【技術實現步驟摘要】
本專利技術涉及一種基于機器學習的手術治療方案合理性評估方法及裝置，屬于醫療數據處理、分析。
技術介紹
1、評估手術患者治療方案的合理性可以為提升醫院的診療規范和臨床科研能力提供重要的數據和決策支撐，本專利技術從兩個關鍵因素——住院時長和住院費用，來全面考察治療效果和成本效益。短期住院通常反映了治療方案的高效性，暗示著患者在適當的時間內成功康復并出院，標志著醫療團隊采用了有效的治療策略。然而，若住院時長異常延長，則可能表明治療過程存在問題，如患者康復進展緩慢或存在不必要的醫療流程等。在另一方面，住院費用的評估同樣至關重要，理想的治療方案應該在確保患者康復的同時，最大限度地降低總體治療成本，減輕患者就醫負擔。低成本的治療方案反映了醫療資源的有效利用，避免了不必要的費用支出。相反，高昂的手術費用可能意味著治療過程中存在資源的浪費，包括過度使用昂貴的醫療技術或藥物等。因此，一個合理的治療方案需要在治療效果、資源利用和患者體驗之間實現平衡，確保提供高質量醫療服務的同時最大程度地降低患者住院時長和費用支出。這種綜合評估有助于確保治療方案在經濟效益和患者滿意度方面達到最佳狀態。
技術實現思路
1、本專利技術提供了一種基于機器學習的手術治療方案合理性評估方法及裝置，以用于對胸外科手術專病數據集中的住院時長和住院費用進行回歸預測，旨在通過住院時長和住院費用兩個角度，對患者手術治療路徑的合理性進行評估。
2、本專利技術的技術方案是：本專利技術提供一種基于機器學習的手術治療方案合理性評估方法
3、進一步地，所述手術專病數據集采用如下方式獲取：
4、(1)構建數據集：利用數據etl工具從醫院的his系統、lis系統、pacs系統、手術麻醉系統、護理系統中抽取包括患者人口特征、術前檢驗檢查、手術記錄、既往史在內的全量數據，并根據crf篩選出具體的數據字段，構成胸外科手術專病數據集；
5、(2)清洗數據；數據的清洗包括異常值處理、缺失值處理；
6、所述異常值處理包括對異常數據的格式進行統一，消除數據中的特殊字符；
7、所述缺失值處理包括針對數值字段采用均值、中位數進行填充；針對類別字段采用特殊值“-1”進行填充；針對文本字段則采用特殊值“none”進行填充。
8、進一步地，基于預測目標，對將隨機森林回歸模型和xgboost回歸模型以并聯的方式對手術治療合理性指標進行回歸預測，構建了一個時間及費用雙重回歸的手術治療方案合理性評估模型；其中，手術治療合理性指標tri定義為：
9、tri＝w1·normal(hcost)+w2·normal(hstay)
10、其中，hcost為住院費用，hstay為住院時長，normal(·)為歸一化運算函數，w1，w2分別為住院費用和住院時長的權重；住院費用和住院時長對于評估手術治療合理性的意義是等價的，將w1，w2兩個權重均取為0.5。
11、本專利技術還提供基于機器學習的手術治療方案合理性評估裝置，包括六種不同的機器學習模型，分別為線性回歸、k近鄰回歸、隨機森林回歸、xgboost回歸、catboost回歸或mlp回歸模型；
12、這6個模型均用于對手術專病數據集中的住院時長和住院費用進行回歸預測；通過住院時長和住院費用兩個角度，對患者手術治療路徑的合理性進行評估。
13、進一步地，所述隨機森林回歸模型和xgboost回歸模型進一步的用于基于預測目標，以并聯的方式對手術治療合理性指標進行回歸預測，構建了一個時間及費用雙重回歸的手術治療方案合理性評估模型；其中，手術治療合理性指標tri定義為：
14、tri＝w1·normal(hcost)+w2·normal(hstay)
15、其中，hcost為住院費用，hstay為住院時長，normal(·)為歸一化運算函數，w1，w2分別為住院費用和住院時長的權重；住院費用和住院時長對于評估手術治療合理性的意義是等價的，將w1，w2兩個權重均取為0.5。
16、本專利技術的有益效果是：
17、1、從胸外科全量數據中抽取手術信息較為完整的醫療數據，構建胸外科手術專病數據集，從手術類型、胸外科手術種類等多個維度進行介紹。
18、2、對數據集中的異常值和錯誤值進行進一步清洗，以及對數據集中的數值類、類別類、文本類和時間類字段進行編碼，以便運用機器學習算法對數據集進行分析。
19、3、使用機器學習算法，如線性回歸、k近鄰、隨機森林、xgboost、catboost和mlp等，分別對胸外科手術專病數據集中的住院費用、住院時長進行回歸預測，并結合預測結果提出一種基于隨機森林和xgboost的雙重回歸模型，與其它機器學習算法一起對綜合考慮費用與時長的tri指標進行回歸預測，盡量確保胸外科手術治療方案在經濟效益和患者滿意度方面達到最佳狀態。
本文檔來自技高網...【技術保護點】
1.一種基于機器學習的手術治療方案合理性評估方法，其特征在于：采用六種不同的機器學習模型包括線性回歸、K近鄰回歸、隨機森林回歸、XGBoost回歸、CatBoost回歸或MLP回歸模型，分別對手術專病數據集中的住院時長和住院費用進行回歸預測；通過住院時長和住院費用兩個角度，對患者手術治療路徑的合理性進行評估。
2.根據權利要求1所述的基于機器學習的手術治療方案合理性評估方法，其特征在于：所述手術專病數據集采用如下方式獲取：
3.根據權利要求1所述的基于機器學習的手術治療方案合理性評估方法，其特征在于：基于預測目標，對將隨機森林回歸模型和XGBoost回歸模型以并聯的方式對手術治療合理性指標進行回歸預測，構建了一個時間及費用雙重回歸的手術治療方案合理性評估模型；其中，手術治療合理性指標TRI定義為：
4.基于機器學習的手術治療方案合理性評估裝置，其特征在于：包括六種不同的機器學習模型，分別為線性回歸、K近鄰回歸、隨機森林回歸、XGBoost回歸、CatBoost回歸或MLP回歸模型；
5.根據權利要求4所述的基于機器學習的手術治療方案
...【技術特征摘要】
1.一種基于機器學習的手術治療方案合理性評估方法，其特征在于：采用六種不同的機器學習模型包括線性回歸、k近鄰回歸、隨機森林回歸、xgboost回歸、catboost回歸或mlp回歸模型，分別對手術專病數據集中的住院時長和住院費用進行回歸預測；通過住院時長和住院費用兩個角度，對患者手術治療路徑的合理性進行評估。
2.根據權利要求1所述的基于機器學習的手術治療方案合理性評估方法，其特征在于：所述手術專病數據集采用如下方式獲取：
3.根據權利要求1所述的基于機器學習的手術治療方案合理性評估方法，其特征在于：基于預測目標，對將隨機森林回歸模型和xgboost回歸模型以并聯的方式對手術治療合理性指...
【專利技術屬性】
技術研發人員：詹憶冰，齊沖沖，朱達，林旭，楊輝，詹均，
申請(專利權)人：云南聯合視覺科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。