[发明专利]基于特权信息学习支持向量机的CAP数据系统及方法

权利要求书

1.一种采用基于特权信息学习支持向量机的CAP数据系统的方法，其特征在于，所述的系统包括：依次连接的医疗数据处理模块、医疗数据特征生成与特权信息提取模块、病原分析模块；

所述医疗数据处理模块，用于对大量CAP患儿的医疗数据进行筛选并进行统计分析；

所述的医疗数据特征生成与特权信息提取模块，用于按照检测时间将检测项目区分为普通医疗数据特征与特权信息，生成医疗数据特征矩阵和特权信息矩阵，并输入病原分析模块；

所述病原分析模块通过基于特权信息学习的SVM+算法训练，形成儿童CAP早期病原诊断数据模型；

所述的方法包括以下步骤：

第一步，筛选出有效的CAP患儿列表，以及与这些CAP患儿相关的有效数据；

第二步，对所有筛选出的有效数据进行统计，选择其中部分项目作为特权信息，其余的有效数据显示为普通医疗数据特征；

第三步，将选择出的患儿检测项目结果以及患儿信息生成关于每一个有效CAP患儿的医疗数据特征矩阵，并选择特权信息，形成有效CAP患儿的特权信息矩阵；

第四步，建立基于特权信息学习支持向量SVM+算法，并利用该算法，使用第三步生成的两个矩阵，建立基于特权信息学习支持向量机的儿童社区获得性肺炎数据模型；

所述第三步中，将选择出的患儿检测项目结果以及患儿信息生成关于每一个有效CAP患儿的医疗数据特征矩阵，并选择特权信息，形成有效CAP患儿的特权信息矩阵，具体包括以下步骤：

3.1）根据已知患儿信息计算患儿年龄，并将入院季节数值加入医疗数据特征矩阵，其中患儿信息包括出生日期和入院日期；

3.2）将检测项目结果进行数据挖掘处理；

3.3)将经过数据处理和挖掘数值化的检测结果分别生成医疗数据特征矩阵与特权信息矩阵；

所述3.2）将检测项目结果进行数据挖掘处理具体为：

一部分数据通过数据处理中常见的归一化步骤，直接被作为一个维度的医疗数据特征；而对于非标准数值的检测项目结果，包括正常N、偏高H、偏低L，一部分的检测项目结果为医学上通用的化验检测结果，包括阳性P、阴性N、可疑S，还有一部检测结果为按照程度进行的分级，包括1-9级，其中1级表示轻微，9级表示严重；

为了能将这些结果中的检测项目进行数据分析，需要根据如下的规则将这些结果转化为数字，从而进行数据处理和挖掘，并且这些数字需要符合其他数值型结果归一化之后的规律：

3.2.1）正常N、偏高H、偏低L分别对应数字-1,0,1；

3.2.2）阳性P、阴性N、可疑S分别对应数字1,0,0.5；

3.2.3）1-9级根据公式（x-1）/10转化为数字；

所述3.3)将经过数据处理和挖掘数值化的检测结果分别生成医疗数据特征矩阵与特权信息矩阵具体为：

3.3.1)按照横向为不同检测项目及信息种类，纵向为不同CAP患儿的规则，排列生成一个医疗数据特征矩阵；若同一检测项目，同一患儿有多条信息，则求取平均值；若某一项目某患儿没有检测结果，则以0代替，即得到医疗数据特征矩阵；

3.3.2)按照与3.3.1)所述规则，对确定为特权信息的患儿检测项目结果进行同样的操作，得到特权信息矩阵；

所述第二步中，特权信息筛选，具体包括以下步骤：

2.3.1）根据病原分析的经验，选择设定的指标检测项目作为特权信息，其中设定的指标检测项目包括病毒PRC检测、细菌培养结果；

2.3.2）根据检测项目时间，平均时间超过早期诊断时间的项目，确定为特权信息；

2.3.3）其余的病人信息以及其余检测项目信息则作为普通医疗数据特征信息；

所述第四步具体包括以下步骤：

4.1）基于机器学习中采用特权信息的SVM+算法，利用在第三步中生成的医疗数据特征矩阵与特权信息矩阵，利用采用特权信息的SVM+算法进行训练，建立基于特权信息学习支持向量机的儿童社区获得性肺炎的数据分析模型；

4.2）将待诊断的新CAP患儿信息数据与其早期的检测项目数据构成医疗数据特征矩阵向量，进入已完成训练的基于特权信息学习支持向量机的儿童社区获得性肺炎的数据分析模型，进行医疗数据特征向量生成操作，得到对病原分析的判断。

2.根据权利要求1所述的方法，其特征在于，所述第一步中，CAP患儿相关的有效数据筛选，具体包括以下步骤：

1.1）对所有医疗检测数据进行初级筛选，去除其中信息不全，或者结果无法量化的部分；

1.2）对每一个CAP患儿的确诊性以及病原确定性进行筛查，并确保该患儿在数据源中有超过设定数量的有效检测数据记录，输出一个有效的CAP患儿列表；

1.3）针对每一个有效的CAP患儿样例，收集有效患儿信息、医疗检测信息。