[发明专利]一种医疗数据决策支持方法及系统

权利要求书

1.一种医疗数据决策支持方法，其特征在于，包括：

对获取的医疗数据根据医疗决策需求主题进行分析重构建立医疗决策数据仓库；

对医疗决策数据仓库的数据根据药品信息和就诊信息进行分析建立OLAP模型；

对OLAP模型的数据进行多维度数据挖掘处理；

其中多维度数据挖掘处理具体包括：基于支持向量机的时间序列挖掘模型进行多维度数据挖掘，具体包括：

构建基于支持向量机的时间序列挖掘模型：

设{X_t}:x_t＝x(t)，t＝1,2,3…N为当前研究的时间序列，其中前N_n个数据用于训练模型，剩下的用于测试；以m为滑动窗口，在R^m得到N-m个点；

x_t＝f(x_t-m,x_t-m+1,…,x_t-1)和Y_t＝x_t组成样本对(x_i,y_i)，i＝m+1,m+2,…,N，将前N_n-m个数据作为估计映射f:R^m→R的训练样本，剩下N-N_n个数据用作评价预测效果的测试样本，其中m为嵌入的维数；训练后得到的回归函数为：

其中t＝m+1,…,N_n，

当窗口步长为1时，挖掘模型为：

其中

当窗口的步长为L时，挖掘模型为：

其中

考虑到医疗管理系统数据的多模态和数据事件跨度不确定因素的共同制约影响，将离散时间序列x(t_i)，i＝1,2,…,N，分别为：进而可以得到：

对和分别取和为滑动窗口，并分别为其构建训练样本集和分别基于支持向量机建立回归预测模型得到和输入预测变量为则预测值为：

基于支持向量机的时间序列挖掘模型，依据优化准则选择输入节点数和支持向量机回归机的参数，网络结构自动由支持向量数隐含层节点数决定，连接权由算法自动确定。

2.根据权利要求1所述的方法，其特征在于，对获取的医疗数据根据医疗决策需求主题进行分析重构建立医疗决策数据仓库包括：

对获取的医疗数据进行格式归一化处理，并根据医疗决策需求主题和数据结构逻辑进行分析重构建立医疗决策数据仓库。

3.根据权利要求2所述的医疗数据决策支持方法，其特征在于，对获取的医疗数据进行格式归一化处理，并根据医疗决策需求主题和数据结构逻辑进行分析重构建立医疗决策数据仓库具体包括：

通过医院的决策需求进行分析，根据分析后的医疗决策需求主题建立医疗决策数据仓库；

对医院管理信息系统、医院辅助医疗系统、行政管理系统的医疗数据进行获取数据，进行医疗数据统一化处理，并加载至建立的医疗决策数据仓库。

4.根据权利要求1所述的医疗数据决策支持方法，其特征在于，对医疗决策数据仓库的数据根据药品信息和就诊信息进行分析建立OLAP模型具体包括：

对医疗决策数据仓库的数据根据药品信息和就诊信息进行多维组织数据分析，对多维组织数据进行数据切片、数据切块、数据钻取以及数据旋转建立OLAP模型。

5.根据权利要求3所述的医疗数据决策支持方法，其特征在于，医疗数据统一化处理具体包括：

通过HL7通信协议的中间件技术，进行医院管理信息系统、医院辅助医疗系统、行政管理系统的医疗数据访问及增、删、改、查操作。

6.根据权利要求3所述的医疗数据决策支持方法，其特征在于，医院管理信息系统具体包括门诊、急诊管理系统，病案管理系统，医疗统计系统，血库管理系统；

医院辅助医疗系统具体包括医疗数据库系统、疾病检测系统等；

行政管理系统具体包括财务管理系统、药库管理系统、病人住院管理系统。

7.一种医疗数据决策支持系统，其特征在于，包括：

数据仓库建立模块，用于对获取的医疗数据根据医疗决策需求主题进行分析重构建立医疗决策数据仓库；

OLAP建立模块，用于对医疗决策数据仓库的数据根据药品信息和就诊信息进行分析建立OLAP模型；

挖掘模块，用于对OLAP模型的数据进行多维度数据挖掘处理；

其中多维度数据挖掘处理具体包括：基于支持向量机的时间序列挖掘模型进行多维度数据挖掘，具体包括：

构建基于支持向量机的时间序列挖掘模型：

设{X_t}:x_t＝x(t)，t＝1,2,3…N为当前研究的时间序列，其中前N_n个数据用于训练模型，剩下的用于测试；以m为滑动窗口，在R^m得到N-m个点；

x_t＝f(x_t-m,x_t-m+1,…,x_t-1)和Y_t＝x_t组成样本对(x_i,y_i)，i＝m+1,m+2,…,N，将前N_n-m个数据作为估计映射f:R^m→R的训练样本，剩下N-N_n个数据用作评价预测效果的测试样本，其中m为嵌入的维数；训练后得到的回归函数为：

其中t＝m+1,…,N_n，

当窗口步长为1时，挖掘模型为：

其中

当窗口的步长为L时，挖掘模型为：

其中

考虑到医疗管理系统数据的多模态和数据事件跨度不确定因素的共同制约影响，将离散时间序列x(t_i)，i＝1,2,…,N，分别为：进而可以得到：

对和分别取和为滑动窗口，并分别为其构建训练样本集和分别基于支持向量机建立回归预测模型得到和输入预测变量为则预测值为：

基于支持向量机的时间序列挖掘模型，依据优化准则选择输入节点数和支持向量机回归机的参数，网络结构自动由支持向量数隐含层节点数决定，连接权由算法自动确定。