[发明专利]一种大规模医疗数据知识挖掘与治疗方案推荐系统

说明书

本发明公开了一种大规模医疗数据知识挖掘与治疗方案推荐系统，包括：数据集预处理模块用于获取真实的电子病历数据，对由多种异构数据源组成的电子病历数据进行预处理；疾病严重程度预测模块用于得到每个病患的治疗过程中的疾病严重程度评分；治疗有效性测度模块用于得到有效治疗测度信息；病患相似度测量模块用于构建病人的相似度测量关系；药物治疗方案推荐模块用于得到下一阶段药物治疗方案推荐。本发明通过多任务的双向异构LSTM判断和预测了病人的病情严重程度并定义治疗的有效性测度。计算病人细粒度相似度，根据病人的历史治疗记录和其他病理高相似度病人的有效的治疗方案推荐下一阶段的治疗方案。

技术领域

本发明应用深度学习和知识引入实现有效药物治疗方案发现和推荐的系统，属于医疗数据挖掘领域。

背景技术

电子病历(EHR)数据来自数以百万计的病人，目前这些数据在不同的医疗机构定期被收集存储。这些EHR数据由异构的数据元素组成，一般包括人口统计学，诊断，身体检查，传感器测量，实验室测试结果，处方或管理的药物以及临床记录等。随着信息技术的飞速发展和电子病历系统(EMR)的快速普及，在过去十年中，我国的电子健康病历中存储的的数字信息量激增。普遍认为，在这些海量的数据中包含大量的掩藏的知识，电子病历系统(EMR)中各种类型的数据提供了获取医学知识的途径，为提高医疗质量和效率提供了基础。确切的是，EMR数据在许多医学应用中已经或将会发挥着重要的作用，特别是在为医生和病人提供有效的药物治疗推荐方面有着重要的意义，将增加疾病的治愈率，降低临床病人的死亡风险，同时降低了医生治疗过程中的决策成本和避免无效或有害治疗导致的医疗成本的增加。

虽然利用EMRs数据来提高医疗水平有着巨大的利益，但是从EMRs数据的分析中得到的收益远远少于EMRs所能提供的。一个原因是病患的预后受到很多因素的影响，如病患的年龄和性别，疾病的严重程度，以及接受的治疗。虽然EMRs数据包含了关于病患、诊断和治疗的全面信息，但是还没有一个统一的框架来集成所有相关因素来进行高级数据建模。此外，EMRs数据本质上是异构的、纵向的。例如，一个治疗记录是一系列的医嘱，其中每个医嘱通常由药物名称、给药路线、剂量、开始时间和结束时间组成。总的来说，分析大规模复杂的EMRs数据，提取医疗知识，促进治疗实践中的决策，是一个不小的挑战。

为了分析大规模复杂的EMRs数据，科学工作者们已经在电子病例数据挖掘方面做了很多有益的探索。根据应用于EMR的数据挖掘论文综述[1][2]，专门用于对顺序建模的循环神经网络(RNN)及其变形(LSTM、GRU)可以捕捉纵向EMR数据中的复杂时间动态，成为EMR建模任务的首选。Chen,W.，Wang,S.[4]等人通过整合病人不同器官的实验室测试结果使用多任务RNN动态预测重症监护病房(ICU)病人病情的严重程度。但[3]中的方法没有充分利用EMR中的异构数据，例如,症断结果和病情描述对任务是有意义的。Cao X，Edward C等人[3]开发了一种基于历史EMR数据的治疗引擎，根据病患的病情、实验室结果、治疗记录及人口统计学信息为病患提供下一阶段的处方。[4]主要是提出了三种不同的LSTM变形来解决数据的异质性问题，但文中没有提出推荐治疗的整体框架。由于该方法的下一阶段的处方来自历史治疗，没有解决“冷启动”的问题，即初次入院病人的治疗推荐，本发明认为重症病人的治疗中的前24小时的治疗是很关键的很重要的。Leilei Sun，Chuanren Liu等人[5]提出了数据驱动的自动治疗方案的开发和推荐的方法，主要利用了医嘱中的重要信息，其使用的聚类方法最终得到了少数几类的药物治疗组合，无法满足更加精细的治疗方法推荐。同时，以上方案均没有考虑到药物之间的反应性的问题和病人的药物过敏史。

参考文献：

[1].Shickel B,Tighe P J,Bihorac A,et al.Deep EHR:A Survey of RecentAdvances in Deep Learning Techniques for Electronic Health Record(EHR)Analysis[J].IEEE Journal of Biomedical and Health Informatics,2017:1-1.