【技术实现步骤摘要】
本专利技术属于数据库，具体而言，涉及基于患者数据的专病标准数据库自动构建方法。
技术介绍
1、随着医学领域的不断发展和科技的进步，医院管理和临床决策也日益复杂和精细化。其中，专病管理成为了医疗服务的一个重要方面，特别是针对慢性疾病、罕见病和其他特殊疾病的管理。
2、医院在专病管理和临床决策方面存在较多的问题。医院标准化、准确的专病数据，为医院提供便捷的专病管理工具，帮助医生快速了解患者的病情、治疗方案和预后等信息，不同医疗机构和研究团队采用不同的数据标准和格式，导致数据的标准化程度不足，这使得数据的比较和整合变得困难，降低了数据库的质量和可用性。专病标准数据库可以作为临床决策支持系统的基础和依据，为医生提供科学、个性化的诊疗方案和治疗指导，提高医疗质量和患者满意度。专病标准数据库的质量取决于数据的准确性和完整性，现有数据库缺少一种专病标准数据库，且现有数据库存在数据错误、缺失或重复的问题，这可能导致错误的临床决策和科学研究结果。
技术实现思路
1、为了解决上述技术问题，本专利技术提供基于患者数据的专病标准数据库自动构建方法，包括：
2、获取专病标准数据集，结合电子病历基本数据集规范，建立专病标准数据集的数据库的结构模型；
3、定义数据特征属性；数据专用属性包括数据元名称、数据元标识、数据类型、数据表示格式、数据元值域与数据分类参考标准；
4、数据汇聚与预处理，包括：汇聚临床诊疗数据到患者数据仓库，对临床诊疗数据进行治理得到标准化数据；
5、数据提取，包括：利用自然语言处理与文本挖掘的方法从标准化数据中提取专病信息的特征属性，得到专病文本数据；
6、对标准化数据进行标注；
7、采用循环神经网络模型，自动构建专病数据库，包括：
8、对专病文本数据进行预处理，将预处理后的专病文本数据转化为向量，构建专病循环神经网络模型；
9、将每个时间步的向量作为输入信息输入循环神经网络模型进行序列建模；
10、利用标注后的专病数据对循环神经网络模型进行训练；
11、利用循环神经网络模型对未标注的专病数据进行预测，得到每个文本数据的类别作为预测结果；
12、将预测结果整理为专病数据矩阵队列，专病数据矩阵队列的行表示每个文本数据的预测结果，专病数据矩阵队列的列表示每个类别或任务的预测结果；
13、将专病数据矩阵队列，输出到专病数据库的队列，持续写入到专病数据库。
14、在上述技术方案的基础上，本专利技术还可以做如下改进。
15、进一步，专病标准数据集包括数据集名称、数据子集名称、数据元名称与值域。
16、进一步，数据库的结构模型，包括：通过一个根节点表示专病类型，每个子节点表示该专病类型下的病例或诊疗方案；通过使用表格来表示数据，在专病数据库中，使用关系模型建立多个表格来存储专病相关的数据；每个表格代表一个实体类，实体类包括病例与治疗方案，列代表人员信息，行代表人员信息的属性，通过定义表格之间的关系和外键约束，对数据进行联接和关联操作。
17、进一步，对临床诊疗数据进行治理包括数据清洗、转化与标准化数据处理，去除冗余信息与错误数据，统一数据格式与单位，以及进行编码处理。
18、进一步，临床诊疗数据包括临床诊断记录、病例报告与医疗文献；专病信息包括病种信息、病例特征、诊断标准与治疗方案；患者数据仓库分类数据包括病例数据、医嘱数据、检验数据、检查数据与手术数据。
19、进一步，专病信息的特征属性包括若干个维度，包括患者基本信息、体征数据、病例数据、手术数据、检验数据、检查数据、护理数据、医嘱数据、用药数据与输血数据。
20、进一步，汇聚临床诊疗数据，使用数据库管理系统构建专病数据库，数据库管理系统为mysql系统或mongodb系统。
21、进一步，循环神经网络模型为rnn模型；rnn模型包括输入层、隐藏层和输出层；输入层将专病文本数据的向量表示作为输入信息传递给rnn模型；专病文本数据通过预处理，对文本格式进行转化；隐藏层是捕捉序列数据中的上下文信息，输出层是一个全连接层，将rnn模型的输出转化为最终的预测结果，根据任务类型选择激活函数和损失函数，对于分类任务，使用交叉熵损失函数；对于回归任务，使用均方误差损失函数。
22、进一步，设为注意力单元的第个输出，为激活函数，为通道数；则循环神经网络模型的激活函数为：
23、。
24、进一步，设为损失函数，为样本数量，为第个样本的标签，为第个样本经循环神经网络模型处理后对应的输出，为对数函数，则循环神经网络模型的损失函数为：
25、。
26、本专利技术的有益效果是：本专利技术基于临床诊疗数据自动构建专病标准数据库，能够解决医院在专病管理和临床决策方面的问题，本专利技术能够获取标准化、准确的专病数据，为医院提供便捷的专病管理工具，有助于医生快速了解患者的病情、治疗方案和预后等信息；专病标准数据库可以作为临床决策支持系统的基础和依据，为医生提供科学、个性化的诊疗方案和治疗指导，提高医疗质量和患者满意度；利用构建好的专病标准数据库对大量的临床诊疗数据进行数据挖掘和分析，能够应用于临床决策支持系统、疾病预测和预防、临床研究和临床指南等领域，为医生和患者提供更准确、科学的诊疗方案和医学决策支持，提高疾病的预防和控制能力，提升医院的专病管理效能，改善临床决策水平，促进医疗质量的提升和医疗资源的合理利用。
本文档来自技高网...【技术保护点】
1.基于患者数据的专病标准数据库自动构建方法，其特征在于，包括：
2.根据权利要求1所述基于患者数据的专病标准数据库自动构建方法，其特征在于，专病标准数据集包括数据集名称、数据子集名称、数据元名称与值域。
3.根据权利要求1所述基于患者数据的专病标准数据库自动构建方法，其特征在于，数据库的结构模型，包括：通过一个根节点表示专病类型，每个子节点表示该专病类型下的病例或诊疗方案；通过使用表格来表示数据，在专病数据库中，使用关系模型建立多个表格来存储专病相关的数据；每个表格代表一个实体类，实体类包括病例与治疗方案，列代表人员信息，行代表人员信息的属性，通过定义表格之间的关系和外键约束，对数据进行联接和关联操作。
4.根据权利要求1所述基于患者数据的专病标准数据库自动构建方法，其特征在于，对临床诊疗数据进行治理包括数据清洗、转化与标准化数据处理，去除冗余信息与错误数据，统一数据格式与单位，以及进行编码处理。
5.根据权利要求1所述基于患者数据的专病标准数据库自动构建方法，其特征在于，临床诊疗数据包括临床诊断记录、病例报告与医疗文献；专病信息
6.根据权利要求1所述基于患者数据的专病标准数据库自动构建方法，其特征在于，专病信息的特征属性包括若干个维度，包括患者基本信息、体征数据、病例数据、手术数据、检验数据、检查数据、护理数据、医嘱数据、用药数据与输血数据。
7.根据权利要求1所述基于患者数据的专病标准数据库自动构建方法，其特征在于，汇聚临床诊疗数据，使用数据库管理系统构建专病数据库，数据库管理系统为MySQL系统或MongoDB系统。
8.根据权利要求1所述基于患者数据的专病标准数据库自动构建方法，其特征在于，循环神经网络模型为RNN模型；RNN模型包括输入层、隐藏层和输出层；输入层将专病文本数据的向量表示作为输入信息传递给RNN模型；专病文本数据通过预处理，对文本格式进行转化；隐藏层是捕捉序列数据中的上下文信息，输出层是一个全连接层，将RNN模型的输出转化为最终的预测结果，根据任务类型选择激活函数和损失函数，对于分类任务，使用交叉熵损失函数；对于回归任务，使用均方误差损失函数。
9.根据权利要求1所述基于患者数据的专病标准数据库自动构建方法，其特征在于，设为注意力单元的第个输出，为激活函数，为通道数；则循环神经网络模型的激活函数为：
10.根据权利要求1所述基于患者数据的专病标准数据库自动构建方法，其特征在于，设为损失函数，为样本数量，为第个样本的标签，为第个样本经循环神经网络模型处理后对应的输出，为对数函数，则循环神经网络模型的损失函数为：
...【技术特征摘要】
1.基于患者数据的专病标准数据库自动构建方法，其特征在于，包括：
2.根据权利要求1所述基于患者数据的专病标准数据库自动构建方法，其特征在于，专病标准数据集包括数据集名称、数据子集名称、数据元名称与值域。
3.根据权利要求1所述基于患者数据的专病标准数据库自动构建方法，其特征在于，数据库的结构模型，包括：通过一个根节点表示专病类型，每个子节点表示该专病类型下的病例或诊疗方案；通过使用表格来表示数据，在专病数据库中，使用关系模型建立多个表格来存储专病相关的数据；每个表格代表一个实体类，实体类包括病例与治疗方案，列代表人员信息，行代表人员信息的属性，通过定义表格之间的关系和外键约束，对数据进行联接和关联操作。
4.根据权利要求1所述基于患者数据的专病标准数据库自动构建方法，其特征在于，对临床诊疗数据进行治理包括数据清洗、转化与标准化数据处理，去除冗余信息与错误数据，统一数据格式与单位，以及进行编码处理。
5.根据权利要求1所述基于患者数据的专病标准数据库自动构建方法，其特征在于，临床诊疗数据包括临床诊断记录、病例报告与医疗文献；专病信息包括病种信息、病例特征、诊断标准与治疗方案；患者数据仓库分类数据包括病例数据、医嘱数据、检验数据、检查数据与手术数据。
6.根据权利要求1所述基于患者数据的专病标准数据库自动构建方法，其特征在于...
【专利技术属性】
技术研发人员：张平，梁冬亮，岳小波，
申请(专利权)人：四川互慧软件有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。