申请/专利权人：山东大学齐鲁医院

申请日：2023-12-26

公开（公告）日：2024-03-26

公开（公告）号：CN117476217B

主分类号：G16H50/20

分类号：G16H50/20;G16H10/60;G06F18/24;G06F18/214;G06N3/098;G06N3/0464;G06N20/20

优先权：

专利状态码：有效-授权

法律状态：2024.03.26#授权;2024.02.20#实质审查的生效;2024.01.30#公开

摘要：本发明提出一种慢性心脏病病情发展趋势预测系统，涉及智慧医疗技术领域。包括数据库构建与特征提取模块，获取病人关联特征；筛选模块，对云端数据库中的数据进行筛选，进而对医疗服务机构进行筛选；训练模块，基于联邦学习得到训练好的第一预测模型；预测模块，利用第一预测模型对待预测患者病情发展趋势进行初步预测，之后基于预训练的第二分类模型对患者进行分类，判断待预测患者的慢性心脏病发展趋势是否稳定。本发明实现对待预测的慢性心脏病患者个性化定制模型的训练，得到的模型能够更好的匹配某一类型的患者，预测精度高。

主权项：1.一种慢性心脏病病情发展趋势预测系统，其特征在于，包括：数据库构建与特征提取模块，其用于：获取各医疗服务机构的病人关联数据，构建慢性心脏病患者云端数据库，对数据进行清洗与特征构建，获取病人关联特征；筛选模块，其用于：基于病人关联特征，计算云端数据库中待预测患者病情与其他患者病情的相关度，对云端数据库中的数据进行筛选，得到总数据集；对总数据集中的数据按照不同的医疗服务机构划分，得到对应于医疗服务机构的数据子集，完成对医疗服务机构的筛选；训练模块，其用于：将筛选出的医疗服务机构作为客户端，将各个数据子集作为客户端训练集，将云端服务器作为服务端，将总数据集作为服务端训练集，基于联邦学习对XGBoost模型进行训练，得到训练好的第一预测模型；预测模块，其用于：利用第一预测模型对待预测患者病情发展趋势进行初步预测，判断初步预测结果是否大于设定值，若是，则获取待预测患者的实时心电图，基于预训练的第二分类模型对患者进行分类，判断待预测患者的慢性心脏病发展趋势是否稳定；各医疗服务机构的病人关联数据，具体包括：患者在同一医疗服务机构历史就医过程中的所有就医记录数据和患者日常护理数据；所述就医记录数据包括患者身份识别信息、慢性病种类信息、患病史、手术治疗种类信息、手术时间信息、日常服药种类信息、服药时间信息、是否发生突发事件信息；所述患者日常护理数据包括日常血压数据、血糖数据、心率数据、心电图数据；慢性心脏病患者云端数据库的构建方法为：在每个医疗服务机构中，每个患者的就医记录数据和患者日常护理数据合并为一个样本数据，选取慢性病种类信息中包含慢性心脏病的患者样本数据，存储于云端数据库中；判断云端数据库的多个医疗服务机构中是否存在同一个患者的样本数据，若存在，则进行合并；将合并后患者的样本数据按照时间先后顺序排列，形成对应于患者的连续数据链；连续数据链中，将每相邻两个时间的对应种类数据之差与时间之差作商，得到多个商值，将多个商值进行平均，得到患者的平均疗效信息；将平均疗效信息、患者身份识别信息、慢性病种类信息、患病史、手术治疗种类信息、手术时间信息、日常服药种类信息、服药时间信息、是否发生突发事件信息作为病人关联特征；所述数据库构建与特征提取模块，还用于：分别对慢性病患病种类、患病史、手术治疗种类、手术治疗时间、服药种类、服药时间、平均疗效、突发事件进行编码，设定i=1,2，…n，将第i个患者的病人关联特征表示为：[Zi,T1i,Ji,TJi,Yi,TYi,Gi，S],其中，Zi为慢性病患病种类，T1i为患病史特征，Ji为手术治疗种类特征，TJi为手术治疗时间特征，Yi为服药种类特征，TYi为服药时间特征，Gi为平均疗效特征；S为突发事件特征；所述筛选模块，还用于：在云端数据库中，选取与待预测患者慢性病患病种类相同的患者，将筛选出的患者所对应的病人关联特征作为集群Q1；设定患病史偏差阈值，从集群Q1中选取符合患病史偏差阈值的部分慢性心脏病患者，得到集群Q2；在集群Q2中，选取与待预测病情的慢性病患者手术治疗种类相同的慢性心脏病患者，得到集群Q3；在集群Q3中，选取与待预测病情的慢性心脏病患者的服药种类重叠度大于设定值的慢性心脏病患者，得到集群Q4；在集群Q4中，按照以下公式计算病情相关度： 其中，为待预测病情的慢性心脏病患者,为集群Q4中的慢性心脏病患者，、、均为设定常数且；考虑在多种慢性病共同作用下，慢性心脏病患者的病情发展趋势，将平均疗效信息加入病人关联特征，能够便于后续更加精确的挑选出与待预测患者关联性更好的样本数据；所述筛选模块，还用于：按照病情相关度从高到低，对集群Q4中的患者进行排序，选取其中排名靠前的设定数量患者的病人关联特征作为总数据集Q5；将Q5中的患者按照不同的医疗服务机构划分为多个数据子集Q51、Q52、Q53、…Q5M，M为被筛选出的医疗服务机构数；所述训练模块，还用于基于联邦学习对模型进行训练：S1：服务端为各个筛选出的客户端分配一个初始值；S2：服务端预设训练轮数N、预期每轮训练时间、客户端时间完成度惩罚函数；S3：服务端发送全局模型至筛选出的各客户端，客户端本地训练后生成新一轮的本地模型；S4：客户端将新一轮的本地模型上传至服务端，由服务端进行聚合，得到新一轮的全局模型；S5：服务端基于客户端新一轮的实际训练时间、客户端时间完成度惩罚函数，计算惩罚值，向各客户端反馈，将初始值减去惩罚值的差作为各客户端剩余初始值，当某一个客户端剩余初始值为零或负值时，将该客户端剔除；S6：循环上述步骤S3至S5，直至全局模型收敛。

全文数据：

权利要求：

百度查询： 山东大学齐鲁医院 一种慢性心脏病病情发展趋势预测系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD