[发明专利]一种基于人工智能算法的检验科异常数据监控方法

说明书

本发明涉及医疗软件技术领域，具体为一种基于人工智能算法的检验科异常样本监控方法，本发明意在指出一种基于机器学习算法和检验数据的自动异常样本发现技术，应用于医疗机构，解决样本检验中低效的人工审核样本工作。方法包含具体的技术实现流程，包括数据清洗，特征转换，模型训练，模型评估，模型部署。针对于训练完成的模型其本身可以作为系统组件部署于LIS系统、检验仪器系统，或作为服务端部署于可执行计算机程序的计算器中，供远程客户端访问。

技术领域

本发明涉检验医学领域，具体为一种基于人工智能算法的检验科异常样本监控方法

背景技术

（一）医患情况现状描述

生活条件的改善使得人们对于健康认知的不断提高，且目前我国亚健康人群占比约80%，针对于医疗行业存在一个明显的现象就是医疗资源的匮乏，医患比例明显不对等，在这样的场景下利用技术手段提高医疗行业整体的运作效率成为了趋势和方向，一种基于人工智能算法的检验科异常样本监控方法应用于检验科，利用机器学习手段大幅提高样本审核效率。

（二）检验科对于血常规样本的处理场景案例

检验科对于样本的检测类型较多，这里利用血常规例举用于概括实际场景，血常规作为人体健康的重要衡量指标，大型医院每天需要检验乃至几千的人体标本，针对于如此大的检验量虽然检验项目的指标计算已经利用仪器实现，但仪器只能反馈血常规中各个指标数量级上的检测结果，检验科在将样本传递至临床之前需要针对样本进行进一步的人工审核和排查，从而给到临床较为准确、真实、客观的参考结果，除此之外仪器对于样本指标检测过程也会发生一定随机异常和系统异常问题，如若标本出现异常对于临床诊断会带来很大的影响，检验科为了保证样本在临床诊断中的意义，所以仪器的检验结果需要人工进行审核，审核标准主要参考血常规的国际41条通用规则进行对比，审核过程如若发现样本检验结果逾越了国际41条的任意一条都需要做出进一步的处理，例如涂片镜检、重新抽样等，针对于人工审核这样量级的样本其实效率并不高，本发明旨在实现仪器检验结果的自动审核及异常数据的自动发现，软件程序直接对接与仪器输出结果进行进一步计算，自动检测出真正的异常数据，从根本提高样本审核效率减少人工审核量，摆脱每条样本都需要人工审核的情况。

（三）技术背景及技术选型背景概述

人工智能领域的机器学习是一种交叉学科，本质是利用逻辑算法和计算资源并基于大量数据的经验总结行为，鉴于数据支持的情况下，利用机器学习算法可以较好的拟合异常发现场景，并经过大量数据集的迭代可获得较为准确的识别准度，且利用算法的异常识别可通过自定义参数调整识别异常的灵敏度，这是其他技术所难以实现的。针对于检验科较多的收费项目实现不同检验模块的自动审核只需要利用对应的数据训练机器学习模型即可（此过程针对于数据的清洗处理暂不考虑），利用该技术手段可以快速得出对应的异常数据监控模型，效率上远远超越以往基于经验的人工审核。

发明内容

（一）发明意图

本发明意在指出一种基于机器学习算法和检验数据的自动异常样本发现技术，应用于医疗机构，解决样本检验中低效的人工审核样本工作。

（二）技术包含内容

内容概述：为达成上述目的，技术架构主要包含数据获取及清洗、特征转换、模型训练、模型评估、模型部署等几个要点，该技术主要流程包含以下几个重点内容。

数据获取及清洗：针对训练数据量级，数据量越大越容易使机器学习异常检测模型学到更具描述性的参数特征，准确性及参考价值也就越高。针对训练数据特征上主要包含两个部分，分别为样本基本信息和样本的仪器检验结果。样本基本信息应包含年龄、性别、年龄单位（天，周，月，年），因为不同年龄和性别下对应的异常情况是不同的。样本的仪器检验结果指仪器对于样本中各项指标的识别结果，数据类型主要为数值型结果和分类型结果。