[发明专利]检查数据筛选方法、装置、设备及存储介质在审

专利信息
申请号: 201811530997.6 申请日: 2018-12-13
公开(公告)号: CN109669935A 公开(公告)日: 2019-04-23
发明(设计)人: 陈明东;黄越;胥畅 申请(专利权)人: 平安医疗健康管理股份有限公司
主分类号: G06F16/215 分类号: G06F16/215;G06F16/28
代理公司: 深圳市世纪恒程知识产权代理事务所 44287 代理人: 胡海国
地址: 200000 上海市黄浦*** 国省代码: 上海;31
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 检查数据 肌酐 筛选 标准化数据 存储介质 聚类模型 清洗 定点医疗 聚类算法 预设数据 预先建立 检查 分析
【权利要求书】:

1.一种检查数据筛选方法,其特征在于,所述方法应用于检查数据筛选设备,所述方法包括:

从定点医疗机构获取待筛选的肌酐检查数据;

按预设数据清洗流程对所述肌酐检查数据进行清洗,获得标准化数据;

基于预先建立的肌酐检查次数聚类模型对所述标准化数据进行分析,获得异常肌酐检查数据。

2.根据权利要求1所述的方法,其特征在于,所述按预设数据清洗流程对所述肌酐检查数据进行清洗,获得标准化数据的步骤包括:

依次对所述肌酐检查数据执行缺失值清洗、格式内容清洗、逻辑错误清洗、非需求数据清洗、关联性验证的清洗流程,获得标准化数据。

3.根据权利要求1所述的方法,其特征在于,所述从定点医疗机构获取待筛选的肌酐检查数据的步骤之前还包括:

从定点医疗机构获取正常肌酐检查的历史数据;

将所述历史数据按预设流程进行处理后获得样本数据;

根据所述样本数据,基于高斯混合模型的最大期望聚类算法建立所述肌酐检查次数聚类模型。

4.根据权利要求1所述的方法,其特征在于,所述基于预先建立的肌酐检查次数聚类模型对所述标准化数据进行分析,获得异常肌酐检查数据的步骤包括:

基于预先建立的所述肌酐检查次数聚类模型对所述标准化数据进行聚类,获得所述标准化数据属于所述肌酐检查次数聚类模型中各个簇的簇概率;

将所述簇概率进行排序,获取所述簇概率中的最大概率,并将所述最大概率与阈值进行比较;

若所述最大概率小于所述阈值,则将所述最大概率对应的标准化数据标记为异常肌酐检查数据。

5.根据权利要求1或3中任一项所述的方法,其特征在于,所述方法还包括:

在所述肌酐检查次数聚类模型中输入验证数据,由所述肌酐检查次数聚类模型对所述验证数据进行聚类,输出所述验证数据中的第一异常验证数据;

将所述第一异常验证数据与第二异常数据进行比对,所述第二异常数据是预先获得的所述验证数据中的异常数据;

若所述第一异常验证数据与所述第二异常数据一致,则判定所述肌酐检查次数聚类模型建立成功,保存所述肌酐检查次数聚类模型以供后续使用;

若所述第一异常验证数据与所述第二异常数据不一致,则判定所述肌酐检查次数聚类模型建立失败,将所述肌酐检查次数聚类模型进行调试后,重新进行验证。

6.根据权利要求1所述的方法,其特征在于,所述用预先建立的肌酐检查次数聚类模型对所述标准化数据进行分析,获得异常肌酐检查数据的步骤之后还包括:

将所述异常肌酐检查数据发送至相关平台,以供所述相关平台对所述异常肌酐检查数据进行分析并输出相应的决策。

7.一种检查数据筛选装置,其特征在于,所述检查数据筛选装置包括:

获取模块,用于从定点医疗机构获取待筛选的肌酐检查数据;

清洗模块,用于按预设数据清洗流程对所述肌酐检查数据进行清洗,获得标准化数据;

分析模块,用于基于预先建立的肌酐检查次数聚类模型对所述标准化数据进行分析,获得异常肌酐检查数据。

8.根据权利要求7所述的装置,其特征在于,所述检查数据筛选装置还包括:

历史数据获取模块,用于从定点医疗机构获取正常肌酐检查的历史数据;

历史数据清洗模块,将所述历史数据按预设流程进行处理后获得样本数据;

模型建立模块,用于根据所述样本数据,基于高斯混合模型的最大期望聚类算法建立所述肌酐检查次数聚类模型。

9.一种检查数据筛选设备,其特征在于,所述检查数据筛选设备包括处理器,存储器以及存储在所述存储器中的检查数据筛选程序,所述检查数据筛选程序被所述处理器运行时,实现如权利要求1-6中任一项所述的检查数据筛选方法的步骤。

10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有程序,所述检查数据筛选程序被处理器运行时实现如权利要求1-6中任一项所述检查数据筛选方法的步骤。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于平安医疗健康管理股份有限公司,未经平安医疗健康管理股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201811530997.6/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top