本發(fā)明涉及醫(yī)學(xué)數(shù)據(jù)分析領(lǐng)域，尤其涉及一種創(chuàng)傷骨科護理數(shù)據(jù)智能分析方法。

背景技術(shù)：

1、創(chuàng)傷骨科護理是醫(yī)療領(lǐng)域的重要組成部分，涉及對遭受各種創(chuàng)傷（如骨折、脫位、軟組織損傷等）的患者進行診斷、治療和康復(fù)。傳統(tǒng)的創(chuàng)傷骨科護理主要依賴于醫(yī)生的經(jīng)驗和臨床指南，但這種方法存在一些局限性。首先，醫(yī)生的經(jīng)驗和知識水平存在差異，導(dǎo)致護理方案的選擇和實施可能存在主觀性和不一致性，從而影響治療效果。其次，臨床指南通常是基于群體研究結(jié)果制定的，難以完全滿足個體患者的特定需求。每個患者的傷情、身體狀況、并發(fā)癥等都存在差異，需要個性化的護理方案。

2、隨著信息技術(shù)的快速發(fā)展，大量的創(chuàng)傷骨科護理數(shù)據(jù)被積累下來，這些數(shù)據(jù)蘊含著豐富的醫(yī)療信息。如何有效地利用這些數(shù)據(jù)，提高創(chuàng)傷骨科護理的質(zhì)量和效率，已成為亟待解決的問題。近年來，人工智能技術(shù)，特別是深度學(xué)習(xí)在醫(yī)療領(lǐng)域的應(yīng)用日益廣泛，為智能化創(chuàng)傷骨科護理提供了新的可能性。深度學(xué)習(xí)模型可以從大量的醫(yī)療數(shù)據(jù)中學(xué)習(xí)復(fù)雜的模式和規(guī)律，并用于輔助醫(yī)生進行診斷、制定治療方案和預(yù)測預(yù)后。然而，現(xiàn)有的基于深度學(xué)習(xí)的創(chuàng)傷骨科護理方法大多只關(guān)注單一階段或單一數(shù)據(jù)類型，缺乏對患者整個護理過程的全面考慮，也未能充分利用不同類型數(shù)據(jù)的互補性。此外，現(xiàn)有的方法對模型輸出結(jié)果的可靠性驗證不足，缺乏對模型預(yù)測結(jié)果進行修正和確認(rèn)的機制，存在一定的風(fēng)險。同時，模型的可解釋性較差，難以獲得臨床醫(yī)生的信任和接受。

3、因此，迫切需要一種創(chuàng)傷骨科護理數(shù)據(jù)智能分析方法，能夠綜合利用多種類型的患者數(shù)據(jù)，提供個性化的、全面的護理方案，并具有較高的準(zhǔn)確性和可靠性，以提高創(chuàng)傷骨科護理的質(zhì)量和效率。

技術(shù)實現(xiàn)思路

1、一種創(chuàng)傷骨科護理數(shù)據(jù)智能分析方法，包括以下步驟：

2、步驟s1：構(gòu)建創(chuàng)傷骨科護理方案庫，庫中有存儲不同創(chuàng)傷類型對應(yīng)的創(chuàng)傷骨科護理方案，創(chuàng)傷骨科護理方案由5大階段構(gòu)成，包括急性階段、創(chuàng)傷恢復(fù)階段、功能恢復(fù)階段、康復(fù)階段和隨訪階段，所述創(chuàng)傷骨科護理方案的各大階段基于創(chuàng)傷骨科患者護理階段進行劃分，創(chuàng)傷骨科護理方案的各大階段基于護理操作劃分為多個子階段；

3、步驟s2：獲取創(chuàng)傷骨科患者護理數(shù)據(jù)，包括1類護理數(shù)據(jù)和2類護理數(shù)據(jù)，1類護理數(shù)據(jù)包括患者基本信息、患者創(chuàng)傷種類、患者護理階段、創(chuàng)面信息、生命體征信息、并發(fā)癥信息、實驗評估信息和影像評估信息，其中實驗評估信息和影像評估信息為補充信息；2類護理數(shù)據(jù)包括已實施護理記錄信息、用藥記錄信息、患者心理信息和患者隨訪信息；

4、步驟s3：對創(chuàng)傷骨科患者護理數(shù)據(jù)進行處理，處理操作包括數(shù)據(jù)清洗、特征標(biāo)記、權(quán)重構(gòu)建、異常值檢測及空值標(biāo)記，得到創(chuàng)傷骨科患者護理數(shù)據(jù)的特征參數(shù)，并將特征參數(shù)構(gòu)建為患者護理樣本；所述特征參數(shù)以矩陣進行存儲，包括1類護理數(shù)據(jù)和2類護理數(shù)據(jù)對應(yīng)的2個矩陣；

5、步驟s4：患者護理樣本中1類護理數(shù)據(jù)對應(yīng)矩陣送入護理階段分析模型中進行計算，得到修正創(chuàng)傷種類及修正患者護理階段；獲取護理階段分析模型輸出結(jié)果的準(zhǔn)確率，若修正創(chuàng)傷種類或修正患者護理階段與1類護理數(shù)據(jù)中的患者創(chuàng)傷種類和患者護理階段不一致，檢測1類護理數(shù)據(jù)中是否有補充信息；若補充信息為空，則將模型輸出結(jié)果的準(zhǔn)確率與第一確認(rèn)閾值進行比較，大于第一確認(rèn)閾值則當(dāng)前模型輸出結(jié)果為患者正確的創(chuàng)傷種類和護理階段，否則獲取補充信息，并重構(gòu)患者護理樣本后，將樣本送入護理階段分析模型中再次進行計算；若補充信息不為空，則將模型輸出結(jié)果的準(zhǔn)確率與第二確認(rèn)閾值進行比較，大于第二確認(rèn)閾值則當(dāng)前模型輸出結(jié)果為患者正確的創(chuàng)傷種類和護理階段，否則重構(gòu)患者護理樣本，將樣本送入護理階段分析模型中再次進行計算，再次進行計算使用時，使用修正確認(rèn)閾值進行檢測；所述患者護理樣本的重構(gòu)操作包含權(quán)重調(diào)整；

6、步驟s5：根據(jù)患者正確的創(chuàng)傷種類和護理階段對患者護理樣本進行重構(gòu)，將重構(gòu)后的患者護理樣本送入護理數(shù)據(jù)分析模型中進行計算，得到患者所需的創(chuàng)傷骨科護理方案對應(yīng)后續(xù)3個子階段的編號；所述護理數(shù)據(jù)分析模型基于深度卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建，并引入群體趨勢因子進行模型優(yōu)化，通過群體狀態(tài)動態(tài)調(diào)整慣性權(quán)重，提高模型計算的準(zhǔn)確率及模型的訓(xùn)練效率；

7、步驟s6：根據(jù)后續(xù)3個子階段的編號，以及創(chuàng)傷骨科護理過程已經(jīng)實施的子階段，在創(chuàng)傷骨科護理方案庫中匹配創(chuàng)傷骨科護理方案，將匹配度最高的方案作為患者所需的創(chuàng)傷骨科護理方案；若匹配度最高的方案存在多個，則根據(jù)患者1類護理數(shù)據(jù)與匹配的方案對應(yīng)的標(biāo)準(zhǔn)患者數(shù)據(jù)進行相似度計算，將得分最高的方案作為患者所需的創(chuàng)傷骨科護理方案；所述匹配方法及相似度計算均通過余弦相似度進行。

8、作為本發(fā)明的一種優(yōu)選技術(shù)方案，創(chuàng)傷骨科護理方案包括：

9、創(chuàng)傷骨科護理方案，在內(nèi)存中以方案id+創(chuàng)傷類型標(biāo)記+大階段標(biāo)記+子階段標(biāo)記編碼的形式進行存儲，各子階段標(biāo)記編碼在創(chuàng)傷骨科護理方案庫通過護理操作編碼表進行對照。

10、作為本發(fā)明的一種優(yōu)選技術(shù)方案，處理操作包括：

11、數(shù)據(jù)清洗，對獲取的創(chuàng)傷骨科患者護理數(shù)據(jù)進行清洗，識別并去除重復(fù)記錄、錯誤輸入及不相關(guān)數(shù)據(jù)；

12、特征標(biāo)記，根據(jù)數(shù)據(jù)的特性，對創(chuàng)傷骨科患者護理數(shù)據(jù)進行特征標(biāo)記，首先進行特征劃分，對于數(shù)值型數(shù)據(jù)，根據(jù)數(shù)值區(qū)間劃分特征標(biāo)簽，對于文本型數(shù)據(jù)設(shè)置描述標(biāo)簽作為特征標(biāo)簽進行特征劃分；將創(chuàng)傷骨科患者護理數(shù)據(jù)中各子項數(shù)據(jù)使用特征標(biāo)簽進行替換，最終特征標(biāo)簽即為特征參數(shù)；

13、權(quán)重構(gòu)建，為1類護理數(shù)據(jù)對應(yīng)的特征參數(shù)預(yù)留權(quán)重計算的空間，各子項數(shù)據(jù)的初始權(quán)重設(shè)置為1；

14、異常值檢測，使用四分位距(iqr)識別并標(biāo)記特征參數(shù)的異常值，對異常值進行確認(rèn)，根據(jù)確認(rèn)結(jié)果對異常值進行修正或剔除；確認(rèn)過程包括，根據(jù)劃分的四分位距區(qū)間對異常值的類別進行劃分，劃分結(jié)果為絕對異常和相對異常，若劃分結(jié)果為相對異常，則將獲取的前一個時刻和后一個時刻的數(shù)據(jù)的平均值對異常值進行修正，否則，對異常值進行剔除；

15、空值標(biāo)記，對特征參數(shù)中的控制進行標(biāo)記，標(biāo)記的空值將不參與后續(xù)的計算，即忽略空值部分。

16、作為本發(fā)明的一種優(yōu)選技術(shù)方案，重構(gòu)患者護理樣本包括：

17、患者護理樣本的重構(gòu)包括補充信息對應(yīng)的特征參數(shù)的添加和權(quán)重的調(diào)整，初始患者護理樣本中不包含補充信息，若護理階段分析模型輸出結(jié)果的準(zhǔn)確率不夠高，則需要進行補充信息的獲取，并添加補充信息對應(yīng)的特征參數(shù)至患者護理樣本中；

18、權(quán)重的調(diào)整，通過創(chuàng)傷類別判斷表，獲取當(dāng)前模型輸出的修正創(chuàng)傷種類對應(yīng)的判斷數(shù)據(jù)項，將獲取的判斷數(shù)據(jù)項在患者護理樣本中對應(yīng)的特征參數(shù)的權(quán)重與調(diào)整系數(shù)進行乘法計算，計算結(jié)果即為權(quán)重的調(diào)整；對于護理階段采取同樣的方式對權(quán)重進行調(diào)整。

19、作為本發(fā)明的一種優(yōu)選技術(shù)方案，護理數(shù)據(jù)分析模型包括：

20、輸入層，接收重構(gòu)后的患者護理樣本，包括1類和2類護理數(shù)據(jù)；

21、卷積層，多個卷積層用于提取患者護理數(shù)據(jù)中的局部特征和模式；

22、池化層，用于降低特征維度和計算量，并提高模型的魯棒性；

23、全連接層，用于將卷積層和池化層提取的特征進行整合，并映射到后續(xù)3個子階段的編號；

24、輸出層，輸出患者所需的創(chuàng)傷骨科護理方案對應(yīng)后續(xù)3個子階段的編號；

25、群體趨勢優(yōu)化模塊，將群體趨勢因子嵌入到模型中用于調(diào)整模型超參數(shù)；

26、激活函數(shù)，在卷積層、全連接層和輸出層使用softmax激活函數(shù)以引入非線性關(guān)系，提高模型的表達能力；

27、護理數(shù)據(jù)分析模型的構(gòu)建包括：

28、獲取若干患者護理樣本及對應(yīng)的創(chuàng)傷骨科護理方案，將創(chuàng)傷骨科護理方案中對應(yīng)患者當(dāng)前護理階段的后續(xù)3個子階段作為樣本標(biāo)簽；將樣本整理為階段預(yù)測數(shù)據(jù)集，將階段預(yù)測數(shù)據(jù)集劃分為訓(xùn)練集，驗證集和測試集；

29、使用階段預(yù)測數(shù)據(jù)集中的訓(xùn)練集和驗證集訓(xùn)練初始護理數(shù)據(jù)分析模型，通過群體趨勢優(yōu)化算法調(diào)整初始階段預(yù)測模型的超參數(shù)，得到優(yōu)化護理數(shù)據(jù)分析模型；

30、使用階段預(yù)測測試集對優(yōu)化階段預(yù)測模型進行準(zhǔn)確度測試，若準(zhǔn)確率在設(shè)定范圍內(nèi)，則將優(yōu)化階段預(yù)測模型作為階段預(yù)測模型，否則重復(fù)調(diào)整初始階段預(yù)測模型的超參數(shù)的步驟，直到準(zhǔn)確率小于設(shè)定范圍。

31、作為本發(fā)明的一種優(yōu)選技術(shù)方案，群體趨勢因子優(yōu)化算法包括：

32、初始化群體，設(shè)定粒子群的規(guī)模，每個粒子對應(yīng)的參數(shù)表示階段預(yù)測相關(guān)的變量，隨機初始化階段預(yù)測模型的參數(shù)組合；

33、計算粒子的適應(yīng)度，適應(yīng)度基于粒子的預(yù)測誤差；

34、獲取各粒子的參考方向向量：；式中表示群體歷史最優(yōu)位置，表示粒子當(dāng)前位置，參考方向向量表示粒子當(dāng)前位置與群體歷史最優(yōu)解之間的方向；

35、計算粒子當(dāng)前速度向量與參考方向向量間的夾角余弦值；統(tǒng)計粒子中夾角余弦值大于設(shè)定閾值的粒子數(shù)量，比例作為群體趨勢因子stf；設(shè)置群體趨勢因子的界定值，該界定值用于區(qū)別群體趨勢因子的作用，具體為當(dāng)群體趨勢因子大于界定值時，群體處于局部開發(fā)狀態(tài)，降低慣性權(quán)重，當(dāng)群體趨勢因子小于界定值時，群體處于全局探索狀態(tài)，增大慣性權(quán)重；

36、根據(jù)群體趨勢因子動態(tài)調(diào)整慣性權(quán)重，并使用慣性權(quán)重計算粒子的速度和位置；對于每個粒子，將粒子當(dāng)前的適應(yīng)度和歷史最優(yōu)解的適應(yīng)度進行比較，若當(dāng)前的適應(yīng)度較大，則更新為最優(yōu)解，循環(huán)迭代上述過程得到模型最優(yōu)的參數(shù)組合，得到優(yōu)化階段預(yù)測模型。

37、作為本發(fā)明的一種優(yōu)選技術(shù)方案，相似度計算包括：

38、相似度計算通過余弦相似度進行，將患者1類護理數(shù)據(jù)和標(biāo)準(zhǔn)患者數(shù)據(jù)轉(zhuǎn)換為字符串的形式，通過計算2條字符串的余弦相似度獲取數(shù)據(jù)的相似性，余弦相似度高即表示數(shù)據(jù)接近。

39、一種創(chuàng)傷骨科護理數(shù)據(jù)智能分析系統(tǒng)，包括以下模塊：

40、方案管理模塊，用于管理創(chuàng)傷骨科護理方案庫，庫中有存儲不同創(chuàng)傷類型對應(yīng)的創(chuàng)傷骨科護理方案，創(chuàng)傷骨科護理方案由5大階段構(gòu)成，包括急性階段、創(chuàng)傷恢復(fù)階段、功能恢復(fù)階段、康復(fù)階段和隨訪階段，所述創(chuàng)傷骨科護理方案的各大階段基于創(chuàng)傷骨科患者護理階段進行劃分，創(chuàng)傷骨科護理方案的各大階段基于護理操作劃分為多個子階段；

41、數(shù)據(jù)采集模塊，用于獲取創(chuàng)傷骨科患者護理數(shù)據(jù)，包括1類護理數(shù)據(jù)和2類護理數(shù)據(jù)，1類護理數(shù)據(jù)包括患者基本信息、患者創(chuàng)傷種類、患者護理階段、創(chuàng)面信息、生命體征信息、并發(fā)癥信息、實驗評估信息和影像評估信息，其中實驗評估信息和影像評估信息為補充信息；2類護理數(shù)據(jù)包括已實施護理記錄信息、用藥記錄信息、患者心理信息和患者隨訪信息；

42、數(shù)據(jù)處理模塊，用于對創(chuàng)傷骨科患者護理數(shù)據(jù)進行處理，處理操作包括數(shù)據(jù)清洗、特征標(biāo)記、權(quán)重構(gòu)建、異常值檢測及空值標(biāo)記，得到創(chuàng)傷骨科患者護理數(shù)據(jù)的特征參數(shù)，并將特征參數(shù)構(gòu)建為患者護理樣本；所述特征參數(shù)以矩陣進行存儲，包括1類護理數(shù)據(jù)和2類護理數(shù)據(jù)對應(yīng)的2個矩陣；

43、護理階段分析模塊，包括護理階段分析單元和護理結(jié)果修正單元，護理階段分析單元用于患者護理樣本中1類護理數(shù)據(jù)對應(yīng)矩陣送入護理階段分析模型中進行計算，得到修正創(chuàng)傷種類及修正患者護理階段；護理結(jié)果修正單元，用于根據(jù)護理階段分析模型輸出結(jié)果的準(zhǔn)確率，決定是否進行輸出結(jié)果的修正，若修正創(chuàng)傷種類或修正患者護理階段與1類護理數(shù)據(jù)中的患者創(chuàng)傷種類和患者護理階段不一致，檢測1類護理數(shù)據(jù)中是否有補充信息；若補充信息為空，則將模型輸出結(jié)果的準(zhǔn)確率與第一確認(rèn)閾值進行比較，大于第一確認(rèn)閾值則當(dāng)前模型輸出結(jié)果為患者正確的創(chuàng)傷種類和護理階段，否則獲取補充信息，并重構(gòu)患者護理樣本后，將樣本送入護理階段分析模型中再次進行計算；若補充信息不為空，則將模型輸出結(jié)果的準(zhǔn)確率與第二確認(rèn)閾值進行比較，大于第二確認(rèn)閾值則當(dāng)前模型輸出結(jié)果為患者正確的創(chuàng)傷種類和護理階段，否則重構(gòu)患者護理樣本，將樣本送入護理階段分析模型中再次進行計算，再次進行計算使用時，使用修正確認(rèn)閾值進行檢測；所述患者護理樣本的重構(gòu)操作包含權(quán)重調(diào)整；

44、護理數(shù)據(jù)分析模塊，用于根據(jù)患者正確的創(chuàng)傷種類和護理階段對患者護理樣本進行重構(gòu)，將重構(gòu)后的患者護理樣本送入護理數(shù)據(jù)分析模型中進行計算，得到患者所需的創(chuàng)傷骨科護理方案對應(yīng)后續(xù)3個子階段的編號；所述護理數(shù)據(jù)分析模型基于深度卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建，并引入群體趨勢因子進行模型優(yōu)化，通過群體狀態(tài)動態(tài)調(diào)整慣性權(quán)重，提高模型計算的準(zhǔn)確率及模型的訓(xùn)練效率；

45、護理方案優(yōu)化模塊，用于根據(jù)后續(xù)3個子階段的編號，以及創(chuàng)傷骨科護理過程已經(jīng)實施的子階段，在創(chuàng)傷骨科護理方案庫中匹配創(chuàng)傷骨科護理方案，將匹配度最高的方案作為患者所需的創(chuàng)傷骨科護理方案；若匹配度最高的方案存在多個，則根據(jù)患者1類護理數(shù)據(jù)與匹配的方案對應(yīng)的標(biāo)準(zhǔn)患者數(shù)據(jù)進行相似度計算，將得分最高的方案作為患者所需的創(chuàng)傷骨科護理方案；所述匹配方法及相似度計算均通過余弦相似度進行。

46、本發(fā)明具有以下優(yōu)點：

47、本發(fā)明構(gòu)建了完整的創(chuàng)傷骨科護理方案庫，涵蓋不同創(chuàng)傷類型的全面護理方案，為后續(xù)分析提供豐富的數(shù)據(jù)基礎(chǔ)，提高了護理方案的全面性和適用性；通過護理階段分析模型，精確識別和修正患者的創(chuàng)傷種類和護理階段，確保護理方案的準(zhǔn)確性和有效性。

48、本發(fā)明通過多重閾值比較和樣本重構(gòu)機制，能靈活處理不同情況，進一步保證了分析結(jié)果的可靠性。

49、本發(fā)明通過采用深度卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建護理數(shù)據(jù)分析模型，并引入群體趨勢因子進行優(yōu)化，有效提高了模型的準(zhǔn)確率和訓(xùn)練效率；通過匹配度和相似度計算，可為患者推薦最適合的個性化護理方案，顯著提高了護理方案的針對性和有效性。