[发明专利]一种基于机器学习的血常规样本差值核查方法

说明书

本发明公开了一种基于机器学习的血常规样本差值的核查方法，涉及检验医学领域。针对临床出现的血液样本采集过程中的标签贴错、仪器故障、样本传输不当等因素引起的标本错误，或者病人的输液侧抽血等情况导致的血液样本无效，传统的实时质量控制方法需要设置复杂的审核规则，存在计算复杂、检验效率低和准确率低的不足。本发明通过机器学习算法在大数据的支撑下，将两次的样本差值作为模型分类依据训练模型，以代替传统差值核验算法，提高检验医学实验室在差值核验上的效率与精度。

技术领域

本发明涉及检验医学领域，具体涉及一种综合血常规指标，基于机器学习的血常规样本差值的核查方法。

背景技术

临床出现的血液样本采集过程中的标签贴错、仪器故障、样本传输不当等因素引起的标本错误，或者病人的输液侧抽血等情况导致的血液样本无效，导致病人结果与临床情况不符，可能使得临床决策错误从而导致医疗事故。获取样本检验结果之后，需要对所述样本检验结果进行审核，判定样本检验结果的有效性、对样本检验结果进行分类并确认其是否需要进一步检测。可疑或异常的样本检验结果可能对技术人员的工作流程有重大影响。有疑问或异常结果的样本检验结果可能需要由技术人员重新进行检验，以确认样本检验结果的有效性或判定样本检验结果的性状。此外，某些样本检验结果会导致后续的检验被指示或取消。例如，异常低或高的样本检验结果会被要求重新进行之前执行的检验，以确认之前的样本检验结果是否正确。进行检验、评估样本检验结果、重新进行检验、重新计算样本检验结果以及将样本检验结果报告给医疗人员的此过程使管理实验室的任务及其工作流程成为复杂的任务。

传统的核查方法是给指标设置差值（delta）限，delta check核查发现的问题通常分为2种情况，一种为真阳性，即delta值超出允许限是由样本识别、检测操作、结果报告等环节的错误引起的；另一种为假阳性，即delta值超出允许限是由疾病或治疗的生理反应引起的。通过对患者标本前后结果的比较，可发现错误或排除错误、避免重复检测，在不增加成本的基础上，发现分析前或分析后错误，提高了室内质控的效率，是临床实验室在检测质控物的基础上可采用的其他室内质控方法之一。这种方法可有效地检查出样本混淆、结果传输以及报告等方面发生的错误，从而监测分析前和分析后的误差。但是，现有技术中对样本检验结果的自动审核的自动审核方法均需自行设置复杂的检验条件，不易于用户操作，不仅导致审核效率低、而且容易导致审核出现错误。

发明内容

本发明提出了一种通过血常规所有指标差值对样本实时确认的方法，审核效率高且操作方便。目的在于解决现有的针对检验医学实验室实时质量控制方法检验效率和准确率低，无法满足临床医学的质量控制要求。针对现有研究关于差值检验研究中的不足，提出一种基于机器学习分类器的样本质量识别方法。

本发明通过采集多家医院在不同时段内的病人血常规样本集，经过统计各指标的个体生物变异范围进行样本筛选。构建包括24项检验指标，正确配对与错误配对下两种类型的样本集，引入样本类型对应标签，通过划分训练组和实验组，利用机器学习分类器实现预测样本是否合格的功能，其中被预测为异常的样本可归结为配对错误、样本污染、异常生物变异三种情况，步骤如下。

1、对数据预处理，研究24项指标的分布情况，信息熵权，提取主要特征指标。

2、机器学习分类模型的选型，依据“一对二”策略实现数据的二分类。

3、寻找各指标数据中的最大值元素与最小值元素，计算各指标的特征向量，将处于多种数量级的不同类型指标数据进行离差标准化处理。

4、将医疗信息采集系统中获取的血常规数据配对操作，同一个人前后两次的差值按正常样本标记，随机搭配的两个人各自前后的样本差值按异常样本标记。

5、将总样本集按照8:2的比例划分训练组与实验组，训练组用于支持向量机分类器的训练，实验组用于分类识别其样本类型。

6、将训练组输入到机器学习分类模型中进行训练，通过优化对参数调优，采用交叉验证法评估模型。