【技术实现步骤摘要】
本专利技术涉及数据处理，具体来说，涉及一种基于诊疗信息的静脉血栓栓塞症预防方案确定系统。
技术介绍
1、静脉血栓栓塞症（venous thromboembolism，vte）是一种包括深静脉血栓形成和肺栓塞在内的严重疾病。vte常见于住院患者、长期卧床者、术后恢复的病人等特殊人群，但也可能在其他高危环境下发生，由于其潜在的危害性，vte的预防在现代医疗管理中至关重要。
2、通过实施有效的预防措施，能够显著减少vte并发症的发生，缩短住院时间，提升患者的整体生活质量，并减少医疗资源的浪费，这不仅有助于降低患者的健康风险，还具有显著的经济效益。
3、然而，在制定vte预防方案时，如果忽视目标对象的个体偏好，可能会对治疗依从性产生负面影响。不同目标对象在治疗方式上有各自的偏好，如药物的给药方式（注射或口服）或特定治疗频率的接受程度，如果预防方案未能充分考虑这些偏好，目标对象可能会难以按时按量进行治疗，最终影响预防效果。
4、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、针对相关技术中的问题，本专利技术提出一种基于诊疗信息的静脉血栓栓塞症预防方案确定系统，以克服现有相关技术所存在的上述技术问题。
2、为此，本专利技术采用的具体技术方案如下：
3、一种基于诊疗信息的静脉血栓栓塞症预防方案确定系统，该静脉血栓栓塞症预防方案确定系统包括：
4、症状特征识别模块，用于从预定义的数据库中获取历史诊疗信息，
5、特征匹配模块，用于基于静脉血栓栓塞症的症状特征建立症状匹配模型，并采集目标对象的实时诊疗特征输入至症状匹配模型进行特征匹配；
6、风险评估分级模块，用于根据特征匹配结果预测目标对象发生静脉血栓栓塞症的风险概率，并对目标对象进行风险等级划分；
7、个性化方案制定模块，用于结合目标对象的偏好特征为不同风险等级的目标对象制定个性化静脉血栓栓塞症预防方案；
8、特征匹配模块包括特征预处理模块、特征聚类模块及关联匹配模块；
9、特征预处理模块，用于融合静脉血栓栓塞症的症状特征形成特征数据集，并采用小波算法剔除特征数据集中的噪声；
10、特征聚类模块，用于将预处理后的特征数据集中相似症状特征划分至同一类簇中，得到若干症状特征类簇；
11、关联匹配模块，用于将目标对象的实时诊疗特征输入至症状匹配模型中与症状特征进行匹配并输出特征匹配结果。
12、优选地，关联匹配模块在将目标对象的实时诊疗特征输入至症状匹配模型中与症状特征进行匹配并输出特征匹配结果时包括：
13、基于特征数据集建立症状匹配模型，从预采集的目标对象的实时诊疗信息中提取实时诊疗特征并作为症状匹配模型的输入；
14、将症状匹配模型集成树匹配算法分析实时诊疗特征及症状特征的映射关系，并基于映射关系得到两组特征间的关联节点信息；
15、依据极大似然估计技术计算得到症状匹配模型的对数似然函数，并结合拉格朗日算子得到估计先验参数；
16、结合关联节点信息与估计先验参数计算实时诊疗特征及症状特征之间的关联度，并对关联度进行排序；
17、选取与症状特征关联度最高的实时诊疗特征并划分至对应的症状特征类簇中得到特征匹配结果。
18、优选地，风险评估分级模块在根据特征匹配结果预测目标对象发生静脉血栓栓塞症的风险概率，并对目标对象进行风险等级划分时包括：
19、基于特征匹配结果构建一级风险预测模型，并利用一级风险预测模型预测目标对象发生静脉血栓栓塞症的风险概率；
20、基于预测生成的风险概率对目标对象的风险等级进行划分，且划分后的风险等级包括低风险、中等风险及高风险；
21、分别获取低风险目标对象及中等风险目标对象的个人体征数据并与特征匹配结果相融合得到目标对象的融合数据；
22、基于目标对象的融合数据构建二级风险预测模型，并预测低风险目标对象及中等风险目标对象演变成高风险目标对象的风险演变概率；
23、结合风险演变概率对划分的风险等级进行修正，且修正后的风险等级包括低风险、中等风险、高风险及临界风险。
24、优选地，基于目标对象的融合数据构建二级风险预测模型，并预测低风险目标对象及中等风险目标对象演变成高风险目标对象的风险演变概率包括：
25、提取融合数据中的经验模态函数，并为经验模态函数建立自回归模型；
26、分别对经验模态函数依次进行平稳性检验及白噪声检验，并基于检验结果得到非白噪声序列特征；
27、基于非白噪声序列特征确定自回归模型并进行残差序列检验，对未通过残差序列检验的自回归模型进行修正；
28、将自回归模型与最小二乘回归模型集成得到二级风险预测模型，并预测低风险目标对象及中等风险目标对象演变成高风险目标对象的概率。
29、优选地，个性化方案制定模块包括偏好分析模块、偏好权重分配模块、个性化方案配置模块及个性化方案优化模块；
30、偏好分析模块，用于采集目标对象的个人偏好数据，并基于个人偏好数据利用协同过滤算法分析目标对象的偏好因素；
31、权重分配模块，用于为目标对象的偏好因素进行赋权处理；
32、个性化方案配置模块，用于结合赋权后的偏好因素为不同风险等级的目标对象初步制定静脉血栓栓塞症预防方案；
33、个性化方案优化模块，用于将静脉血栓栓塞症预防方案作为树分支并执行迭代搜索得到最优分支，同时形成目标对象的最优静脉血栓栓塞症预防方案。
34、优选地，偏好因素至少包括治疗方式偏好、药物选择偏好及风险承受偏好。
35、优选地，权重分配模块在为目标对象的偏好因素进行赋权处理时包括：
36、利用主层次分析法对治疗方式偏好、药物选择偏好及风险承受偏好进行两两比较，得到每个偏好因素的若干权重向量；
37、计算权重向量的密度分布确定每个偏好因素的置信区间，并基于置信区间为每个偏好因素进行赋权；
38、对赋权后的偏好因素进行一致性检验，判断每个偏好因素的比较矩阵是否具有逻辑一致性；
39、基于未通过一致性检验的偏好因素，则选取最小权重向量进行调整。
40、优选地，个性化方案优化模块在将静脉血栓栓塞症预防方案作为树分支并执行迭代搜索得到最优分支，同时形成目标对象的最优静脉血栓栓塞症预防方案时包括：
41、将树状结构中的根节点表示目标对象的风险等级，并根据目标对象的偏好因素逐步扩展根节点，形成与静脉血栓栓塞症预防方案对应的树分支；
42、利用上置信界公式随机选择树分支上的回报节点，并判断回报节点是否为终止节点，若回报节点非终止节点，则扩展当前回报节点形成新节点；
43、以新节点为基础沿着树分支从回报节点传递回根节本文档来自技高网...
【技术保护点】
1.一种基于诊疗信息的静脉血栓栓塞症预防方案确定系统，其特征在于，该静脉血栓栓塞症预防方案确定系统包括：
2.根据权利要求1所述的一种基于诊疗信息的静脉血栓栓塞症预防方案确定系统，其特征在于，所述关联匹配模块在将目标对象的实时诊疗特征输入至症状匹配模型中与症状特征进行匹配并输出特征匹配结果时包括：
3.根据权利要求2所述的一种基于诊疗信息的静脉血栓栓塞症预防方案确定系统，其特征在于，所述风险评估分级模块在根据特征匹配结果预测目标对象发生静脉血栓栓塞症的风险概率，并对目标对象进行风险等级划分时包括：
4.根据权利要求3所述的一种基于诊疗信息的静脉血栓栓塞症预防方案确定系统，其特征在于，所述基于目标对象的融合数据构建二级风险预测模型，并预测低风险目标对象及中等风险目标对象演变成高风险目标对象的风险演变概率包括：
5.根据权利要求4所述的一种基于诊疗信息的静脉血栓栓塞症预防方案确定系统，其特征在于，所述个性化方案制定模块包括偏好分析模块、偏好权重分配模块、个性化方案配置模块及个性化方案优化模块；
6.根据权利要求5所述的一种基
7.根据权利要求6所述的一种基于诊疗信息的静脉血栓栓塞症预防方案确定系统，其特征在于，所述权重分配模块在为目标对象的偏好因素进行赋权处理时包括：
8.根据权利要求7所述的一种基于诊疗信息的静脉血栓栓塞症预防方案确定系统，其特征在于，所述个性化方案优化模块在将静脉血栓栓塞症预防方案作为树分支并执行迭代搜索得到最优分支，同时形成目标对象的最优静脉血栓栓塞症预防方案时包括：
9.根据权利要求8所述的一种基于诊疗信息的静脉血栓栓塞症预防方案确定系统，其特征在于，所述自回归模型阶数的表达式为：
10.根据权利要求9所述的一种基于诊疗信息的静脉血栓栓塞症预防方案确定系统，其特征在于，所述上置信界的表达式：
...【技术特征摘要】
1.一种基于诊疗信息的静脉血栓栓塞症预防方案确定系统，其特征在于，该静脉血栓栓塞症预防方案确定系统包括：
2.根据权利要求1所述的一种基于诊疗信息的静脉血栓栓塞症预防方案确定系统，其特征在于，所述关联匹配模块在将目标对象的实时诊疗特征输入至症状匹配模型中与症状特征进行匹配并输出特征匹配结果时包括：
3.根据权利要求2所述的一种基于诊疗信息的静脉血栓栓塞症预防方案确定系统，其特征在于，所述风险评估分级模块在根据特征匹配结果预测目标对象发生静脉血栓栓塞症的风险概率，并对目标对象进行风险等级划分时包括：
4.根据权利要求3所述的一种基于诊疗信息的静脉血栓栓塞症预防方案确定系统，其特征在于，所述基于目标对象的融合数据构建二级风险预测模型，并预测低风险目标对象及中等风险目标对象演变成高风险目标对象的风险演变概率包括：
5.根据权利要求4所述的一种基于诊疗信息的静脉血栓栓塞症预防方案确定系统，其特征在于，所述个性化方案制定模块包括偏好...
【专利技术属性】
技术研发人员：郭刚，唐春雷，徐冬益，
申请(专利权)人：江苏迈鼎科技集团有限公司，
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。