一种急性肝炎的预测装置及系统

摘要

本发明提供一种急性肝炎的预测装置，包括：数据获取模块(11)，用于获取急性肝炎患者的相关数据；数据处理模块(12)，与所述数据获取模块(11)连接，用于处理所述急性肝炎患者的相关数据，生成特征数据；预测模块(13)，与所述数据处理模块(12)连接，用于对所述特征数据进行预测，得到多个初步的不患病概率和患病概率；集成模块(14)，与所述预测模块(13)连接，用于对所述多个初步的不患病概率和患病概率进行统计，得到急性肝炎患者最终的不患病概率和患病概率。本发明还提供了一种急性肝炎的预测系统。本发明能够方便快捷地预测急性肝炎疾病，为患者争取宝贵的治疗时间，降低突发急性肝炎疾病的概率和死亡率，从而达到疾病预警的作用。

说明书

技术领域

本发明涉及医疗数据处理领域，尤其涉及一种急性肝炎的预测装置及系统。

背景技术

急性肝炎中的急性肝衰竭是一种多病因的肝脏疾病，急性肝衰竭患者的临床表现是短时间内大量的肝细胞坏死，以及严重的肝功能损害，并且会引发一系列肝脏疾病。目前没有特效的急性肝衰竭治疗方法，且由于该病发病时间短，因而死亡率很高。因此，能够对该病进行预测就显得尤为重要。目前主要采用生物试剂进行检测，但是这种检测手段需要购买试剂盒以及专门的医护人员进行指导，不能方便快捷地完成对患者的检测，很有可能会错失患者最佳的治疗或者是抢救时机。

因此，亟需一种急性肝炎预测装置及系统以应对上述问题。

发明内容

有鉴于此，本发明实施例的目的在于提供一种急性肝炎的预测装置及系统，旨在解决现有技术中不能方便快捷地检测急性肝炎疾病的问题。

为了实现上述目的，本发明采用的第一个技术方案为，提供一种急性肝炎的预测装置，包括：

数据获取模块11，用于获取急性肝炎患者的相关数据；

数据处理模块12，与所述数据获取模块11连接，用于处理所述急性肝炎患者的相关数据，生成特征数据；

预测模块13，与所述数据处理模块12连接，用于对所述生成的特征数据进行预测，得到多个初步的不患病概率和患病概率；

集成模块14，与所述预测模块13连接，用于对所述多个初步的不患病概率和患病概率进行统计，得到急性肝炎患者最终的不患病概率和患病概率。

优选的，所述相关数据包括：连续数据和离散数据；

所述连续数据包括：脉搏频率、心率、呼吸频率、血氧气饱和度、年龄、身高、性别、体重指数、血压以及胆固醇指标；

所述离散数据包括：情绪状态、是否饮酒、是否患有糖尿病、是否有家族遗传糖尿病病史、是否患有肝炎、是否有肝炎遗传病历史、是否患有心脏疾病以及是否有心脏疾病遗传病历史。

优选的，所述装置还包括：

模型训练模块15，与所述预测模块13连接，用于：

将样本集的连续数据输入SVM模型的训练算法，得到最优的权重参数，

将样本集的离散数据输入决策树模型的训练算法，构建最优的分类决策树，

将样本集的连续数据和离散数据输入MLP模型的训练算法，得到最优的权重参数；

其中，所述样本集包括多个患病和不患病个体的所述相关数据。

优选的，所述数据处理模块12用于：

正则化处理所述连续数据，具体为，

采用公式

其中，x为某个指标的原始值，x_min为某个指标的经验最小值，x_max为某个指标的经验最大值，x'为某个指标x的中间值；

对x'进行二值处理，得到特征数据：当x'大于1时将x'设置为1,当x'小于0时将x'设置为0。

优选的，所述数据处理模块12还用于：

对所述离散数据进行二进制编码处理，得到特征数据。

优选的，所述预测模块13用于：

采用SVM模型预测所述连续数据，得到所述连续数据的初步不患病概率和患病概率；

采用决策树模型预测所述离散数据，得到所述离散数据的初步不患病概率和患病概率；以及

采用MLP模型预测所述连续数据及离散数据，得到组合的初步不患病概率和患病概率。

优选的，所述集成模块14用于：

将所述连续数据的初步不患病概率和患病概率、所述离散数据的初步不患病概率和患病概率及所述组合的初步不患病概率和患病概率输入集成学习模型，预测最终的不患病概率p

其中，p

其中，p

优选的，所述数据获取模块11用于：

通过浏览器和/或微信小程序和/或应用程序获取数据。

为实现上述目的，本发明采用的第二个技术方案为：提供一种急性肝炎的预测系统，包括：

终端，以及与终端通讯连接的实现上述模块的装置；

所述终端包括：移动终端、平板电脑、笔记本电脑、台式电脑及智能电视中的至少一种。

本发明提供的一种急性肝炎的预测装置及系统，通过获取急性肝炎患者的相关数据；处理所述急性肝炎患者的相关数据，生成特征数据；对所述特征数据进行预测，得到多个初步的不患病概率和患病概率；再对所述多个初步的不患病概率和患病概率进行统计，得到急性肝炎患者最终的不患病概率和患病概率，能够方便快捷地预测急性肝炎疾病，为患者争取宝贵的治疗时间，降低突发急性肝炎疾病的概率和死亡率，从而达到疾病预警的作用。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明第一实施例急性肝炎的预测装置的模块示意图；

图2为本发明第二实施例急性肝炎的预测装置的另一个模块示意图；

图3为本发明第三实施例急性肝炎的预测系统的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

下面通过附图及具体实施例对本发明做进一步的详细说明。

请参照图1，图1为急性肝炎的预测装置的模块示意图。在本发明的实施例中，该急性肝炎的预测装置，包括：

数据获取模块11，用于获取急性肝炎患者的相关数据；

数据处理模块12，与所述数据获取模块11连接，用于处理所述急性肝炎患者的相关数据，生成特征数据；

预测模块13，与所述数据处理模块12连接，用于对所述生成的特征数据进行预测，得到多个初步的不患病概率和患病概率；

集成模块14，与所述预测模块13连接，用于对所述多个初步的不患病概率和患病概率进行统计，得到最终的不患病概率和患病概率；

具体的，数据获取模块11用于通过网页浏览器、微信小程序、应用程序等方式获取疾病的相关数据。疾病的相关数据包括：患者的脉搏频率、心率、呼吸频率、血氧气饱和度、年龄、身高、性别、体重指数、血压(高压和低压)、胆固醇指标、情绪状态、是否饮酒、是否患有糖尿病、是否有家族遗传糖尿病病史、是否患有肝炎、是否有肝炎遗传病历史、是否患有心脏疾病以及是否有心脏疾病遗传病历史等身体指标数据；

具体的，数据处理模块12采用正则化处理连续数据，具体为，

(1)采用公式

其中，x为某个指标的原始值，x_min为某个指标的经验最小值，x_max为某个指标的经验最大值，x'为某个指标x的中间值；

(2)对x'进行二值处理，得到特征数据：当x'大于1时将x'设置为1,当x'小于0时将x'设置为0；

比如计算心率指标，心率原始值为120，经验最小值为60，经验最大值为100，则采用(1)中的公式计算后心率指标的初始值为1.5，再进行二值处理后，心率指标值为1，即得到的特征数据为1；

具体的，数据处理模块12还用于采用二进制编码处理离散数据，得到特征数据，比如，情绪状态有良好、一般和沮丧三种，分别对应十进制编码0、1、2。如果患者的情绪状态为一般，则先取值为1，再将1转换为二进制，得到01，01即生成的特征数据；

具体的，预测模块13用于采用SVM(Support Vector Machine)模型预测连续数据，得到连续数据的初步的不患病概率p

具体的，集成模块14用于将连续数据的初步不患病概率p

具体公式如下，

其中，p

上述不患病概率计算公式中，

其中，p

上述患病概率计算公式中，

请参照图2，图2为急性肝炎的预测装置的另一个模块示意图。在本发明的实施例中，该急性肝炎的预测装置，包括：

数据获取模块21，用于获取急性肝炎患者的相关数据；

数据处理模块22，与所述数据获取模块21连接，用于处理所述急性肝炎患者的相关数据，生成特征数据；

预测模块23，与所述数据处理模块22连接，用于对所述生成的特征数据进行预测，得到多个初步的不患病概率和患病概率；

集成模块24，与所述预测模块23连接，用于对所述多个初步的不患病概率和患病概率进行统计，得到最终的不患病概率和患病概率；

模型训练模块25，与所述预测模块23连接，用于训练SVM模型、决策树模型以及MLP模型，使得上述三种模型的预测算法达到最优；

具体的，数据获取模块21、数据处理模块22、预测模块23以及集成模块24分别与图1中数据获取模块11、数据处理模块12、预测模块13以及集成模块14对应，此处不再赘述；

模型训练模块25的具体实施方式为：

搜集多个患病和不患病个体的相关数据，包括心率等连续数据以及是否饮酒等离散数据，形成样本集；然后将样本集的连续数据输入SVM模型的训练算法，得到最优的权重参数，将样本集的离散数据输入决策树模型的训练算法，构建最优的分类决策树，将样本集的连续数据和离散数据输入MLP模型的训练算法，得到最优的权重参数；通过对模型的训练，保证了采用SVN模型、决策树模型以及MLP进行不患病概率和患病概率预测的高准确率。

请参照图3，图3为急性肝炎的预测系统的结构示意图。在本发明的实施例中，该急性肝炎的预测系统，包括：

终端1至终端N，以及分别与终端1至终端N通讯连接的急性肝炎预测装置；

所述终端1至终端N包括：移动终端、平板电脑、笔记本电脑、台式电脑、智能电视等网络终端；

具体的，所述终端1至终端N通过有线或无线通信方式与急性肝炎预测装置连接及交互。比如，用户使用手机向急性肝炎预测装置发送急性肝炎疾病的相关数据；急性肝炎预测装置收到相关数据后进行预测，并将预测结果返回到手机。用户通过手机就能够查看到急性肝炎的预测结果。

本发明提供的一种急性肝炎的预测装置及系统，通过获取急性肝炎患者的相关数据；处理所述急性肝炎患者的相关数据，生成特征数据；对所述特征数据进行预测，得到多个初步的不患病概率和患病概率；再对所述多个初步的不患病概率和患病概率进行统计，得到急性肝炎患者最终的不患病概率和患病概率，能够方便快捷地预测急性肝炎疾病，为患者争取宝贵的治疗时间，降低突发急性肝炎疾病的概率和死亡率，从而达到疾病预警的作用。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和系统，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的技术方案构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。