一种基于互联网大数据的医疗数据处理方法及系统与流程

本发明涉及数据处理，具体为一种基于互联网大数据的医疗数据处理方法及系统。

背景技术：

1、传统的医疗数据处理方法通常依赖于手工处理和简单的统计分析，这限制了数据处理的效率和深度。随着大数据技术和深度学习的发展，医疗行业开始探索更先进的数据分析方法，以提高诊断的准确性和治疗的有效性。然而，现有方法在整合不同类型医疗数据(如ehr、医学影像、实验室检测结果等)和提供全面的健康评估方面仍面临挑战。

2、不同医疗数据源之间缺乏有效的整合，导致信息碎片化。传统方法在处理复杂的医疗数据时，往往无法深入挖掘数据中的潜在模式和关联。很多现有方法无法根据患者的具体情况提供个性化的健康评估和治疗建议。

3、因此亟需一种基于互联网大数据的医疗数据处理方法提供全面的健康评估，解决了传统方法存在的问题，提升医疗数据处理和分析的质量和效率。

技术实现思路

1、鉴于上述存在的问题，提出了本发明。

2、因此，本发明解决的技术问题是：现有的医疗数据处理方法存在数据整合不全面、预测准确性低、处理效率不高的问题，以及如何全面整合多源医疗数据和提高预测模型准确性与效率的优化问题。

3、为解决上述技术问题，本发明提供如下技术方案：一种基于互联网大数据的医疗数据处理方法，包括：

4、收集医疗数据，进行数据清洗，去除重复、错误记录，标准化格式，并利用自然语言处理和图像处理技术进行特征提取；利用深度学习算法自动分析处理后的数据，并构建预测模型，自动进行模型的交叉验证；对分析结果进行验证，使用模拟数据集和实际应用场景的数据进行回测，评估结果的可靠性，并调整模型；将经过验证的数据分析结果进行可视化展示，基于所述数据分析结果辅助进行诊断和治疗决策。

5、作为本发明所述的基于互联网大数据的医疗数据处理方法的一种优选方案，其中：所述医疗数据包括电子健康记录ehr、医学影像、实验室检测结果、生理监测数据以及患者自我报告数据。

6、作为本发明所述的基于互联网大数据的医疗数据处理方法的一种优选方案，其中：所述特征提取包括应用自然语言处理技术从ehr中提取关键医疗术语和病症描述，所述关键医疗术语和病症描述包括症状、诊断、过往病史和治疗反应；所述利用深度学习算法自动分析处理后的数据包括利用cnn卷积神经网络对文本数据进行分析，cnn通过学习ehr中的语言模式，识别特定的疾病模式，将症状组合与疾病关联以及从治疗反应中预测患者对药物的敏感性；对医学影像进行边缘检测和图像分割，识别并突出显示病变区域，通过gans生成对抗网络对处理后的图像进行特征分析，所述特征分析包括识别组织结构的变化、血管异常的检测、肿瘤特征的全面分析以及炎症和感染的标记；转换实验室数据为标准格式，分析探索实验室数据间的潜在联系，针对实验室检测结果构建网络，每个节点代表特定的检测指标，根据不同检测结果间的统计关联性建立边，根据检测结果之间的相关性强度为每条边分配权重，设定关联强度阈值，当两个指标间的关联强度超过关联强度阈值时，判断指标间存在相关性，分析网络的拓扑结构，包括节点的连接度、聚类系数和路径长度，识别在疾病诊断或治疗中关键检测指标，通过社区检测算法识别网络中的社区，分析实验室数据中时间序列数据在时间上的变化，观察疾病进展和治疗反应；对生理监测数据进行时间序列分析，使用rnn递归神经网络对生理监测数据进行时间序列分析，识别数据中的长期趋势和异常模式，与实验室检测数据和医学影像的分析结果结合，辅助分析患者自我报告数据。

7、作为本发明所述的基于互联网大数据的医疗数据处理方法的一种优选方案，其中：所述构建预测模型：

8、y＝σ(β·f(e,i,l,p)+γ)

9、

10、其中，e表示ehr文本数据向量，i表示医学影像特征向量，l表示实验室检测结果的数据向量，p表示经rnn处理的生理监测时间序列数据，α表示正则化参数，控制生理监测数据的影响程度，f表示特征融合函数，β、γ表示预测模型的参数，σ表示sigmoid函数，将实数映射到(0,1)区间，y表示预测结果，f表示特征融合函数，∫(e·i)de表示e和i向量的元素积的积分，量化e和i之间的相互作用，表示对所有实验室检测结果进行求和，聚合实验室数据的总体特征。

11、作为本发明所述的基于互联网大数据的医疗数据处理方法的一种优选方案，其中：所述进行模型的交叉验证包括将所述处理后的数据构建医疗数据集，将整合后的医疗数据集分割为k个相等的子集，在每次迭代中，选取一个子集作为测试集，其余k-1个子集作为训练集，在每个训练集上训练模型，并在对应的测试集上通过评估指标评估模型性能，所述评估指标包括计算精确度、召回率、auc值；若在任一测试集上的评估指标低于预设评估阈值，执行参数优化策略，所述参数优化策略包括建立评估指标和α、β以及γ模型参数间的概率模型，使用贝叶斯优化预测改善性能的参数值。

12、所述概率模型表示为：

13、m(α,β,γ)＝gp(μ(α,β,γ),σ(α,β,γ))

14、其中，μ(α,β,γ)表示均值函数，预测给定参数值时模型性能的平均水平，σ(α,β,γ)表示协方差函数，描述参数值间性能预测的不确定性，gp表示高斯过程，用于建模参数与性能之间的关系。

15、当模型m预测显示调整α能够改善模型的整体性能，表现为提高预测均值μ(α,β,γ)或减少预测不确定性σ(α,β,γ)时，分析模型m关于不同α值的性能预测，并根据预测结果调整α的值，以优化模型的整体判断策略和减少预测误差；

16、当模型m预测显示当前β值不是最优的，存在更高的β值能提高模型的预测均值μ(α,β,γ)时，分析模型m针对不同β值的性能预测，并根据预测逐步增加β的值，以提高模型的精确度和整体性能；当模型m预测显示调整γ能够提高模型的预测均值μ(α,β,γ)或减少预测不确定性σ(α,β,γ)，分析模型m关于不同γ值的性能预测，并根据预测结果决定是增加还是减少γ，以优化模型的召回率和减少决策的不确定性；在每轮优化后，应用新的参数设置，并根据模型m的新预测重新评估模型性能，若模型m的新预测表明通过进一步调整参数提升性能，继续调整参数，重复此过程，直到模型m的预测显示所有参数都在最优范围内。

17、作为本发明所述的基于互联网大数据的医疗数据处理方法的一种优选方案，其中：所述分析结果包括当y＜0.3时，判断为低风险分类，对患者自我报告的数据进行情感和症状分析，关注是否有符合低风险状态，基于初步分析结果，执行定期健康监测和预防措施，推荐健康生活方式并定期体检，为患者提供健康教育，指导如何通过改善生活习惯来预防潜在的健康问题；当0.3≤y≤0.6时，判断为中风险分类，对患者自我报告的数据进行情感和症状分析，关注是否有符合中风险状态，根据分析结果，定期跟踪患者的健康状况，并进行诊断测试，及时评估和处理健康问题，基于评估结果，为患者制定个性化的医疗干预计划，所述医疗干预计划包括药物治疗、生活方式调整以及专业医疗咨询；当y＞0.6时，判断为高风险分类，立即对患者的自我报告数据进行紧急评估，关注任何可能指示高风险状况的严重症状或情感问题，根据紧急评估的结果，迅速采取必要的医疗干预措施，包括紧急诊断测试和医疗处理，将患者自我报告的信息与所述医疗数据集中的医疗数据结合，进行全面的健康评估，制定治疗和管理计划。

18、作为本发明所述的基于互联网大数据的医疗数据处理方法的一种优选方案，其中：所述情感和症状分析包括从医疗数据集中提取患者自我报告的数据，使用深度学习模型对文本进行情感分析和关键词提取，确定文本中的情感倾向，所述情感倾向包括焦虑、沮丧以及乐观；提取关于症状的关键信息，所述症状的关键信息包括症状种类、强度、持续时间和频率，基于情感倾向及症状的关键信息初步判断患者的风险分类，所述风险分类包括低风险状态和中风险状态，若情感分析显示为积极情感，且症状描述轻微，初步判断为低风险状态，若情感分析显示负面情感或症状描述明显，初步判断为中风险状态；所述积极情感包括乐观、平静，所述负面情感包括焦虑、沮丧，所述症状描述轻微包括症状频率低、强度低、持续时间短，所述症状描述明显包括症状频率较高、强度中等或持续时间较长；针对初步判断的分类结果，分析患者自我报告数据，将患者的情感和症状描述与y值进行对比分析，将评估结果可视化展示，当评估初步判断为低风险状态时，若y值输出为低风险分类，二次判断确认为低风险状态，若y值输出为中风险分类，对患者自我报告数据进行深入分析，关注症状的变化趋势和情感状态的波动，使用文本分析技术，提取症状的具体信息，所述具体信息包括持续时间、强度增加或新出现的症状，将患者的情感和症状描述与ehr中的临床记录进行对比，检查是否有新的临床信息与患者报告的数据相符，综合评估患者的健康状态，考虑是否存在被忽略的风险因素，根据综合评估结果，重新确定患者的风险等级，若评估显示患者的风险等级较初步判断有所提高，二次判断确认为中风险状态；当评估初步判断为中风险状态时，若y值输出为中风险分类，二次判断确认为中风险状态，若y值输出为低风险分类，重新审视患者自我报告的症状描述中症状的频率和强度，并重新分析患者的情感倾向，将患者自我报告的情感和症状描述与ehr中的临床记录进行对比，寻找潜在的不一致处，若综合判断表明患者的实际风险较初步判断低，二次判断确认为低风险状态。

19、本发明的另外一个目的是提供一种基于互联网大数据的医疗数据处理系统，其能通过构建基于互联网大数据的医疗数据处理系统，解决了现有医疗数据处理的数据传输方法存在的信息孤岛和数据处理效率低下的问题。

20、为解决上述技术问题，本发明提供如下技术方案:一种基于互联网大数据的医疗数据处理系统，包括：数据处理模块、模型构建模块、数据验证模块以及可视化展示模块；所述数据处理模块用于收集医疗数据，进行数据清洗，去除重复、错误记录，标准化格式，并利用自然语言处理和图像处理技术进行特征提取；所述模型构建模块用于利用深度学习算法自动分析处理后的数据，并构建预测模型，自动进行模型的交叉验证；所述数据验证模块用于对分析结果进行验证，使用模拟数据集和实际应用场景的数据进行回测，评估结果的可靠性，并调整模型；所述可视化展示模块用于将经过验证的数据分析结果进行可视化展示，基于所述数据分析结果辅助进行诊断和治疗决策。

21、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述基于互联网大数据的医疗数据处理方法的步骤。

22、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述基于互联网大数据的医疗数据处理方法的步骤。

23、本发明的有益效果：本发明提供的基于互联网大数据的医疗数据处理方法通过整合多源医疗数据并运用深度学习算法，提高了诊断的准确性。根据患者的具体情况，提供个性化的医疗干预计划，更好地满足患者需求。通过对患者数据的全面分析，能够预测潜在的健康风险，提前采取预防措施。自动化的数据处理和分析极大地提高了医疗服务的效率，缩短了诊断和治疗的时间。提供的可视化数据分析结果可以帮助医疗专业人员做出更准确的诊断和治疗决策。