本公開涉及疾病智能預測，尤其涉及一種基于機器學習的慢性病預測及閉環(huán)護理推薦方法、系統(tǒng)和電子設備。

背景技術(shù)：

1、在慢性疾病中，諸如高血壓、糖尿病、冠狀動脈疾病、牙周疾病、慢性腎病、骨質(zhì)疏松和慢性阻塞性肺部疾病等慢性病具有較高的發(fā)病率，對人們的影響較大。

2、傳統(tǒng)醫(yī)學主要依托專家共識或疾病診治指南來治療或預防慢性病，忽略了病人間的個體差異情況，由此基礎上獲得的文獻資料或者專家經(jīng)驗可能有不同程度的偏倚，應用質(zhì)量不高的研究獲得的結(jié)論，可能導致臨床醫(yī)生做出不恰當?shù)臎Q策，這可能會對疾病控制情況和患者生存質(zhì)量產(chǎn)生一定的副作用。

3、慢性病的預防和治療受多種因素控制，這意味著患者間的異質(zhì)性很高。年齡、性別、心理、運動、飲食和慢性病的并發(fā)癥都能顯著影響疾病進展及預后情況。患者的異質(zhì)性嚴重限制了通用模型的使用因此，建立區(qū)域個性化的模型是邁向更有效的慢性病預防的重要一步。

4、隨著國家分級診療、改善醫(yī)療服務工作的推進，需要長期隨訪和治療的慢性病患者的復診問題日漸突出。不同級別的醫(yī)護人員水平參差不齊，缺乏同質(zhì)化的專業(yè)人員指導，部分患者出院后自我管理能力下降，未能及時復診等問題，并未引起社會的廣泛“重視”。在國內(nèi)，護士主要工作還是在院內(nèi)的病人護理，出院后回訪大多數(shù)流于形式，沒有很好加入到病人的健康測量和生活方式指導。

5、因此，如何高效識別出高危患者，為診后管理提供科學、便捷的解決方案最為迫切。

6、此外，部分地區(qū)，具有地方特色的遺傳背景、飲食方式、生活習慣等這使得疾病或慢性病重大不良事件發(fā)生的預警信導也可能存在明顯的本地特征。

7、因此，針對地區(qū)居民的疾病診療和預防需要理解這些真實世界健康特征，依據(jù)本地疾病譜，按“循證醫(yī)學”的治療經(jīng)驗總結(jié)方法，建立適合本地的智能化慢性病識別方法，為健康中國探索著地的慢性病綜合管理方法。并將醫(yī)生的病人轉(zhuǎn)交給本院的護士，讓護士延續(xù)護理院外的慢性病病人，建立醫(yī)生與護士、醫(yī)療與健康、院內(nèi)與家庭的橋梁，形成以人健康為本的新醫(yī)改模式-“健康護理閉環(huán)新模式”。

8、綜上，現(xiàn)有臨床護理迫切需要實現(xiàn)自動化的風險人群分類以及風險預警，今后可幫助患者實現(xiàn)更便捷、更精準和更優(yōu)質(zhì)的全疾病周期院內(nèi)院外延續(xù)護理，共建數(shù)字創(chuàng)新生態(tài)鏈。

技術(shù)實現(xiàn)思路

1、為了解決上述問題，本技術(shù)提出一種基于機器學習的慢性病預測及閉環(huán)護理推薦方法、系統(tǒng)和電子設備。

2、本技術(shù)一方面，提出一種基于機器學習的慢性病預測及閉環(huán)護理推薦方法，包括如下步驟：

3、獲取慢性病患者的慢性病歷史大數(shù)據(jù)d并預處理，所述慢性病歷史大數(shù)據(jù)d包括慢性病臨床檢驗數(shù)據(jù)、慢性病遺傳史、飲食與生活習慣以及診斷慢性病后的疾病發(fā)病史；

4、基于預設的機器學習模型，對所述慢性病歷史大數(shù)據(jù)d進行特征識別，獲取對應的特征數(shù)據(jù)集m；

5、基于所述特征數(shù)據(jù)集m，構(gòu)建識別慢性病特征的風險預測引擎，并將所述風險預測引擎部署于后臺服務器上；

6、采集慢性病患者的臨床數(shù)據(jù)，并將所述臨床數(shù)據(jù)輸入所述風險預測引擎，由所述風險預測引擎智能識別并輸出對應的慢性病風險特征；

7、查找與所述慢性病風險特征所匹配的閉環(huán)護理推薦策略，輸出并下發(fā)至護理終端。

8、作為本技術(shù)的一可選實施方案，可選地，獲取慢性病患者的慢性病歷史大數(shù)據(jù)d并預處理，包括：

9、預設慢性病患者的篩選條件；

10、從h?is系統(tǒng)中讀取滿足預設篩選條件的慢性病患者的所述慢性病歷史大數(shù)據(jù)d；

11、對所述慢性病歷史大數(shù)據(jù)d中各類型數(shù)據(jù)進行數(shù)據(jù)格式標準化處理，輸出并臨時保存在后臺數(shù)據(jù)庫中。

12、作為本技術(shù)的一可選實施方案，可選地，基于預設的機器學習模型，對所述慢性病歷史大數(shù)據(jù)d進行特征識別，獲取對應的特征數(shù)據(jù)集m，包括：

13、基于i?chom標準量表，對所述慢性病歷史大數(shù)據(jù)d進行特征識別；

14、從所識別的特征中選擇符合基線定義的慢性病臨床特征與發(fā)生急性事件的結(jié)局指標特征；

15、融合所述慢性病臨床特征與所述結(jié)局指標特征，得到所述特征數(shù)據(jù)集m。

16、作為本技術(shù)的一可選實施方案，可選地，基于預設的機器學習模型，對所述慢性病歷史大數(shù)據(jù)d進行特征識別，獲取對應的特征數(shù)據(jù)集m，包括：

17、預設卷積神經(jīng)網(wǎng)絡模型并配置對應特征指標參數(shù)，所述特征指標參數(shù)包括基線定義參數(shù)以及急性事件指標；

18、將所述慢性病歷史大數(shù)據(jù)d導入所述卷積神經(jīng)網(wǎng)絡模型，利用卷積神經(jīng)網(wǎng)絡模型識別并提取所述慢性病歷史大數(shù)據(jù)d中的大數(shù)據(jù)特征，并輸出滿足所述特征指標參數(shù)的慢性病臨床特征與結(jié)局指標特征；

19、融合所述慢性病臨床特征與所述結(jié)局指標特征，得到所述特征數(shù)據(jù)集m。

20、作為本技術(shù)的一可選實施方案，可選地，所述風險預測引擎，包括：

21、慢性病風險預測模型，用于識別有關(guān)出現(xiàn)急性事件的第一特征；

22、慢性病生存比例風險模型，用于識別有關(guān)首次發(fā)生急性事件的第二特征。

23、作為本技術(shù)的一可選實施方案，可選地，所述慢性病風險預測模型的構(gòu)建方法，包括：

24、分析并識別出所述特征數(shù)據(jù)集m中有關(guān)出現(xiàn)急性事件的第一特征數(shù)據(jù)集ma；

25、采用l?ogi?st?i?c回歸模型，對所述第一特征數(shù)據(jù)集ma進行特征回歸分析并識別，建立對應的慢性病風險預測模型；

26、利用預設的驗證集對所述慢性病風險預測模型進行測試驗證，驗證合格后保存所述慢性病風險預測模型的模型文件至后臺數(shù)據(jù)庫。

27、作為本技術(shù)的一可選實施方案，可選地，所述慢性病生存比例風險模型的構(gòu)建方法，包括：

28、分析并識別出所述特征數(shù)據(jù)集m中有關(guān)首次發(fā)生急性事件的第二特征數(shù)據(jù)集mb；

29、使用kap?l?an-me?ier生存曲線和對數(shù)秩檢驗，對所述第二特征數(shù)據(jù)集mb中首次發(fā)生急性事件之間的相關(guān)性特征進行單變量分析，得到分析結(jié)果；

30、采用cox回歸模型，分析所述分析結(jié)果中影響患者首次發(fā)生急性事件的危險因素，并構(gòu)建對應的慢性病生存比例風險模型。

31、作為本技術(shù)的一可選實施方案，可選地，在將所述風險預測引擎部署于后臺服務器之后，還包括：

32、為不同類型的所述慢性病風險特征配置對應的閉環(huán)護理推薦策略；

33、建立所述慢性病風險特征與對應的所述閉環(huán)護理推薦策略之間的映射關(guān)系，并將所述映射關(guān)系保存在后臺數(shù)據(jù)庫中。

34、本技術(shù)另一方面，提出一種實現(xiàn)所述基于機器學習的慢性病預測及閉環(huán)護理推薦方法的系統(tǒng)，包括：

35、數(shù)據(jù)采集模塊，用于獲取慢性病患者的慢性病歷史大數(shù)據(jù)d并預處理，所述慢性病歷史大數(shù)據(jù)d包括慢性病臨床檢驗數(shù)據(jù)、慢性病遺傳史、飲食與生活習慣以及診斷慢性病后的疾病發(fā)病史；

36、特征識別模塊，用于基于預設的機器學習模型，對所述慢性病歷史大數(shù)據(jù)d進行特征識別，獲取對應的特征數(shù)據(jù)集m；

37、模型訓練模塊，用于基于所述特征數(shù)據(jù)集m，構(gòu)建識別慢性病特征的風險預測引擎，并將所述風險預測引擎部署于后臺服務器上；

38、慢性病預測模塊，用于采集慢性病患者的臨床數(shù)據(jù)，并將所述臨床數(shù)據(jù)輸入所述風險預測引擎，由所述風險預測引擎智能識別并輸出對應的慢性病風險特征；

39、護理決策模塊，用于查找與所述慢性病風險特征所匹配的閉環(huán)護理推薦策略，輸出并下發(fā)至護理終端。

40、本技術(shù)另一方面，還提出一種電子設備，包括：

41、處理器；

42、用于存儲處理器可執(zhí)行指令的存儲器；

43、其中，所述處理器被配置為執(zhí)行所述可執(zhí)行指令時實現(xiàn)所述的一種基于機器學習的慢性病預測及閉環(huán)護理推薦方法。

44、本發(fā)明的技術(shù)效果：

45、本技術(shù)通過機器學習模型，對慢性病歷史大數(shù)據(jù)d進行特征識別，獲取對應的特征數(shù)據(jù)集m；基于所述特征數(shù)據(jù)集m，構(gòu)建識別慢性病特征的風險預測引擎，并將所述風險預測引擎部署于后臺服務器上；采集慢性病患者的臨床數(shù)據(jù)，并將所述臨床數(shù)據(jù)輸入所述風險預測引擎，由所述風險預測引擎智能識別并輸出對應的慢性病風險特征；查找與所述慢性病風險特征所匹配的閉環(huán)護理推薦策略，輸出并下發(fā)至護理終端。能夠從區(qū)域特色出發(fā)，地區(qū)擁有地方特色的遺傳背景、飲食習慣和生活習慣，慢病發(fā)生的預警信號也可能存在明顯的本地特征。

46、本發(fā)明通過理解真實世界的慢性病發(fā)病特征，按“循證醫(yī)學”的治療經(jīng)驗總結(jié)方法，使用一系列真實世界研究的方法找出患者特征與慢性病急性事件發(fā)生的風險因素，基于此，建立循證醫(yī)學的推理邏輯，輸入到已建立好的推理引擎中，實現(xiàn)自動化的風險人群分類以及風險預警。

47、以真實患者需求為出發(fā)點，幫助患者實現(xiàn)更便捷、更精準和更優(yōu)質(zhì)的全疾病周期(醫(yī)院內(nèi)+醫(yī)院外)的延續(xù)護理，實現(xiàn)自動化的風險人群分類以及風險預警，今后可幫助患者實現(xiàn)更便捷、更精準和更優(yōu)質(zhì)的全疾病周期院內(nèi)院外延續(xù)護理，共建數(shù)字創(chuàng)新生態(tài)鏈。

48、根據(jù)下面參考附圖對示例性實施例的詳細說明，本公開的其它特征及方面將變得清楚。