[发明专利]一种用于治未病的医疗数据挖掘方法

摘要

本发明公开一种用于治未病的医疗数据挖掘方法。本发明对每种疾病患者的历史体征数据进行分析，获得患者从健康状态到患病之前的体征变化趋势模型，然后使用该趋势模型对健康人群的体征数据进行跟踪，一旦发现符合趋势模型的个体，就可以对他(她)进行预警。本发明能够有效识别出个体体征数据的变化趋势并进行预警，同时解决了个体基础体征差异、体征数据的时间序列不一致、随机和周期性等噪音等问题。这一方法在健康人群体检数据筛查中应用，可以尽早发现具有潜在发病可能的个体，提高预防和治疗效果，降低治疗成本。

主权项

一种用于治未病的医疗数据挖掘方法，其特征在于具体包括如下步骤：步骤1.使用插值法获得时间序列均匀一致的体征数据表，具体的实现过程如下：参数变量定义：orig：原始数据表；c_orig：时间序列体征数据表；I：人员编号；Inter：时间间隔常数；or＝orig[i]：第i号人员的原始数据；cr＝c_orig[i]：第i号人员的时间序列体征数据；or_p：当前人员在原始数据表中的第几次体检数据；cr_p：当前人员在时间序列体征数据表中的第几个体征数据；c_time：当前人员在时间序列体征数据表中的第cr_p个体征数据对应的时间；or.record[or_p].value：当前人员在原始数据表中的第or_p次体检数据；cr.value[cr_p]：当前人员在时间序列体征数据表中的第cr_p个体征数据；or.record[or_p].time：当前人员在原始数据表中的第or_p次的体检时间；next_ov、base：临时变量；p、q：常量，其中p为长期均线周期数，q为短期均线周期数，且p>q；cr.length：当前人员在时间序列体征数据表中的体征数据个数；or.length：当前人员在原始数据表中的体检个数；or.ill_time：当前人员在原始数据表中的发病时间；arv_p：中间变量，用于记录时间序列体征数据表中第cr_p‑p+1个到第cr_p个体征数据的均值；arv_q：中间变量，用于记录时间序列体征数据表中第cr_p‑p+1个到第cr_p个体征数据的均值；arv_p’：中间变量，用于记录时间序列体征数据表中第cr_p‑p个到第cr_p‑1个体征数据的均值；arv_q’：中间变量，用于记录时间序列体征数据表中第cr_p‑p个到第cr_p‑1个体征数据的均值；表1:疾病g对应的体征指标A的原始数据表orig其中id字段为被跟踪人员的编号，发病时间为该人员在发现患病后估算得到的初始发病时间，length字段表示该人员总共测量体征指标A的次数；每个record[]字段都记录一次测量体征指标A的结果，每个record有测量时间time和测量得到的值value两个域；其中time表示从格林威治时间1970年01月01日00时00分00秒起至测量采样时为止的总秒数；步骤1‑1.创建时间序列体征数据表c_orig，表格形式参看表2；初始化人员编号i＝0；inter赋值为时间间隔常数；表2.时间序列体征数据表c_orig步骤1‑2.获得第i号人员的原始数据or＝orig[i]和时间序列体征数据cr＝c_orig[i]；并初始化or_p＝0、cr_p＝0；步骤1‑3.将or.record[or_p].value、or.record[or_p].time分别赋值到cr.value[cr_p]和c_time；步骤1‑4.针对第or_p+1次体检，将or_p+1赋值给or_p，即or_p＝or_p+1；如果or_p大于等于or.length，则跳转到步骤1‑10；否则将or.record[or_p].value赋值给next_ov；步骤1‑5.计算时间序列体征数据表中的第cr_p+1个体征数据对应的时间c_time+inter，并将时间c_time+inter赋值到c_time，即c_time＝c_time+inter，如果赋值后的c_time大于等于or.record[or_p].time，则跳转到步骤1‑8；步骤1‑6.计算cr.value[cr_p+1]，具体的：cr.value[cr_p+1]＝inter*(next_ov‑cr.value[cr_p])/(or.record[or_p].time‑c_time)；cr_p＝cr_p+1；步骤1‑7.跳转到步骤1‑5；步骤1‑8.如果c_time等于or.record[or_p].time，则将next_ov赋值给cr.value[cr_p+1]；步骤1‑9.跳转到步骤1‑4；步骤1‑10.将cr_p赋值给cr.length，然后针对下一个人员，即i＝i+1；若i小于等于n，n为原始数据表中人员个数，则跳转到步骤1‑2；否则结束；步骤2.对基础体征进行处理步骤2‑1.初始化人员编号，即i＝0；步骤2‑2.获得第i号人员的原始数据or＝orig[i]和时间序列体征数据cr＝c_orig[i]；并初始化or_p＝0、cr_p＝0；步骤2‑3.初始化base＝0；步骤2‑4.如果or.ill_time>0且or.record[or_p].time>or.ill_time，则直接跳转到步骤2‑11；步骤2‑5.将base+or.record[i].value赋值给base，同时or_p＝or_p+1；步骤2‑6.如果or_p<or.length，则跳转到步骤2‑4；步骤2‑7.如果base不等于0，则base＝base/or_p；步骤2‑8.初始化cr_p＝0；步骤2‑9.将cr.value[cr_p]‑base赋值给cr.value[cr_p]；步骤2‑10.对cr_p累加，即cr_p＝cr_p+1；再对cr_p进行判断，如果cr_p<cr.length，则跳转到步骤2‑9；步骤2‑11.对i进行累加，即i＝i+1；再对i进行判断,如果i<n，则跳转到步骤2‑2；步骤3.任取时间序列体征数据表中的一行，即某个人员的时间序列体征数据cr，并对cr进行预警判断，具体如下：步骤3‑1.初始化cr_p＝p+1；步骤3‑2.计算arv_p＝(cr.value[cr_p‑p+1]+cr.value[cr_p‑p+2]+...+cr.value[cr_p])/p；步骤3‑3.计算arv_q＝(cr.value[cr_p‑q+1]+cr.value[cr_p‑q+2]+...+cr.value[cr_p])/q步骤3‑4.计算arv_p’＝(cr.value[cr_p‑p]+cr.value[cr_p‑p+1]+...+cr.value[cr_p‑1])/p步骤3‑5.计算arv_q’＝(cr.value[cr_p‑q]+cr.value[cr_p‑q+1]+...+cr.value[cr_p‑1])/q步骤3‑6.若arv_q>arv_q’且arv_p>arv_p’且arv_q>arv_p且cr.value[cr_p]>arv_q，则对该人员进行预警，并结束；步骤3‑7.对cr_p进行累加，即cr_p＝cr_p+1，然后对cr_p进行判断，如果cr_p<cr.length，则跳转到步骤3‑2，否则结束。