据的判断中还是基于专家经验的简单化设定，不能依用户检查报告的信息量进行适应性动态调节，与用户临床实际情况存在较大差异，也导致应用于用户康健方案制定下发时适配性差，进而导致系统的反馈准确性差的技术问题。

2、为解决上述技术问题，本发明具体提供下述技术方案：

3、一种基于分析模型的医疗检查落地要素反馈系统，包括至少一个要素落地门户和检查分析门户，所述检查分析门户与每个所述要素落地门户通信连接进行数据交互；

4、所述检查分析门户用于接收用户提供的医疗检查数据，并将医疗检查数据进行语义分析后反馈至要素落地门户；

5、所述要素落地门户内置有落地分析模型，所述要素落地门户利用落地分析模型对医疗检查数据的语义分析结果进行模型化分析得到用户检查落地要素结果，再将用户检查落地要素结果反馈至检查分析门户用于向用户进行展示；

6、其中，所述用户检查落地要素结果为将用户医疗检查数据落地成实现维持或提升用户医疗健康状态的康健方案要素。

7、作为本发明的种优选方案，所述落地分析模型由用户连续性自分析落地模型和用户相似性他分析落地模型进行权重组合组成，所述用户检查落地要素结果由连续性康健落地要素结果和相似性康健落地要素结果组成，其中，所述用户连续性自分析落地模型用于利用用户自身的健康状态连续性规律分析出用户的连续性康健落地要素结果，以实现维持或提升用户医疗健康状态的康健方案的个体化适配，所述用户相似性他分析落地模型用于利用用户间的健康状态相似性规律分析出用户的相似性康健落地要素结果，以实现维持或提升用户医疗健康状态的康健方案的群体化适配，所述连续性康健落地要素结果为由健康状态连续性规律分析得到的实现维持或提升用户医疗健康状态的康健方案要素，所述相似性康健落地要素结果由健康状态相似性规律分析得到的实现维持或提升用户医疗健康状态的康健方案要素；

8、所述用户连续性自分析落地模型的模型表达式为：

9、knew=cnn(kold,snew,sold)；

10、式中，knew为用户当前时刻的连续性康健落地要素结果，kold为用户前一时刻的连续性康健落地要素结果，snew为用户当前时刻的医疗检查数据的语义分析结果，sold为用户前一时刻的医疗检查数据的语义分析结果，cnn为神经网络；

11、所述用户相似性他分析落地模型的模型表达式为：

12、lnew=bp(snew)；

13、式中，lnew为用户当前时刻的连续性康健落地要素结果，snew为用户当前时刻的医疗检查数据的语义分析结果，bp为神经网络。

14、作为本发明的一种优选方案，所述用户连续性自分析落地模型的组合权重为：

15、；

16、式中，wnew为用户当前时刻的用户连续性自分析落地模型的组合权重，nold为所有前置于用户当前时刻的医疗检查数据的语义分析结果或连续性康健落地要素结果的数量；

17、所述用户相似性他分析落地模型的组合权重为：

18、；

19、式中，vnew为用户当前时刻的用户相似性他分析落地模型的组合权重，nold为所有前置于用户当前时刻的医疗检查数据的语义分析结果或连续性康健落地要素结果的数量。

20、作为本发明的一种优选方案，所述落地分析模型的模型表达式：

21、mnew=wnew*cnn(kold,snew,sold)+vnew*bp(snew)；

22、式中，mnew为用户当前时刻的用户检查落地要素结果，wnew为用户当前时刻的用户连续性自分析落地模型的组合权重，vnew为用户当前时刻的用户相似性他分析落地模型的组合权重，kold为用户前一时刻的连续性康健落地要素结果，snew为用户当前时刻的医疗检查数据的语义分析结果，sold为用户前一时刻的医疗检查数据的语义分析结果，cnn为神经网络，bp为神经网络。

23、作为本发明的一种优选方案，所述检查分析门户包含显示组件，读取组件，信息传输组件，其中，所述读取组件利用nlp算法对非结构化的医疗检查数据进行自然语言读取转化为落地分析模型可用的语义向量，以作为医疗检查数据的语义分析结果，所述显示组件利用nlp算法对要素落地门户反馈的用户检查落地要素结果由语义向量进行用户可读性语言构建并显示，所述信息传输组件用于检查分析门户与所述要素落地门户通信连接进行数据交互；

24、所述要素落地门户包括分析组件，存储组件，信息传输组件，其中，所述分析组件中内置有落地分析模型，所述存储组件用于存储用户所有时刻的医疗检查数据或用户检查落地要素结果，所述信息传输组件用于检查分析门户与所述要素落地门户通信连接进行数据交互。

25、作为本发明的一种优选方案，本发明提供了一种实施所述的基于分析模型的医疗检查落地要素反馈系统的医疗检查落地要素反馈方法，包括以下步骤：

26、步骤s1、利用历史医疗日志库构建落地分析模型，并将落地分析模型内置于要素落地门户；

27、步骤s2、检查分析门户接收用户提供的当前时刻的医疗检查数据进行实时语义分析，并实时将医疗检查数据的语义分析结果反馈至要素落地门户；

28、步骤s3、要素落地门户利用落地分析模型对用户当前时刻的医疗检查数据的语义分析结果进行模型化分析得到用户当前时刻的用户检查落地要素结果，再将用户检查落地要素结果反馈至检查分析门户；

29、步骤s4、检查分析门户对用户检查落地要素结果进行用户可读性语言构建，并实时向用户进行展示。

30、作为本发明的一种优选方案，所述落地分析模型的构建方法包括：

31、利用历史医疗日志库构建用户连续性自分析落地模型，以及用户相似性他分析落地模型；

32、利用s型函数拟合个体化适配和群体化适配的倾向规律确定出用户连续性自分析落地模型和用户相似性他分析落地模型的组合权重；

33、利用用户连续性自分析落地模型和用户相似性他分析落地模型的组合权重对用户连续性自分析落地模型和用户相似性他分析落地模型进行组合构建得到落地分析模型。

34、作为本发明的一种优选方案，所述用户连续性自分析落地模型的构建方法包括：

35、在历史医疗日志库选取出用户的历史医疗检查数据和用户的历史用户检查落地要素结果，所述用户的历史医疗检查数据和用户的历史用户检查落地要素结果的历史时序一一对应；

36、在用户的历史医疗检查数据中将后置历史时序处的医疗检查数据与相邻前置历史时序处的医疗检查数据进行比较，保留相较于相邻前置历史时序处的医疗检查数据表征健康状况好转或稳定的后置历史时序处的医疗检查数据；

37、对应保留表征健康状况好转或稳定的后置历史时序处的用户检查落地要素结果；

38、将用户的历史医疗检查数据和历史用户检查落地要素结果中分别保留下的历史时序处的医疗检查数据和历史时序处的用户检查落地要素结果依时序进行顺序排列，得到用户的历史医疗检查数据的有效序列和历史用户检查落地要素结果的有效序列；

39、将用户的历史医疗检查数据的有效序列和历史用户检查落地要素结果的有效序列中各个历史时序抽象为用户当前时刻，并将历史医疗检查数据进行语义分析，以得到用户当前时刻的连续性康健落地要素结果、用户前一时刻的连续性康健落地要素结果、用户当前时刻的医疗检查数据的语义分析结果以及用户前一时刻的医疗检查数据的语义分析结果，利用cnn神经网络进行网络训练得到所述用户连续性自分析落地模型；

40、所述用户连续性自分析落地模型的模型表达式为：

41、knew=cnn(kold,snew,sold)；

42、式中，knew为用户当前时刻的连续性康健落地要素结果，kold为用户前一时刻的连续性康健落地要素结果，snew为用户当前时刻的医疗检查数据的语义分析结果，sold为用户前一时刻的医疗检查数据的语义分析结果，cnn为神经网络。

43、作为本发明的一种优选方案，所述用户相似性他分析落地模型的构建方法包括：

44、在历史医疗日志库选取出用户的历史医疗检查数据和用户的历史康健落地要素结果，所述用户的历史医疗检查数据和用户的历史康健落地要素结果的历史时序一一对应；

45、在历史医疗日志库利用历史医疗检查数据的有效序列和历史康健落地要素结果的有效序列量化用户与其他用户的相似性，并选取相似性阈值范围内的其他用户对应的历史医疗检查数据的有效序列和历史康健落地要素结果的有效序列；

46、将其他用户对应的历史医疗检查数据的有效序列和历史康健落地要素结果的有效序列，利用cnn神经网络进行网络训练得到所述用户相似性他分析落地模型；

47、所述用户相似性他分析落地模型的模型表达式为：

48、lnew=bp(snew)；

49、式中，lnew为用户当前时刻的连续性康健落地要素结果，snew为用户当前时刻的医疗检查数据的语义分析结果，bp为神经网络。

50、作为本发明的一种优选方案，所述组合权重的确定方法包括：

51、利用s型函数拟合个体化适配的倾向规律确定出用户连续性自分析落地模型的组合权重，所述用户连续性自分析落地模型的组合权重为：

52、；

53、式中，wnew为用户当前时刻的用户连续性自分析落地模型的组合权重，nold为所有前置于用户当前时刻的医疗检查数据或连续性康健落地要素结果的数量；

54、利用s型函数拟合群体化适配的倾向规律确定出用户相似性他分析落地模型的组合权重，所述用户相似性他分析落地模型的组合权重为：

55、；

56、式中，vnew为用户当前时刻的用户相似性他分析落地模型的组合权重，nold为所有前置于用户当前时刻的医疗检查数据或连续性康健落地要素结果的数量。

57、本发明与现有技术相比较具有如下有益效果：

58、本发明构建医疗检查落地要素反馈系统，用户可以在医疗检查落地要素反馈系统中提交医疗检查数据直接由人工智能算法获得维持或提升健康状况的康健方案要素，智能化交互，降低对医生专家经验的依赖，减轻医患双方的医疗负担，而且医疗检查落地要素反馈系统中内置落地分析模型进行智能化下发康健方案要素，并且落地分析模型能够适时匹配用户临床的实际情况，提高临床康健方案的准确性。