[发明专利]一种基于电子病历数据驱动的妊娠期糖尿病预测方法

权利要求书

1.一种基于电子病历数据驱动的妊娠期糖尿病预测方法，其特征在于：按照以下方式实现；构建以下模块；

（1）、输入与ETL数据清洗模块：获取EMR对应的历史建档孕妇数据，并通过抽取、转换和加载步骤完成初步数据清洗，完成去隐私与数据质量管理；

（2）、病案编码与特征数据关联模块：通过EMR系统的患者识别码ID进行时空脱敏数据关联，结合临床知识和经验筛选特征数据，生成GDM数据仓库；

（3）、EMR数据预处理模块：对输入数据进行缺失值、离散化和归一化处理；

（4）、二次数据处理模块：进行分类标签校准，完成纳入排除标准检查；

（5）、特征工程模块：将数据划分为GDM和非GDM两类，将与疾病关联的临床数据作为条件属性，标记类别为决策属性，进行嵌入式特征选择；

（6）、机器学习模块：根据选择的输入特征，将全数据划分为训练样本和测试样本，选择时间窗和机器学习模型，进行十字交叉法训练，得到预测算法；

（7）、预测应用模块：将未确诊的孕妇电子病历数据，输入步骤（6）中的机器学习模型，推理这些待诊断孕妇的GDM发生值或风险率；

本方法中采集不同时间窗划分方法构建预测模型：

（1）、全域数据预测模型，使用早于OGTT的EMR数据，推理分类值；

（2）、分期数据预测模型，使用孕早期或13周至23周的EMR，推理分类值；

（3）、周数据预测模型，使用从第12周开始的每周EMR，推理分类值；

全域数据预测模型将早于OGTT的孕产妇电子病历数据，作为一个整体数据集，都提取出来，用于机器学习和预测，全域数据预测模型数据是在整个怀孕期间收集的电子病例数据，是一个稀疏的数据集，通过预测模型实现孕早期的GDM辨识，预测后期GDM发生结果，得到的是全域数据的分类值，即全孕周期的妊娠期糖尿病预测值；

分期数据预测模型将早于OGTT的孕产妇电子病历数据，划分为孕早期数据集，孕中期数据集，形成两个数据集，进行预测；分期数据预测模型包括两种子模式：其一，输入孕早期数据集，包括孕早期的建档数据、产检数据、LIS数据、病案首页，相应地得到孕早期预测分类值；其二，输入孕中期数据集，包括孕中期的建档数据、产检数据、LIS数据、病案首页，相应地得到孕中期预测分类值；

周数据预测模型将早于OGTT的孕产妇电子病历数据，按照一定的时间窗划分为多个数据集，进行预测；这一组模型下，输入数据分别为第12、13、14、…、23孕周数据集，包括各孕周的产检数据、LIS数据、病案首页；

本方法实施时，首先启动电子病历数据驱动的妊娠期糖尿病预测方法的处理过程，访问电子病历数据存储器，并将数据输入流程，通过输入与ETL数据清洗模块完成数据清洗工作；随后结合电子病历数据收集流程，识别预测问题，完成病案编码与特征数据关联；通过去隐私相关方法，消除患者数据中的隐私信息，检查数据质量，实现查询关联的脱敏数据模块，完成GDM数据仓库构建；

由EMR数据预处理模块在EMR数据预处理阶段，完成缺失值处理，实现数据离散化与归一化处理工作；

然后，由二次数据处理模块实现分类标签分析与校准，完成电子病历数据纳入排除标准检查，完成二次数据处理工作；对实验数据集进行样本划分，包括确诊GDM与否的两个数据集，进而实现特征工程模块；

接着，通过时间窗划分与模型选择模块，进入：全域数据预测模型GDPM、分期数据预测模型SDPM或周数据预测模型WDPM，然后进入基于机器学习的GDM预测模型，进而实现预测应用；将应用结果作为反馈控制来优化模型，在后续阶段的特征工程中实现数据复用；最后结束数据处理流程；

在使用EMR数据或进行临床数据挖掘时，除了需要掌握临床指南、临床路径外，还需要完成以下重要子过程：

输入与ETL数据清洗：输入数据或数据收集流程以传统门诊服务流程为线索，分析建档期间内数据收集和信息集结的流程；

在输入与ETL数据清洗阶段，使用的主要包括抽取、转换和加载数据清洗工具；数据经处理后，进行时间窗迭代推理；确定了数据的类型，其次是临床数据提取；在数据处理中，使用的数据清洗方法主要包括：数据标准化处理、查找表处理、模糊动态匹配、基本常识逻辑判断、领域常识判断、数据相关性校验；通过这些方法实现缺失数据处理、相似重复对象检测、异常数据处理、逻辑错误检测、不一致数据处理；

病案编码与特征数据关联：通过EMR系统的患者识别码ID进行时空脱敏数据关联，结合临床知识和经验筛选特征数据，生成GDM数据仓库；

EMR预测数据预处理：对输入数据进行缺失值、离散化和归一化处理；

二次数据处理：进行分类标签校准，完成纳入排除标准检查；将数据分为病案首页、检验项目、检查结果，并建立电子病历；

特征工程：在数据清洗和二次处理中的临床数据集统计信息表中，数据源分为建档数据、产检明细、LIS数据、病案首页；将二次处理后的数据，进行特征工程处理；将数据划分为GDM和非GDM两类，将与疾病关联的临床数据作为条件属性，标记类别为决策属性，进行嵌入式特征选择；主要包括两方面任务：算法自动选择；专家参与选择共有特征集，存放提取的特征信息；

机器学习：预测模型选择：充分考虑到方案GDPM、方案SDPM、方案WDPM的主要特征，包括数据时间跨度、孕妇体征差异，进行基于机器学习的GDM预测模型选择；通过知识发现、优化预测和数据分析过程，建立恰当的数据挖掘模型；根据选择的输入特征，将全数据划分为训练样本和测试样本，选择时间窗和机器学习模型，进行十字交叉法训练，得到预测算法；使用贝叶斯网络、支持向量机、CHAID决策树以及集成的混合模型，进行妊娠期糖尿病预测实验，训练的学习算法能够提供反馈信息，改善参数学习和模型调整过程；并且使用受试者工作特征曲线和曲线下面积提供评价指标，对模型性能进行综合评价，进而反馈控制预测模型和算法；

预测应用：将未确诊的孕妇电子病历数据，输入机器学习模型，推理这些待诊断孕妇的GDM发生值或风险率。