摘要： 老年冠心病患者的出血风险高于年轻患者,并且表现出显著的上消化道出血倾向,恶性肿瘤患者的出血事件发生风险相较于其他患者明显升高。有研究明确表明,肺癌相关生物标志物和发病机制与脑出血密...

1. 出血事件发生评估方法和系统

申请人：中国人民解放军总医院

申请号：CN201910971094.X

申请日：2019.10.14

1.1 发明问题

老年冠心病患者的出血风险高于年轻患者,并且表现出显著的上消化道出血倾向,恶性肿瘤患者的出血事件发生风险相较于其他患者明显升高。有研究明确表明,肺癌相关生物标志物和发病机制与脑出血密切相关。

1.2 本发明技术方案

1.3 创新点

本发明通过把老年冠心病合并消化道恶性肿瘤患者的年龄、身高、舒张压、血红蛋白、红细胞、钠、总蛋白、血清白蛋白、无机磷、总胆红素、尿素、肿瘤标记物等指标送入bagging、logistic、adaboost模型中来评估带评估患者出血事件的发生概率，为临床工作提供参考。

1.4 本发明涉及到的工具和方法：

1.4.1 Bootstrap Aggregating:

Bagging，全称为Bootstrap Aggregating，是一种集成学习方法，用于提高机器学习模型的稳定性和精确度，特别是在分类和回归任务中。这种方法由Leo Breiman于1996年提出。

Bagging的主要步骤如下：

1. 抽样：从原始数据集中进行多次重抽样，以创建多个不同的训练数据子集。这些抽样通常是有放回的，即同一个数据点可以在同一个子集中多次出现。

2. 模型训练：对每个数据子集独立训练同一类型的模型。这些模型可以是决策树、神经网络或任何其他类型的机器学习模型。

3. 聚合：将所有模型的预测结果进行聚合。在分类任务中，通常采用投票法（即多数投票）来确定最终预测；在回归任务中，则常用平均法来计算所有模型预测的平均值作为最终结果。

Bagging的优势在于通过结合多个模型来减少过拟合的风险，提高模型的泛化能力。此外，由于模型是独立训练的，这个过程很容易并行化，从而加快训练速度。常见的基于Bagging的算法包括随机森林，它使用多个决策树的结果进行聚合，以提高预测的准确性和稳定性。

1.4.2 Logistic

Logistic回归是一种广泛使用的机器学习算法，主要用于分类问题，尤其是二分类问题。这种算法的目的是找到一个最能预测目标变量的概率的模型。

Logistic回归非常适合于许多不同类型的分类问题，如垃圾邮件检测、疾病诊断和市场预测等。尽管在特征空间非线性可分的情况下性能可能不如决策树或支持向量机等更复杂的模型，但其模型形式简单、易于理解和实现，使其成为初学者和实践者广泛使用的工具之一。此外，输出的概率形式对于需要概率决策的应用场景特别有用。

1.4.3 adaboost

AdaBoost（自适应增强）是一种集成学习算法，主要用于提升分类器的性能。这种方法由Yoav Freund和Robert Schapire在1995年提出。AdaBoost的核心思想是结合多个“弱分类器”来形成一个“强分类器”。这些弱分类器通常是简单的模型，每个模型本身的分类性能可能只略优于随机猜测，但通过适当的组合，可以显著提高整体性能。

1.5 结合创新工具的思考

人工智能=数据+算法，了解一些常用的人工智能算法，知道算法可以应用到什么场景中，再结合课程中学到的工具，进行创新。当然如果能了解算法的局限和不足将更有利于我们创新。

例如，我们可以考虑利用TRIZ第23条发明原理中介绍的反馈原理来进行创新。假设上述专利中的技术已在临床上应用，并能预测出血事件的发生概率。但是常识告诉我们，这种预测并不可能百分之百准确。那么，如何提高这项技术的预测准确性呢？当预测结果不准确时，可以把相关数据和预测结果反馈给预测算法，对于这项专利而言，这里所述的预测算法包括bagging、logistic regression和AdaBoost。然后，让这些算法重新学习和进化。通过这种方式，随着该技术在临床应用的深入，它将逐渐成熟，并能越来越准确地预测出血事件的概率。

2. 电子病历智能病案质控方法、系统、设备及存储介质

申请人：中国人民解放军总医院

申请号：CN202310120018.4

申请日：2023.02.16

2.1 发明问题

电子病历中的文书内容目前无法通过传统的电子病历系统进行校验，仅能通过手工质控检查。同时，在电子病历质控中常见问题包括病历内容前后一致性问题（如入院记录中的入院诊断和出院记录中的入院诊断不一致，首页和入院记录时间不一致等问题），需要从多维度对电子病历的内容进行质控。整个过程全部通过人工驱动和审核，主管性、时效性都较差

2.2 本发明技术方案

2.3 创新点

获取电子病历在电脑屏幕中各个界面的坐标，然后获取各个界面中录入的内容，然后将上述内容同预置的规则库进行对比，如果对比通过了，那么该病例合格；如果没有对比通过，那么该病例不合格，同时给出不合格病例所在界面及相应的质控要求。

2.4 本发明涉及到的工具和方法

2.4.1 质控电子病历插件

专利中提到利用质控电子病例插件来识别电子病例各个界面的坐标，通过浏览专利中我们发现这个质控电子病历插件是发明人自己定义的概念。具体来说是训练好的电子病例分割模型，主要功能是用来识别电子病历各个界面的坐标，有了坐标后就能得到各个界面的图像。

2.5 结合创新工具的思考

如果医院采用了该发明中介绍的电子病历智能质控方法，而该方案中涉及的各算法实现的效果都比较好，肯定可以缓解发明问题中提到的手工质控引入的繁琐问题和时效性问题，但是电子质控发现问题后仍然需要录入医师进行修改。

我们可以考虑利用TRIZ第13条发明原理中介绍的反向作用原理来进行创新。结合反向作用原理，一旦病例被判定为不合格，系统不仅能及时指出问题所在，还能自动引导用户回到含有问题的界面，并高亮显示相关字段。系统还可以根据质控规则提供具体的修正建议，并设置一个确认按钮。如果用户认为系统的修正建议是正确的，点击确认后，系统将自动修改病例中的问题部分，从而大大提高了处理效率和准确性。