CN118053531B - 一种医学检验临床数据智能管理方法及系统 - Google Patents

Abstract

本发明涉及医学检验数据分析处理技术领域，具体涉及一种医学检验临床数据智能管理方法及系统。本发明结合与待分析指标数据具有变化关联的参考指标数据分析所采集的每个待分析指标数据的噪声可能性，进一步结合待分析指标数据所处局部范围的异常程度及其局部突变程度分析其为真实失常的可能性，从而得到每个待分析指标数据的置信突变程度，进而对预设显著性阈值进行修正，降低对噪声数据的误判率，提高对真实异常的待分析指标数据的检测准确性以提高智能管理效果。

Description

一种医学检验临床数据智能管理方法及系统

技术领域

本发明涉及医学检验数据分析处理技术领域，具体涉及一种医学检验临床数据智能管理方法及系统。

背景技术

医学检验临床数据对于患者的诊断和治疗过程起到至关重要的作用。通过对临床数据的智能管理，可以更好地利用临床数据为患者提供个性化的医疗服务。在对医学检验临床数据进行实时监控时，可能会出现异常数据，可以通过显著性检测算法快速而准确地识别医学检验临床数据中的异常数据。

显著性检测算法通常设置一定的显著性阈值对数据进行划分；但在监测患者的医学检验临床数据时，由于周围电子设备可能会对监测仪产生信号干扰或受其他随机因素影响导致医学检验临床数据中存在噪声，而噪声数据与真实的异常数据同样表现得较为显著突出，显著性阈值的设置不合理极易误将噪声数据作为异常数据，导致检测出的异常数据的真实有效性低，进而导致医学检验临床数据的智能管理效果差。

发明内容

为了解决显著性阈值设置不合理导致异常数据的真实有效性低进而导致医学检验临床数据的智能管理效果差的技术问题，本发明的目的在于提供一种医学检验临床数据智能管理方法及系统，所采用的技术方案具体如下：

本发明提出一种医学检验临床数据智能管理方法，所述方法包括：

获取预设时段内患者的待分析指标数据序列及参考指标数据序列，其中参考指标数据的变化与待分析指标数据的变化间存在关联；

获取每个待分析指标数据的局部待分析指标子段及每个参考指标数据的局部参考指标子段；在相同时刻下的待分析指标数据与参考指标数据间，根据待分析指标数据在所属局部待分析指标子段内的局部幅值水平与参考指标数据在所属局部参考指标子段内的局部幅值水平的差异，及待分析指标数据与参考指标数据幅值变化差异，获取每个待分析指标数据的噪声可能性；

根据每个待分析指标数据所属局部待分析指标子段内所有待分析指标数据的噪声可能性，结合对应待分析指标数据所属局部待分析指标子段内待分析指标数据的分布情况，获取每个待分析指标数据所属局部待分析指标子段的异常程度；根据每个待分析指标数据的局部突变情况，结合每个待分析指标数据的所述噪声可能性及所属局部待分析指标子段的所述异常程度，获取每个待分析指标数据的置信突变程度；

基于待分析指标数据序列，利用显著性检测算法检测异常待分析指标数据，并在检测过程中根据每个待分析指标数据的所述置信突变程度修正预设显著性判定阈值。

进一步地，所述噪声可能性的计算公式包括：

；其中，为第个待分析指标数据的噪声可能性；为第个待分析指标数据在所属局部待分析指标子段内的局部幅值水平；为第个待分析指标数据的相同时刻采集的参考指标数据在所属局部参考指标子段内的局部幅值水平；为第个待分析指标数据相对前一待分析指标数据的幅值变化量；为第个待分析指标数据所属局部待分析指标子段内所有待分析指标数据相对其前一待分析指标数据的幅值变化量的均值；为第个待分析指标数据的相同时刻采集的参考指标数据，相对前一参考指标数据的幅值变化量；为第个待分析指标数据的相同时刻采集的参考指标数据所属局部参考指标子段内，所有参考指标数据相对前一参考指标数据的幅值变化量的均值；为取绝对值符号。

进一步地，所述待分析指标数据在所属局部待分析指标子段内的局部幅值水平与参考指标数据在所属局部参考指标子段内的局部幅值水平的获取方法，包括：

将每个待分析指标数据的幅值在所属局部待分析指标子段内进行极差变换，得到每个待分析指标数据在所属局部待分析指标子段内的局部幅值水平；将每个参考指标数据的幅值在所属局部参考指标子段内进行极差变换，得到每个参考指标数据在所属局部参考指标子段内的局部幅值水平。

进一步地，所述异常程度的获取方法包括：

根据每个待分析指标数据所属局部待分析指标子段内所有待分析指标数据的幅值均值与幅值中位数的差异，及与每个待分析指标数据所属局部待分析指标子段邻近的预设第一数量个等长待分析指标子段内所有待分析指标数据的幅值均值与幅值中位数的差异，获取每个待分析指标数据所属局部待分析指标子段的相对分布偏离指数，其中所述局部待分析指标子段与所述等长待分析指标子段的序列长度相同；

将每个待分析指标数据所属局部待分析指标子段内所有待分析指标数据的所述噪声可能性的累加值乘以对应所述相对分布偏离指数，得到每个待分析指标数据所属局部待分析指标子段的异常程度。

进一步地，所述相对分布偏离指数的获取方法包括：

在每个待分析指标数据所属局部待分析指标子段内，将所有待分析指标数据的幅值均值与幅值中位数的差值绝对值作为对应待分析指标数据所属局部待分析指标子段的偏离系数；将每个所述等长待分析指标子段内所有待分析指标数据的幅值均值与幅值中位数的差值绝对值作为对应等长待分析指标子段的偏离系数；获取所有所述等长待分析指标子段的偏离系数的均值；将每个待分析指标数据所属局部待分析指标子段的偏离系数，与对应所有所述等长待分析指标子段的偏离系数的均值的差值绝对值归一化后，得到每个待分析指标数据所属局部待分析指标子段的相对分布偏离指数。

进一步地，所述置信突变程度的获取方法包括：

根据每个待分析指标数据相对所属局部待分析指标子段内所有待分析指标数据的幅值均值的差异，及待分析指标数据相对相邻前后待分析指标数据的幅值变化量，获取每个待分析指标数据的局部突变程度；

将每个待分析指标数据的所述噪声可能性与每个待分析指标数据所属局部待分析指标子段的异常程度相乘，得到每个待分析指标数据的突变置信参数；将每个待分析指标数据的局部突变程度的负相关映射结果与所述突变置信参数相乘，然后进行负相关映射归一化，得到每个待分析指标数据的置信突变程度。

进一步地，所述局部突变程度的获取方法包括：

将每个待分析指标数据的幅值与所属局部待分析指标子段内所有待分析指标数据的幅值均值的差值绝对值，乘以待分析指标数据相对前一相邻待分析指标数据的幅值变化量与相对后一相邻待分析指标数据的幅值变化量之和，得到每个待分析指标数据的局部突变程度。

进一步地，所述预设显著性判定阈值的修正方法包括：

将每个待分析指标数据的置信突变程度负相关映射，乘以所述预设显著性判定阈值后归一化，得到修正后的预设显著性判定阈值。

进一步地，所述异常待分析指标数据的获取方法包括：

基于CA显著性算法获取每个待分析指标数据的显著性值；将所述显著性值大于对应修正后的预设显著性判定阈值的所有待分析指标数据作为异常待分析指标数据。

本发明提出一种医学检验临床数据智能管理系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现一种医学检验临床数据智能管理方法的步骤。

本发明具有如下有益效果：

本发明获取预设时段内患者的待分析指标数据序列及参考指标数据序列，并获取每个待分析指标数据的局部待分析指标子段及每个参考指标数据的局部参考指标子段；然后将与待分析指标数据具有变化相关性的参考指标数据做参照，根据相同时刻下的待分析指标数据与参考指标数据间的局部幅值水平差异及幅值变化差异，获取每个待分析指标数据的噪声可能性；然后结合待分析指标数据所属局部待分析指标子段内待分析指标数据的分布情况，获取每个待分析指标数据所属局部待分析指标子段的异常程度，异常程度反映了待分析指标数据所属局部待分析指标子段的整体受噪影响，对于准确分析待分析指标数据的局部突变特征有一定影响；进一步可以根据每个待分析指标数据的局部突变情况，并结合影响对每个待分析指标数据局部突变情况分析的可信度的噪声可能性及异常程度，得以准确获取每个待分析指标数据的置信突变程度；再根据每个待分析指标数据的置信突变程度修正预设显著性判定阈值，基于显著性检测算法，使得可能为噪声数据不易被显著性算法判定为异常数据，使可能为真实的失常待分析指标数据更易被检测判定出来，从而可以准确检测异常待分析指标数据。本发明结合与待分析指标数据具有变化关联的参考指标数据分析所采集的每个待分析指标数据的噪声可能性，进一步结合待分析指标数据所处局部范围的异常程度及其局部突变程度分析其为真实待分析指标失常的可能性，从而得到每个待分析指标数据的置信突变程度，进而对预设显著性阈值进行修正，降低对噪声待分析指标数据的误判率，提高对真实异常待分析指标数据的检测准确性以提高智能管理效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种医学检验临床数据智能管理方法的方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种医学检验临床数据智能管理方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种医学检验临床数据智能管理方法及系统的具体方案。

本发明实施例为对医学检验临床数据中的待分析指标数据进行智能管理，首先结合与待分析指标具有变化相关性的参考指标分析每个待分析指标数据的噪声可能性；进一步分析每个待分析指标数据所属局部待分析指标子段的异常程度，进而可以根据待分析指标数据的局部突变情况判断待分析指标数据的置信突变程度，置信突变程度反映了待分析指标数据的真实异常可能性，进而根据置信突变程度调整每个待分析指标数据的显著性判定阈值，以准确检测出异常待分析指标数据，提高临床数据的真实有效性及智能管理效果。

请参阅图1，其示出了本发明一个实施例提供的一种医学检验临床数据智能管理方法的流程图，该方法包括：

步骤S1，获取预设时段内患者的待分析指标数据序列及参考指标数据序列，其中参考指标数据的变化与待分析指标数据的变化间存在关联。

在本发明的一个实施例中，定期对患者进行医学临床检验，获得每次检验过程中预设时段内患者的待分析指标数据序列及参考指标数据序列，其中参考指标数据受待分析指标数据的波动影响。

需要说明的是，本发明实施例以心率为待分析指标，血压为参考指标为一个具体实施例进行分析说明；正常静息情况下，心率及血压通常维持在相对稳定的状态，但在活动、情绪或饮食等因素的影响下，心率及血压之间将发生一定的关联变化。当心率升高时，心脏频繁收缩泵血，导致血管收缩，从而使血压升高；相反，心率降低时，心脏收缩的力量和频率减弱，泵血速度减慢，血压也会下降；即心率及血压之间存在一定的变化关联；其中，预设时段的时长为30分钟，在预设时段内使用心率监测仪监测采集心率数据，利用动态血压监测仪监测采集血压数据，两种仪器同步实时监测，将心率及血压的采样频率均设置为每秒一次，即在预设时段内每秒同步获取一个心率数据及一个血压数据，分别按照采样时序构建对应的心率数据序列及血压数据序列；实施者也可设置对应监测仪器采集其他种类的待分析指标数据及其参考指标数据，并根据指标间的变化关联性进行分析监测；例如可以将血压数据作为待分析指标数据，将心率数据作为参考指标数据。

需要说明的是，血压包括收缩压及舒张压，由于心率的变化主要使得收缩压的变化更明显，故本发明实施例中血压数据具体指收缩压；由于每次检验过程获取的心率数据的分析处理过程一致，在此仅以任一次检验过程中得到的心率数据序列进行分析处理；在本发明的其他实施例中，实施者也可设置其他时长的预设时段及其他采样频率，也可通过其他仪器或手段同步实时获取血压数据及心率数据。

步骤S2，获取每个待分析指标数据的局部待分析指标子段及每个参考指标数据的局部参考指标子段；在相同时刻下的待分析指标数据与参考指标数据间，根据待分析指标数据在所属局部待分析指标子段内的局部幅值水平与参考指标数据在所属局部参考指标子段内的局部幅值水平的差异，及待分析指标数据与参考指标数据幅值变化差异，获取每个待分析指标数据的噪声可能性。

由于采集过程中心率数据可能受噪声影响从而出现误判，但考虑到心率数据与血压数据同时出现噪声的可能性极低，且心率及血压之间存在一定的变化关联，则可以将血压作为心率的参照以便于后续分析心率数据的噪声可能性，进而结合心率数据本身的突变情况，调整其显著性判断阈值以降低误判。

为便于分析每个心率数据的噪声可能性及波动情况，本发明实施例获取每个心率数据的局部心率子段及每个血压数据的局部血压子段；具体以每个心率数据点为目标点，在心率数据序列中获取预设数量个与目标点时序距离最近的心率数据构建每个心率数据的局部心率子段，且局部心率子段的序列方向与心率数据序列的序列方向相同；以同样的方法获取每个血压数据的局部血压子段；其中预设数量取100，即每个血压数据及每个心率数据对应的局部子段的序列长度均为101；以心率数据为例，以每个心率数据为目标点，在目标点两端分别获取50个心率数据构建局部心率子段，但由于部分心率数据邻近序列端点，其某一侧的心率数据可能不足50个，则在另一侧补足；如目标点在心率数据序列中的排序序号为29，其序列左侧可以获取28个心率数据，则在其序列右侧获取72个心率数据，将其按照采集时序排序得到局部心率子段；实施者也可根据具体实施情况设置其他预设数量。

获取每个心率数据的局部心率子段及每个血压数据的局部血压子段后，便可以在局部范围内结合血压数据分析每个心率数据的噪声可能性。考虑到相同时刻下血压数据与心率数据的幅值大小可能存在较大差异，但其在局部范围内幅值的相对水平应当是相似的，且局部范围内的相对幅值变化水平也是相似的；故本发明实施例在相同时刻下的心率数据与血压数据间，根据心率数据在所属局部心率子段内的局部幅值水平与血压数据在所属局部血压子段内的局部幅值水平的差异，及心率数据与血压数据幅值变化差异，获取每个心率数据的噪声可能性。

优选地，在本发明的一个实施例中，考虑到局部幅值水平的差异越小，则心率数据与血压数据间的变化趋势越相似，越符合正常的变化关联规律，则心率数据的噪声可能性越小；又考虑到每个心率数据相对前一相邻心率数据的幅值变化量相对所有幅值变化量的平均水平的差异，反映了该心率数据的相对波动变化程度，同理血压数据相对前一相邻血压数据的幅值变化量相对所有幅值变化量的平均水平的差异，反映了该血压数据的相对波动变化程度，当相同时刻的心率数据与血压数据的相对波动变化程度的差异越小，也说明了心率数据与血压数据间的变化趋势越相似，越符合正常的变化关联，则心率数据的噪声可能性越小；基于此，可以构建噪声可能性的计算公式；噪声可能性的计算公式包括：

；

其中，为第个心率数据的噪声可能性；为第个心率数据在所属局部心率子段内的局部幅值水平；为第个心率数据的相同时刻采集的血压数据在所属局部血压子段内的局部幅值水平；为第个心率数据相对前一心率数据的幅值变化量；为第个心率数据所属局部心率子段内所有心率数据相对其前一心率数据的幅值变化量的均值；为第个心率数据的相同时刻采集的血压数据，相对前一血压数据的幅值变化量；为第个心率数据的相同时刻采集的血压数据所属局部血压子段内，所有血压数据相对前一血压数据的幅值变化量的均值；为取绝对值符号。

噪声可能性的计算公式中，具体将局部幅值水平的差值绝对值及心率数据与血压数据幅值变化差异通过乘法合并，使得二者均与噪声可能性呈正相关关系，实施者也可通过相加或指数关系等正相关手段合并二者，在此不赘述。

需要说明的是，幅值变化量指当前数据的幅值与前一相邻数据的幅值间的幅值差值绝对值；在获取局部心率子段或局部血压子段内的首个数据的噪声可能性及其相对前一相邻数据的幅值变化量时，需结合该首个数据在心率数据序列或血压数据序列中的前一相邻数据分析，若首个数据为心率数据序列及血压数据序列的首个数据时，需要对心率数据序列及血压数据序列进行差值拟合，得到序列中首个数据的前一相邻数据的拟合值，以保证心率数据序列及血压数据序列中的每个数据都能进行处理分析。

优选地，在本发明的一个实施例中，考虑到相同时刻下的血压数据与心率数据的具体幅值不便于判定其幅值水平的差异；又考虑到极差变换可以将数据按照线性关系映射到对应局部子段的最值范围内，可以更直观的观察每个数据在局部范围内的分布情况及相对大小，故具体通过极差变换的方式获取每个数据的局部幅值水平；所属局部心率子段内的局部幅值水平与血压数据在所属局部血压子段内的局部幅值水平的获取方法，包括：

将每个心率数据的幅值在所属局部心率子段内进行极差变换，得到每个心率数据在所属局部心率子段内的局部幅值水平；将每个血压数据的幅值在所属局部血压子段内进行极差变换，得到每个血压数据在所属局部血压子段内的局部幅值水平。

心率数据在所属局部心率子段内的局部幅值水平的计算公式为：

；

其中，为第个心率数据的幅值；为第个心率数据所属局部心率子段内心率数据的幅值最小值；为第个心率数据所属局部心率子段内心率数据的幅值最大值；

血压数据在所属局部血压子段内的局部幅值水平的计算公式为：

；

其中，为第个心率数据的相同时刻采集的血压数据的幅值；为第个心率数据相同时刻采集的血压数据所属局部血压子段内血压数据的幅值最小值；为第个心率数据相同时刻采集的血压数据所属局部血压子段内血压数据的幅值最大值。

步骤S3，根据每个待分析指标数据所属局部待分析指标子段内所有待分析指标数据的噪声可能性，结合对应待分析指标数据所属局部待分析指标子段内待分析指标数据的分布情况，获取每个待分析指标数据所属局部待分析指标子段的异常程度；根据每个待分析指标数据的局部突变情况，结合每个待分析指标数据的噪声可能性及所属局部待分析指标子段的异常程度，获取每个待分析指标数据的置信突变程度。

由于每个心率数据所属局部心率子段内噪声数据太多可能导致后续局部心率子段内的心率数据的突变程度分析准确性降低，使得原本真实突变的心率失常的突变程度降低，从而影响后续的异常检测；又考虑到若局部心率子段内心率数据的分布越呈现出一定的极端偏离，其一般为个别噪声数据或真实异常心率引起的，或由于噪声较为普遍导致正常心率数据表现的较为极端偏离，若为噪声引起的，则进一步说明该局部心率子段内存在噪声突变数据的可能性越大；若真实异常心率所引起的，则需结合噪声可能性进一步分析；故本发明实施例首先根据每个心率数据所属局部心率子段内所有心率数据的噪声可能性，结合对应心率数据所属局部心率子段内心率数据的分布情况，获取每个心率数据所属局部心率子段的异常程度；异常程度反映了每个心率数据所属局部范围的受噪声影响程度，将异常程度作为后续突变程度分析的相关因素，提高对每个心率数据的局部突变情况分析的准确性，降低噪声的突变程度值，从而降低误判。

优选地，在本发明的一个实施例中，考虑到局部范围内所有心率数据的噪声可能性累加值越大，反映该局部范围受噪声影响程度越大，则该局部心率子段的异常程度越大；又考虑到局部心率子段中心率幅值的平均值与中位数的差异越大，说明该局部心率子段中越可能存在极端偏离值；通过结合每个心率数据所属局部心率子段邻近的多个心率数据段中的极端偏离情况，可以确定该局部心率子段的极端偏离程度的相对水平，有助于更准确的分析每个局部心率子段的异常程度；基于此，异常程度的获取方法包括：

根据每个心率数据所属局部心率子段内所有心率数据的幅值均值与幅值中位数的差异，及与每个心率数据所属局部心率子段邻近的预设第一数量个等长心率子段内所有心率数据的幅值均值与幅值中位数的差异，获取每个心率数据所属局部心率子段的相对分布偏离指数，其中局部心率子段与等长心率子段的序列长度相同；

将每个心率数据所属局部心率子段内所有心率数据的噪声可能性的累加值乘以对应相对分布偏离指数，得到每个心率数据所属局部心率子段的异常程度。

在本发明实施例中，预设第一数量取4，即获取与每个心率数据所属局部心率子段邻近的4个等长心率子段，实施者也可根据具体实施情况设置其他预设第一数量取值；其中等长心率子段的获取方法为：以心率数据所属局部心率子段为目标子段，以目标子段的末尾心率数据的下一相邻数据为起点，沿时序方向获取与目标子段长度相等的右一心率子段，以右一心率子段的末尾心率数据的下一相邻数据为新的起点，沿时序方向获取与目标子段长度相等的右二心率子段，不断更新起点将目标子段在心率数据序列右侧的所有心率数据划分为等长心率子段；然后以目标子段的首个心率数据的前一相邻数据为起点，沿时序反方向获取与目标子段长度相等的左一心率子段，以左一心率子段的首个心率数据的前一相邻数据为新的起点，沿时序反方向获取与目标子段长度相等的左二心率子段，不断更新起点将目标子段在心率数据序列左侧的所有心率数据划分为等长心率子段；其中左右两侧的等长心率子段的序列方向与心率数据序列的序列方向一致，左右两侧心率数据不足以划分为一个新的等长心率子段时将不进行划分；以目标子段的中心对应心率数据在心率数据序列中的排序序号为目标序号，获取每个等长心率子段的中心对应心率数据在心率数据序列中的排序序号为中心序号与目标序号的差值绝对值，并将差值绝对值进行升序排序，从中选择预设数量个即4个与目标序号时序距离最近的等长心率子段进行分析。例如目标子段为{1、2、3…n-2、n-1、n}，其中1、2、3…n-2、n-1、n并非真实的心率数据幅值，而是心率数据的序号；对于第201个心率数据而言，其对应的目标子段为{151…201…251}，则获取其左端最为邻近的等长心率子段为{50…100…150}、由于第1-50个数据不足以构成完整的等长心率子段，则在其右侧继续获取补齐，对应的等长心率子段为{252…302…352}、{353…403…453}及{454…504…554}依次获取共计3个等长子段。

在本发明的另一个实施例中，等长心率子段的获取方法为：以心率数据所属局部心率子段为目标子段，对应的心率数据为目标心率数据，在心率数据序列中，获取与目标心率数据最为邻近的预设第一数量个心率数据对应的局部心率子段，将其作为目标子段对应的等长心率子段，其中预设第一数量仍取4；例如对于第201个心率数据而言，其对应的目标子段为{151…201…251}，则其邻近的4个心率数据分别为199、200、202及203，对应的局部心率子段分别为{149…199…249}、{150…200…250}、{152…202…252}、{153…203…253}。

异常程度的计算公式为：

；

其中，为第个心率数据所属局部心率子段的异常程度；为第个心率数据所属局部心率子段内第个心率数据的噪声可能性；为第个心率数据所属局部心率子段内心率数据的总数量；为第个心率数据所属局部心率子段的相对分布偏离指数。

异常程度的计算公式中，通过乘法将局部心率子段内所有心率数据的噪声可能性的累加值与对应相对分布偏离指数合并，使得二者均与异常程度呈正相关关系，实施者也可通过相加或指数关系等正相关手段合并二者，在此不赘述。

其中，相对分布偏离指数的获取方法包括：

在每个心率数据所属局部心率子段内，将所有心率数据的幅值均值与幅值中位数的差值绝对值作为对应心率数据所属局部心率子段的偏离系数；将每个等长心率子段内所有心率数据的幅值均值与幅值中位数的差值绝对值作为对应等长心率子段的偏离系数；获取所有等长心率子段的偏离系数的均值；将每个心率数据所属局部心率子段的偏离系数，与对应所有等长心率子段的偏离系数的均值的差值绝对值归一化后，得到每个心率数据所属局部心率子段的相对分布偏离指数。相对分布偏离指数的计算公式为：

；

其中，为第个心率数据所属局部心率子段的相对分布偏离指数；为标准归一化函数；为第个心率数据所属局部心率子段内所有心率数据的幅值均值；为第个心率数据所属局部心率子段内所有心率数据的幅值中位数；为预设第一数量；为第个心率数据所属局部心率子段的邻近的等长心率子段的子段序号；为第个心率数据所属局部心率子段的邻近的第个等长心率子段内所有心率数据的幅值均值；为第个心率数据所属局部心率子段的邻近的第个等长心率子段内所有心率数据的幅值中位数。

相对分布偏离指数的计算公式中，心率数据的幅值均值与幅值中位数的差值绝对值反映了心率子段的极端偏离程度，通过将每个心率数据所属局部心率子段的极端偏离程度与其邻近的多个等长心率数据段中的极端偏离程度的平均水平作对比，确定该局部心率子段的相对分布偏离指数，越偏离平均水平，相对分布偏离指数越大；相对分布偏离指数反映了该局部心率子段的极端偏离程度的相对水平，相对分布偏离指数越大，说明该局部心率分段内的极端偏离情况越有可能是随机噪声所导致的，结合噪声可能性将有助于更准确的分析每个局部心率子段的异常程度。

获取每个心率数据的噪声可能性及其所属局部心率子段的异常程度后，便可结合每个心率数据的局部突变情况，获取每个心率数据的置信突变程度；置信突变程度反映了每个心率数据为真实的心率失常所引起的偏离突变程度，而心率的噪声可能性越高，说明其为噪声数据引起的离群突变的可能性越高，则越应削弱其突变程度；同时每个心率数据的局部心率子段的异常程度也影响对每个心率数据的突变程度分析的准确性，则异常程度越高也越应削弱其突变程度。

优选地，在本发明的一个实施例中，考虑到真实的心率失常通常表现为局部突变，而局部心率子段内心率数据的相对平均幅值水平的差异及其在局部的幅值变化量的大小侧面反映了该心率数据的局部突变特征；又考虑到每个心率数据的噪声可能性及其所属局部心率子段的异常程度均会影响对每个心率数据的局部突变特征分析的准确性；基于此，置信突变程度的获取方法包括：

根据每个心率数据相对所属局部心率子段内所有心率数据的幅值均值的差异，及心率数据相对相邻前后心率数据的幅值变化量，获取每个心率数据的局部突变程度；

将每个心率数据的噪声可能性与每个心率数据所属局部心率子段的异常程度相乘，得到每个心率数据的突变置信参数；将每个心率数据的局部突变程度的负相关映射结果与突变置信参数相乘，然后进行负相关映射归一化，得到每个心率数据的置信突变程度。

置信突变程度的计算公式为：

；

其中，为第个心率数据的置信突变程度；为以自然常数为底数的指数函数；为第个心率数据的噪声可能性；为第个心率数据所属局部心率子段的异常程度；为第个心率数据的局部突变程度；为预设非零正参数；在本发明实施例中，取0.01，在不影响计算结果取值的情况下防止分母为0。

置信突变程度的计算公式中，将局部突变程度加上预设非零正参数做倒数运算实现负相关映射，然后将其与突变置信参数相乘合并，其中为突变置信参数，将其作为突变程度负相关映射结果的权重，然后再将最终乘积负相关映射到指数函数中调整逻辑关系并实现归一化，使得心率数据的噪声可能性与每个心率数据所属局部心率子段的异常程度越高，对应的置信突变程度越低；在本发明的其他实施例中也可根据具体情况采用其他负相关映射手段及归一化方式。

其中，局部突变程度的获取方法包括：

将每个心率数据的幅值与所属局部心率子段内所有心率数据的幅值均值的差值绝对值，乘以心率数据相对前一相邻心率数据的幅值变化量与相对后一相邻心率数据的幅值变化量之和，得到每个心率数据的局部突变程度。局部突变程度的计算公式为：

；

其中，为第个心率数据的局部突变程度；为第个心率数据的幅值；为第个心率数据所属局部心率子段内所有心率数据的幅值均值；为第个心率数据相对相邻前一心率数据的幅值变化量；为第个心率数据相对相邻后一心率数据的幅值变化量；为取绝对值符号。

步骤S4，基于待分析指标数据序列，利用显著性检测算法检测异常待分析指标数据，并在检测过程中根据每个待分析指标数据的所述置信突变程度修正预设显著性判定阈值。

置信突变程度反映了每个心率数据为真实的心率失常的可能性，置信突变程度越大，可能性越高，而噪声的置信突变程度则相对较低；故为降低对噪声的误判率，可以根据每个心率数据的置信突变程度修正预设显著性判定阈值，调高可能为噪声数据的显著性判定阈值，使得其不易被显著性算法判定为异常数据，降低可能为真实的失常心率数据的显著性判定阈值，使其更易被检测判定出来。

优选地，在本发明的一个实施例中，预设显著性判定阈值的修正方法包括：

将每个心率数据的置信突变程度负相关映射，乘以预设显著性判定阈值后归一化，得到修正后的预设显著性判定阈值，将其作为修正显著性判定阈值。修正显著性判定阈值的计算公式为：

；

其中，为第个心率数据的修正显著性判定阈值；为预设显著性判定阈值；为第个心率数据的置信突变程度；为标准归一化函数；在本发明实施例中预设显著性判定阈值设置为0.8，实施者可根据具体实施情况进行调整。

在修正显著性判定阈值的计算公式中，通过将置信突变程度做倒数运算，使得置信突变程度越大，最终的修正显著性判定低，越容易被算法检测出来；需要说明的是，置信突变程度为非零参数，故在将其做倒数运算时不会出现分母为零的可能。实施者也可采用其他负相关映射手段，在此不赘述。

获取每个心率数据的修正显著性判定阈值后，便可基于显著性检测算法检测异常心率数据。显著性算法通过计算每个心率数据的显著性值可以有助于快速准确地区分出较为离群异常的心率数据。

优选地，在本发明的一个实施例中，异常心率数据的获取方法包括：

基于CA显著性算法获取每个心率数据的显著性值；将显著性值大于对应修正后的预设显著性判定阈值的所有心率数据作为异常心率数据。

由于CA显著性算法为现有技术，此处不再过多赘述，仅简述本发明一个实施例下简述CA显著性算法获取显著性值的简要步骤及公式：

首先每个心率数据相对心率数据序列中其他所有心率数据间的相对距离，相对距离的计算公式具体表现为：

；

其中，为第个心率数据与第个心率数据的相对距离；为第个心率数据的幅值；为第个心率数据的幅值；为超参数，取经验值3；为第个心率数据在心率数据序列中的排序序号；为除第个心率数据外的心率数据在心率数据序列中的排序序号。

显著性值的计算公式具体表示为：

；

其中，为第个心率数据的显著性值；为心率数据序列中心率数据的总数量；是以自然常数为底数的指数函数；为第个心率数据与第个心率数据的相对距离。

在显著性值计算过程中，选取两个心率数据点之间的幅值差异与采样间隔来代替原始CA显著性检测算法中的颜色距离以及空间距离，从而得到相对距离以获取显著性值。

当心率数据的显著性值大于对应的修正显著性判定阈值时，其就为真实的心率失常情况下的异常心率数据。

将异常心率数据筛选出来后记录到患者的病例档案中，也可结合患者当前的病况及其他医学检验临床数据共同记录存档，进行智能管理，以便后续进行针对性的分析及个性化康复方案的制定。

综上所述，本发明实施例获取预设时段内患者的心率数据序列及血压数据序列，并获取每个心率数据的局部心率子段及每个血压数据的局部血压子段；然后根据相同时刻下的心率数据与血压数据间的局部幅值水平差异及幅值变化差异，获取每个心率数据的噪声可能性，然后结合心率数据所属局部心率子段内心率数据的分布情况，获取每个心率数据所属局部心率子段的异常程度，进一步可以根据每个心率数据的局部突变情况，获取每个心率数据的置信突变程度；根据每个心率数据的置信突变程度修正预设显著性判定阈值，基于显著性检测算法检测异常心率数据。本发明结合与心率数据具有变化关联的血压数据分析所采集的每个心率数据的噪声可能性，进一步结合心率数据所处局部范围的异常程度及其局部突变程度分析其为真实心率失常的可能性，从而得到每个心率数据的置信突变程度，进而对预设显著性阈值进行修正，降低对噪声心率数据的误判率，提高对真实异常心率数据的检测准确性以提高智能管理效果。

本发明还提出一种医学检验临床数据智能管理系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现一种医学检验临床数据智能管理方法的步骤。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (5)

1.一种医学检验临床数据智能管理方法，其特征在于，所述方法包括：

获取预设时段内患者的待分析指标数据序列及参考指标数据序列，其中参考指标数据的变化与待分析指标数据的变化间存在关联；

获取每个待分析指标数据的局部待分析指标子段及每个参考指标数据的局部参考指标子段；在相同时刻下的待分析指标数据与参考指标数据间，根据待分析指标数据在所属局部待分析指标子段内的局部幅值水平与参考指标数据在所属局部参考指标子段内的局部幅值水平的差异，及待分析指标数据与参考指标数据幅值变化差异，获取每个待分析指标数据的噪声可能性；

根据每个待分析指标数据所属局部待分析指标子段内所有待分析指标数据的噪声可能性，结合对应待分析指标数据所属局部待分析指标子段内待分析指标数据的分布情况，获取每个待分析指标数据所属局部待分析指标子段的异常程度；根据每个待分析指标数据的局部突变情况，结合每个待分析指标数据的所述噪声可能性及所属局部待分析指标子段的所述异常程度，获取每个待分析指标数据的置信突变程度；

基于待分析指标数据序列，利用CA显著性算法检测异常待分析指标数据，并在检测过程中根据每个待分析指标数据的所述置信突变程度修正预设显著性判定阈值；

所述噪声可能性的计算公式包括：

；其中，为第个待分析指标数据的噪声可能性；为第个待分析指标数据在所属局部待分析指标子段内的局部幅值水平；为第个待分析指标数据的相同时刻采集的参考指标数据在所属局部参考指标子段内的局部幅值水平；为第个待分析指标数据相对前一待分析指标数据的幅值变化量；为第个待分析指标数据所属局部待分析指标子段内所有待分析指标数据相对其前一待分析指标数据的幅值变化量的均值；为第个待分析指标数据的相同时刻采集的参考指标数据，相对前一参考指标数据的幅值变化量；为第个待分析指标数据的相同时刻采集的参考指标数据所属局部参考指标子段内，所有参考指标数据相对前一参考指标数据的幅值变化量的均值；为取绝对值符号；

所述异常程度的获取方法包括：

根据每个待分析指标数据所属局部待分析指标子段内所有待分析指标数据的幅值均值与幅值中位数的差异，及与每个待分析指标数据所属局部待分析指标子段邻近的预设第一数量个等长待分析指标子段内所有待分析指标数据的幅值均值与幅值中位数的差异，获取每个待分析指标数据所属局部待分析指标子段的相对分布偏离指数，其中所述局部待分析指标子段与所述等长待分析指标子段的序列长度相同；

将每个待分析指标数据所属局部待分析指标子段内所有待分析指标数据的所述噪声可能性的累加值乘以对应所述相对分布偏离指数，得到每个待分析指标数据所属局部待分析指标子段的异常程度；

所述相对分布偏离指数的获取方法包括：

在每个待分析指标数据所属局部待分析指标子段内，将所有待分析指标数据的幅值均值与幅值中位数的差值绝对值作为对应待分析指标数据所属局部待分析指标子段的偏离系数；将每个所述等长待分析指标子段内所有待分析指标数据的幅值均值与幅值中位数的差值绝对值作为对应等长待分析指标子段的偏离系数；获取所有所述等长待分析指标子段的偏离系数的均值；将每个待分析指标数据所属局部待分析指标子段的偏离系数，与对应所有所述等长待分析指标子段的偏离系数的均值的差值绝对值归一化后，得到每个待分析指标数据所属局部待分析指标子段的相对分布偏离指数；

所述置信突变程度的获取方法包括：

根据每个待分析指标数据相对所属局部待分析指标子段内所有待分析指标数据的幅值均值的差异，及待分析指标数据相对相邻前后待分析指标数据的幅值变化量，获取每个待分析指标数据的局部突变程度；

将每个待分析指标数据的所述噪声可能性与每个待分析指标数据所属局部待分析指标子段的异常程度相乘，得到每个待分析指标数据的突变置信参数；将每个待分析指标数据的局部突变程度的负相关映射结果与所述突变置信参数相乘，然后进行负相关映射归一化，得到每个待分析指标数据的置信突变程度；

所述局部突变程度的获取方法包括：

将每个待分析指标数据的幅值与所属局部待分析指标子段内所有待分析指标数据的幅值均值的差值绝对值，乘以待分析指标数据相对前一相邻待分析指标数据的幅值变化量与相对后一相邻待分析指标数据的幅值变化量之和，得到每个待分析指标数据的局部突变程度。

2.根据权利要求1所述的一种医学检验临床数据智能管理方法，其特征在于，所述待分析指标数据在所属局部待分析指标子段内的局部幅值水平与参考指标数据在所属局部参考指标子段内的局部幅值水平的获取方法，包括：

将每个待分析指标数据的幅值在所属局部待分析指标子段内进行极差变换，得到每个待分析指标数据在所属局部待分析指标子段内的局部幅值水平；将每个参考指标数据的幅值在所属局部参考指标子段内进行极差变换，得到每个参考指标数据在所属局部参考指标子段内的局部幅值水平。

3.根据权利要求1所述的一种医学检验临床数据智能管理方法，其特征在于，所述预设显著性判定阈值的修正方法包括：

将每个待分析指标数据的置信突变程度负相关映射，乘以所述预设显著性判定阈值后归一化，得到修正后的预设显著性判定阈值。

4.根据权利要求1所述的一种医学检验临床数据智能管理方法，其特征在于，所述异常待分析指标数据的获取方法包括：

基于CA显著性算法获取每个待分析指标数据的显著性值；将所述显著性值大于对应修正后的预设显著性判定阈值的所有待分析指标数据作为异常待分析指标数据。

5.一种医学检验临床数据智能管理系统，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-4任意一项所述一种医学检验临床数据智能管理方法的步骤。