基于聚类算法的蛇伤预后预测方法、装置及电子设备与流程

1.本发明属于蛇伤数据处理技术领域，具体而言，涉及基于聚类算法的蛇伤预后预测方法、装置及电子设备。


背景技术：

2.我国每年蛇伤大约10万～20万人次，由于基层医院医生蛇伤医疗经验不足，蛇伤患者无法了解蛇伤预后状况，导致蛇伤患者到医院接受治疗的意愿不高，蛇伤致死致残率较高。现有技术对缺少对蛇伤预后状况的预测分析方法，而仅仅是医生根据医疗经验主观的判断蛇伤预后情况，因蛇伤种类复杂，蛇伤病例类型多样，医生仅凭医疗经验无法准确的判断蛇伤预后情况，因此迫切需要一种方法，在蛇伤患者到医院后，能快速给予蛇伤患者对预后情况的预测分析，有助于提高蛇伤患者就医意愿，促进更多蛇伤患者到基层医院接受正规蛇伤治疗，降低蛇伤致死致残率。


技术实现要素：

3.为了解决上述技术问题，本发明提供基于聚类算法的蛇伤预后预测方法、装置及电子设备。
4.第一方面，本发明提供了基于聚类算法的蛇伤预后预测方法，包括：获取历史蛇伤病例数据，构建蛇伤病例数据库；从所述历史蛇伤病例数据中提取蛇伤特征参数；从所述蛇伤病例数据库中筛选出所述蛇伤特征参数类似的所述历史蛇伤病例数据，作为聚类模型的训练数据集；采用聚类算法对所述模型训练数据集进行无监督聚类学习，构建蛇伤病例预后预测模型；获取各个所述聚类对应的蛇伤恢复数据；获取当前蛇伤病例数据，将所述当前蛇伤病例数据输入所述蛇伤病例预后预测模型，得到蛇伤病例聚类结果；根据所述蛇伤病例聚类结果与各个所述聚类中的所述蛇伤恢复数据，确定当前蛇伤病例数据的目标蛇伤恢复数据。
5.第二方面，本发明提供了基于聚类算法的蛇伤预后预测装置，包括第一获取单元、提取单元、筛选单元、模型构建单元、第二获取单元、处理单元与输出单元；所述第一获取单元，用于获取历史蛇伤病例数据，构建蛇伤病例数据库；所述提取单元，用于从所述历史蛇伤病例数据中提取蛇伤特征参数；所述筛选单元，用于从所述蛇伤病例数据库中筛选出所述蛇伤特征参数类似的所述历史蛇伤病例数据，作为聚类模型的训练数据集；所述模型构建单元，用于采用聚类算法对所述模型训练数据集进行无监督聚类学习，构建蛇伤病例预后预测模型；
所述第二获取单元，用于获取各个所述聚类对应的蛇伤恢复数据；所述处理单元，用于获取当前蛇伤病例数据，将所述当前蛇伤病例数据输入所述蛇伤病例预后预测模型，得到蛇伤病例聚类结果；所述输出单元，用于根据所述蛇伤病例聚类结果与各个所述聚类中的所述蛇伤恢复数据，确定当前蛇伤病例数据的目标蛇伤恢复数据。
6.第三方面，本发明提供了一种电子设备，包括：处理器和存储器；所述存储器，用于存储计算机操作指令；所述处理器，用于通过调用所述计算机操作指令，执行所述的基于聚类算法的蛇伤预后预测方法。
7.在上述技术方案的基础上，本发明还可以做如下改进。
8.进一步，所述蛇伤特征参数包括蛇伤患者年龄、蛇伤患者性别、蛇伤种类、蛇伤伤口部位、蛇伤伤口严重程度、蛇伤患者生命体征数据与蛇伤患者生物指标数据。
9.进一步，采用聚类算法对所述模型训练数据集进行无监督聚类学习，构建蛇伤病例预后预测模型，包括：从每个所述聚类中随机选取若干个所述蛇伤病例数据作为样本，寻找所述样本初始的聚类中心；计算每个所述样本与各个初始的所述聚类中心之间的距离作为特征向量，把所述样本分配给距离最近的所述聚类中心；重新计算分配到所述样本的所述聚类的所述聚类中心；每分配一个所述样本，重新计算所述聚类的所述聚类中心，直到满足设定条件，得到蛇伤病例预后预测模型。
10.进一步，所述设定条件为所述样本与所述聚类中心之间的距离小于设定值或者分配次数达到设定值或者所有所述聚类的所述聚类中心每一次的变化值小于设定阈值。
11.进一步，所述蛇伤恢复数据包括蛇伤恢复程度数据与所述蛇伤恢复程度数据对应的蛇伤恢复概率数据。
12.本发明的有益效果是：本发明在蛇伤患者到医院后，能快速给予蛇伤患者对预后情况的预测分析，解决医生仅凭医疗经验无法准确的判断蛇伤预后情况的问题，获取蛇伤预后预测数据，有助于提高蛇伤患者就医意愿，促进更多蛇伤患者到基层医院接受正规蛇伤治疗，有效降低蛇伤致死致残率。
附图说明
13.图1为本发明实施例1提供的基于聚类算法的蛇伤预后预测方法的原理图；图2为本发明实施例2提供的基于聚类算法的蛇伤预后预测装置的原理图；图3为本发明实施例3提供的一种电子设备的原理图。
14.图标：30-电子设备；310-处理器；320-总线；330-存储器；340-收发器。
具体实施方式
15.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
16.实施例1作为一个实施例，如附图1所示，为解决上述技术问题，本实施例提供基于聚类算法的蛇伤预后预测方法，包括：获取历史蛇伤病例数据，构建蛇伤病例数据库；从历史蛇伤病例数据中提取蛇伤特征参数；从蛇伤病例数据库中筛选出蛇伤特征参数类似的历史蛇伤病例数据，作为聚类模型的训练数据集；采用聚类算法对模型训练数据集进行无监督聚类学习，构建蛇伤病例预后预测模型；获取各个聚类对应的蛇伤恢复数据；获取当前蛇伤病例数据，将当前蛇伤病例数据输入蛇伤病例预后预测模型，得到蛇伤病例聚类结果；根据蛇伤病例聚类结果与各个聚类中的蛇伤恢复数据，确定当前蛇伤病例数据的目标蛇伤恢复数据。
17.本发明采用聚类算法，对模型训练数据集进行无监督聚类学习，不断迭代优化，获得蛇伤病例预后预测模型，对于类似聚类的蛇伤病例数据，医疗效果一般是类似的，因此本发明通过对蛇伤病例数据根据蛇伤特征参数进行聚类，得到各种聚类的蛇伤病例数据与各个聚类对应的蛇伤恢复数据，从而预测得到当前蛇伤病例数据对应的蛇伤恢复数据，即能够根据患者情况预测医疗效果；有利于医生与患者在当前蛇伤病例数据所在的蛇伤相似病例分类组别中，快速、准确的得到蛇伤患者蛇伤病例数据聚类分类结果，从而获取蛇伤预后预测数据，促进更多蛇伤患者到基层医院接受正规蛇伤治疗，有效降低蛇伤致死致残率。
18.在蛇伤患者到医院后，能快速给予蛇伤患者对预后情况的预测分析，解决医生仅凭医疗经验无法准确的判断蛇伤预后情况的问题。
19.可选的，蛇伤特征参数包括蛇伤患者年龄、蛇伤患者性别、蛇伤种类、蛇伤伤口部位、蛇伤伤口严重程度、蛇伤患者生命体征数据与蛇伤患者生物指标数据。
20.蛇伤特征参数能够影响蛇伤患者的预后情况，类似的上述蛇伤特征参数的蛇伤病例数据，预后情况具有相似性，因此根据上述蛇伤特征参数对蛇伤病例数据进行聚类，能够准确得到各种聚类结果中蛇伤病例数据对应的蛇伤恢复数据。
21.可选的，采用聚类算法对模型训练数据集进行无监督聚类学习，构建蛇伤病例预后预测模型，包括：从每个聚类中随机选取若干个蛇伤病例数据作为样本，寻找样本初始的聚类中心；计算每个样本与各个初始的聚类中心之间的距离作为特征向量，把样本分配给距离最近的聚类中心；重新计算分配到样本的聚类的聚类中心；每分配一个样本，重新计算聚类的聚类中心，直到满足设定条件，得到蛇伤病例预后预测模型。
22.可选的，设定条件为样本与聚类中心之间的距离小于设定值或者分配次数达到设
定值或者所有聚类的聚类中心每一次的变化值小于设定阈值。
23.可选的，蛇伤恢复数据包括蛇伤恢复程度数据与蛇伤恢复程度数据对应的蛇伤恢复概率数据。
24.在实际应用过程中，通过蛇伤恢复数据描述蛇伤预后情况。蛇伤恢复程度数据通过蛇伤恢复程度来进行表示，蛇伤恢复程度可以采用恢复程度分类赋值的方式对各种分类方式进行表示，具体分类如：正常恢复、存在轻微后遗症与残疾，对正常恢复的蛇伤恢复程度数据赋值为1，对存在轻微后遗症的蛇伤恢复程度数据赋值为2，对残疾的蛇伤恢复程度数据赋值为3。蛇伤恢复程度数据对应的蛇伤恢复概率数据如：正常恢复的概率为60%，存在轻微后遗症的概率为30%，残疾的概率为10%。
25.实施例2基于与本发明的实施例1中所示的方法相同的原理，如附图2所示，本发明的实施例中还提供了基于聚类算法的蛇伤预后预测装置，包括第一获取单元、提取单元、筛选单元、模型构建单元、第二获取单元、处理单元与输出单元；第一获取单元，用于获取历史蛇伤病例数据，构建蛇伤病例数据库；提取单元，用于从历史蛇伤病例数据中提取蛇伤特征参数；筛选单元，用于从蛇伤病例数据库中筛选出蛇伤特征参数类似的历史蛇伤病例数据，作为聚类模型的训练数据集；模型构建单元，用于采用聚类算法对模型训练数据集进行无监督聚类学习，构建蛇伤病例预后预测模型；第二获取单元，用于获取各个聚类对应的蛇伤恢复数据；处理单元，用于获取当前蛇伤病例数据，将当前蛇伤病例数据输入蛇伤病例预后预测模型，得到蛇伤病例聚类结果；输出单元，用于根据蛇伤病例聚类结果与各个聚类中的蛇伤恢复数据，确定当前蛇伤病例数据的目标蛇伤恢复数据。
26.可选的，蛇伤特征参数包括蛇伤患者年龄、蛇伤患者性别、蛇伤种类、蛇伤伤口部位、蛇伤伤口严重程度、蛇伤患者生命体征数据与蛇伤患者生物指标数据。
27.可选的，采用聚类算法对模型训练数据集进行无监督聚类学习，构建蛇伤病例预后预测模型，包括：从每个聚类中随机选取若干个蛇伤病例数据作为样本，寻找样本初始的聚类中心；计算每个样本与各个初始的聚类中心之间的距离作为特征向量，把样本分配给距离最近的聚类中心；重新计算分配到样本的聚类的聚类中心；每分配一个样本，重新计算聚类的聚类中心，直到满足设定条件，得到蛇伤病例预后预测模型。
28.可选的，设定条件为样本与聚类中心之间的距离小于设定值或者分配次数达到设定值或者所有聚类的聚类中心每一次的变化值小于设定阈值。
29.可选的，蛇伤恢复数据包括蛇伤恢复程度数据与蛇伤恢复程度数据对应的蛇伤恢复概率数据。
30.实施例3
基于与本发明的实施例中所示的方法相同的原理，本发明的实施例中还提供了一种电子设备，如附图3所示，该电子设备可以包括但不限于：处理器和存储器；存储器，用于存储计算机程序；处理器，用于通过调用计算机程序执行本发明实施例所示的基于聚类算法的蛇伤预后预测方法。
31.在一个可选实施例中提供了一种电子设备，图3所示的电子设备30包括：处理器310和存储器330。其中，处理器310和存储器330相连，如通过总线320相连。
32.可选地，电子设备30还可以包括收发器340，收发器340可以用于该电子设备与其他电子设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器340不限于一个，该电子设备30的结构并不构成对本发明实施例的限定。
33.处理器310可以是cpu（central processing unit，中央处理器），通用处理器，dsp（digital signal processor，数据信号处理器），asic（application specific integrated circuit，专用集成电路），fpga（field programmable gate array，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器310也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。
34.总线320可包括一通路，在上述组件之间传送信息。总线320可以是pci（peripheral component interconnect，外设部件互连标准）总线或eisa（extended industry standard architecture，扩展工业标准结构）总线等。总线320可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
35.存储器330可以是rom（read only memory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，ram（random access memory，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom（electrically erasable programmable read only memory，电可擦可编程只读存储器）、cd-rom（compact disc read only memory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
36.存储器330用于存储执行本发明方案的应用程序代码（计算机程序），并由处理器310来控制执行。处理器310用于执行存储器330中存储的应用程序代码，以实现前述方法实施例所示的内容。
37.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.基于聚类算法的蛇伤预后预测方法，其特征在于，包括：获取历史蛇伤病例数据，构建蛇伤病例数据库；从所述历史蛇伤病例数据中提取蛇伤特征参数；从所述蛇伤病例数据库中筛选出所述蛇伤特征参数类似的所述历史蛇伤病例数据，作为聚类模型的训练数据集；采用聚类算法对所述模型训练数据集进行无监督聚类学习，构建蛇伤病例预后预测模型；获取各个所述聚类对应的蛇伤恢复数据；获取当前蛇伤病例数据，将所述当前蛇伤病例数据输入所述蛇伤病例预后预测模型，得到蛇伤病例聚类结果；根据所述蛇伤病例聚类结果与各个所述聚类中的所述蛇伤恢复数据，确定当前蛇伤病例数据的目标蛇伤恢复数据。2.根据权利要求1所述基于聚类算法的蛇伤预后预测方法，其特征在于，所述蛇伤特征参数包括蛇伤患者年龄、蛇伤患者性别、蛇伤种类、蛇伤伤口部位、蛇伤伤口严重程度、蛇伤患者生命体征数据与蛇伤患者生物指标数据。3.根据权利要求1所述基于聚类算法的蛇伤预后预测方法，其特征在于，采用聚类算法对所述模型训练数据集进行无监督聚类学习，构建蛇伤病例预后预测模型，包括：从每个所述聚类中随机选取若干个所述蛇伤病例数据作为样本，寻找所述样本初始的聚类中心；计算每个所述样本与各个初始的所述聚类中心之间的距离作为特征向量，把所述样本分配给距离最近的所述聚类中心；重新计算分配到所述样本的所述聚类的所述聚类中心；每分配一个所述样本，重新计算所述聚类的所述聚类中心，直到满足设定条件，得到蛇伤病例预后预测模型。4.根据权利要求3所述基于聚类算法的蛇伤预后预测方法，其特征在于，所述设定条件为所述样本与所述聚类中心之间的距离小于设定值或者分配次数达到设定值或者所有所述聚类的所述聚类中心每一次的变化值小于设定阈值。5.根据权利要求1所述基于聚类算法的蛇伤预后预测方法，其特征在于，所述蛇伤恢复数据包括蛇伤恢复程度数据与所述蛇伤恢复程度数据对应的蛇伤恢复概率数据。6.基于聚类算法的蛇伤预后预测装置，其特征在于，包括第一获取单元、提取单元、筛选单元、模型构建单元、第二获取单元、处理单元与输出单元；所述第一获取单元，用于获取历史蛇伤病例数据，构建蛇伤病例数据库；所述提取单元，用于从所述历史蛇伤病例数据中提取蛇伤特征参数；所述筛选单元，用于从所述蛇伤病例数据库中筛选出所述蛇伤特征参数类似的所述历史蛇伤病例数据，作为聚类模型的训练数据集；所述模型构建单元，用于采用聚类算法对所述模型训练数据集进行无监督聚类学习，构建蛇伤病例预后预测模型；所述第二获取单元，用于获取各个所述聚类对应的蛇伤恢复数据；所述处理单元，用于获取当前蛇伤病例数据，将所述当前蛇伤病例数据输入所述蛇伤病例预后预测模型，得到蛇伤病例聚类结果；
所述输出单元，用于根据所述蛇伤病例聚类结果与各个所述聚类中的所述蛇伤恢复数据，确定当前蛇伤病例数据的目标蛇伤恢复数据。7.一种电子设备，其特征在于，包括：处理器和存储器；所述存储器，用于存储计算机操作指令；所述处理器，用于通过调用所述计算机操作指令，执行权利要求1至5中任一项所述的基于聚类算法的蛇伤预后预测方法。

技术总结
本发明属于蛇伤数据处理技术领域，涉及基于聚类算法的蛇伤预后预测方法、装置及电子设备。该方法包括：获取历史蛇伤病例数据，构建蛇伤病例数据库；提取蛇伤特征参数；筛选出蛇伤特征参数类似的历史蛇伤病例数据作为一个聚类，得到模型训练数据集；采用聚类算法对模型训练数据集进行无监督聚类学习，构建蛇伤病例预后预测模型；获取各个聚类对应的蛇伤恢复数据；将当前蛇伤病例数据输入蛇伤病例预后预测模型，得到蛇伤病例聚类结果；确定当前蛇伤病例数据的目标蛇伤恢复数据。本发明能快速进行蛇伤预后预测分析，从而获取蛇伤恢复数据，有助于提高蛇伤患者就医意愿，有效降低蛇伤致死致残率。致残率。致残率。


技术研发人员：罗彬 叶娟 刘江东
受保护的技术使用者：四川互慧软件有限公司
技术研发日：2023.08.17
技术公布日：2023/9/23