[发明专利]一种基于机器学习技术的设备异常识别方法

说明书

本发明公开了一种基于机器学习技术的设备异常识别方法,属于医学检验领域。其总体架构为：数据获取模块、数据处理模块、模型构建模块、异常识别模块，本发明的有益效果是：相较之前提出的AON质控法，不论从准确度还是假阳率方面都优于其很多，可以设计应用于设备实时的异常监控，且发生问题时可以起到快速准确的反馈，可以有效缩短检验人员在发生异常时寻找原因消耗的大量时间。本发明可以用于临床推广应用，保障患者安全，惠及临床医护及病患。

技术领域

本发明创造涉及检验医学领域，具体涉及一种基于机器学习技术的设备异常识别方法。

背景技术

检验科的误差多发生在检验前、检验中阶段。检验前误差多为不当的样本采集、运输或处理有关的错误。检验中误差多与仪器设备相关。目前在检验中的阶段实验室通常使用内部质量控制程序来监测、保障和管理检验全过程的检测质量。然而，许多临床研究指出，当前的传统室内质量控制程序在检测分析仪器检测误差方面存在缺陷。1965年，HOFFMAN和WAID提出了“平均值”（Average of normal, AON）质量控制方法。AON质控法，即选定连续的患者数据的平均值作为控制限值，通常使用95％置信区间来确定稳定的患者平均值，若超出控制限值，系统就会发出错误信号。但此方法目前还是存在明显缺陷,如在生化临床项目中葡萄糖、总蛋白临界值识别方面效果较差，总体识别准确度不高，且容易受离群值影响，进而影响其判断效果。本发明提出一种基于机器学习技术的设备异常识别方法，可以有效的弥补AON质控法中识别准确度不高容易受离群值影响的缺陷。

发明内容

针对上述问题本发明利用机器学习的技术手段进行了解决方法的提供，本发明旨在提供一种基于机器学习技术的设备异常识别方法。

本发明创造的总体架构为：数据获取模块、数据处理模块、模型构建模块、异常识别模块。以下为分模块详细步骤介绍：数据获取模块：获取医学检验项目中的质控在控数据且数据标本类型为血清或血浆，如生化中的葡萄糖、总蛋白、谷丙转氨酶等。

数据处理模块：将上述获取到的项目数据进行进一步处理，去除特殊值、统一单位量纲、离群值过滤、数据正太标准化、特征强化。

模型构建模块：本模块利用数据处理模块后的数据，利用随机森林模型进行模型分类器的构建。

异常识别模块：该模块将利用上述步骤中已经构建出的模型以及经过处理后的数据进行设备异常的识别。

本发明创造具有如下有益效果：本发明中的设备异常识别方法相较之前提出的AON质控法，不论从准确度还是假阳率方面都优于其很多，可以设计应用于设备实时的异常监控，且发生问题时可以起到快速准确的反馈，可以有效缩短检验人员在发生异常时寻找原因消耗的大量时间。本发明可以用于临床推广应用，保障患者安全，惠及临床医护及病患。

附图说明

利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明结构示意图。

具体实施方式

本发明实施例的一种基于机器学习技术的设备异常识别方法整体架构流程如图1所示，下面将以图1为主线进行对本发明实施例技术实现方法的详细阐述。

参见图1，本实施例的方法，包括数据获取模块、数据处理模块、模型构建模块、异常识别模块。

本实施例数据获取模块主要为lis系统的检验结果数据，且数据是当质控在控的数据，数据的标本类型为血清或血浆，仪器厂家统一选取罗氏的设备。通过以上条件获取的数据其质量得到了有效的保证。

优选地、本实施例数据处理模块包含如下步骤：去除特殊值，检验结果数据中存在有包含字符串等结果的数据，这些数据是我们不需要的，为了提升数据的质量，需要把这些数据进行去除。