CN113537274A - 一种基于机器学习技术的设备异常识别方法 - Google Patents

一种基于机器学习技术的设备异常识别方法 Download PDF

Info

Publication number
CN113537274A
CN113537274A CN202110398353.1A CN202110398353A CN113537274A CN 113537274 A CN113537274 A CN 113537274A CN 202110398353 A CN202110398353 A CN 202110398353A CN 113537274 A CN113537274 A CN 113537274A
Authority
CN
China
Prior art keywords
data
model
module
machine learning
learning technology
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110398353.1A
Other languages
English (en)
Inventor
陈超
宋彪
韩泽文
冯祥
王哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inner Mongolia Weishu Data Technology Co ltd
Original Assignee
Inner Mongolia Weishu Data Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Inner Mongolia Weishu Data Technology Co ltd filed Critical Inner Mongolia Weishu Data Technology Co ltd
Priority to CN202110398353.1A priority Critical patent/CN113537274A/zh
Publication of CN113537274A publication Critical patent/CN113537274A/zh
Priority to CN202210383158.6A priority patent/CN114707608B/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

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。

Description

一种基于机器学习技术的设备异常识别方法
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，***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***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。
数据的单位量纲统一。在我们进行数据分析时需要保证每个研究项目的数据单位一致，单位不一致会导致数据分析结果有很大偏差。
离群值过滤。这里对于传统的AON质控法，是很大的一个影响因素，可能由于某一个离群值带动算法中整体评价指标的升高，进而影响最终判断效果。所以在机器学习技术应用时应该解决该类数据对结果的影响，本案列优选的采用孤立森林模型进行离群值过滤，且实际过滤异常的比例应该具体根据数据的分布情况进行合适的调整。将该影响因素降到模型可接受程度。
数据的正太标准化。本实施例中使用机器学习的技术方法构建分类模型，在模型训练学习的过程中数据越符合正太分布实际模型效果越好。
特征强化。在实际场景中设备发生异常的量可能会很小，单独观察分析数据特征不够明显机器学习技术也无法准确的进行识别，所以本发明优选的采用以N个样本作为一个新的样本进行数据的组织，以此增加一个样本的维度进而强化其特征。具体N的值如何获取最佳，可根据实际分析项目及误差大小综合模型训练情况进行调优。
优选地，本实施例模型构建模块。采用非线性模型随机森林构建模型。
在随机森林模型训练调优的过程中应主要调整树的深度、树的数量、及组织样本的个数。
优选地,本实施例异常识别模块。异常识别模块需要准备好需要进行预测的异常检验数据，该数据的准备主要基于实际场景中可能发生异常的情况。异常数据基于论文《Assessment of patient-based real-time quality control algorithm performanceon different types of analytical error》中提到的数据模拟公式进行数据模拟，该公式为：
Figure 792462DEST_PATH_IMAGE001
。数据模拟后加载数据的离群值过滤模型、标准化模型、分类器模型进行异常识别。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (5)

1.一种基于机器学习技术的设备异常识别方法，其特征是，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，各个模块分别代表的内容如下，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，数据处理模块利用获取的数据对数据进行进一步的清洗转换和加载，模型构建模块则利用处理后的数据进行随机森林分类模型的构建，异常识别模块使用构建好的模型进行异常数据的识别，本发明创造可以超越传统的AON质控法，在设备异常识别方面可以在临床推广应用。
2.根据权利要求1所述的一种基于机器学习技术的设备异常识别方法,其特征在于，所述数据获取模块为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。
3.根据权利要求1所述的一种基于机器学习技术的设备异常识别方法，其特征在于，所述的数据处理模块中数据的离群值处理方法，采用孤立森林模型进行离群值过滤，且实际过滤异常的比例应该具体根据数据的分布情况进行合适的调整。
4.根据权利要求1所述的一种基于机器学习技术的设备异常识别方法,其特征在于，所述的模型构建模块采用非线性模型随机森林构建模型，在随机森林模型训练调优的过程中应主要调整树的深度、树的数量、及组织样本的个数。
5.根据权利要求1所述的一种基于机器学习技术的设备异常识别方法,其特征在于，所述的异常识别模块需要准备好需要进行异常数据场景的模拟，以及按照规定的数据处理逻辑进行离群值处理、数据标准化，最后加载模型进行异常的识别。
CN202110398353.1A 2021-04-14 2021-04-14 一种基于机器学习技术的设备异常识别方法 Pending CN113537274A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110398353.1A CN113537274A (zh) 2021-04-14 2021-04-14 一种基于机器学习技术的设备异常识别方法
CN202210383158.6A CN114707608B (zh) 2021-04-14 2022-04-13 医疗质控数据处理方法、装置、设备、介质及程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110398353.1A CN113537274A (zh) 2021-04-14 2021-04-14 一种基于机器学习技术的设备异常识别方法

Publications (1)

Publication Number Publication Date
CN113537274A true CN113537274A (zh) 2021-10-22

Family

ID=78095299

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202110398353.1A Pending CN113537274A (zh) 2021-04-14 2021-04-14 一种基于机器学习技术的设备异常识别方法
CN202210383158.6A Active CN114707608B (zh) 2021-04-14 2022-04-13 医疗质控数据处理方法、装置、设备、介质及程序产品

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202210383158.6A Active CN114707608B (zh) 2021-04-14 2022-04-13 医疗质控数据处理方法、装置、设备、介质及程序产品

Country Status (1)

Country Link
CN (2) CN113537274A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116844684A (zh) * 2023-05-18 2023-10-03 首都医科大学附属北京朝阳医院 一种医学检验结果的质控处理方法、装置、设备及介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117275636B (zh) * 2023-09-18 2024-05-28 上海梅斯医药科技有限公司 一种通用***自动化质疑临床异常数据的方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7953613B2 (en) * 2007-01-03 2011-05-31 Gizewski Theodore M Health maintenance system
US10231704B2 (en) * 2013-12-20 2019-03-19 Raghu Raghavan Method for acquiring ultrasonic data
CN106649456A (zh) * 2016-09-23 2017-05-10 西安电子科技大学 基于多智能体进化的聚类和离群点检测方法
CN109685670A (zh) * 2018-12-13 2019-04-26 平安医疗健康管理股份有限公司 社保违规检测方法、装置、设备及计算机可读存储介质
CN109559242A (zh) * 2018-12-13 2019-04-02 平安医疗健康管理股份有限公司 异常数据的处理方法、装置、设备及计算机可读存储介质
KR102039540B1 (ko) * 2019-04-23 2019-11-01 (주)위세아이텍 빅데이터의 이상값 탐지 프로세스 자동화 장치 및 방법
US11756681B2 (en) * 2019-05-07 2023-09-12 Medtronic, Inc. Evaluation of post implantation patient status and medical device performance
CN111652135B (zh) * 2020-06-03 2023-05-23 广州视源电子科技股份有限公司 心电图数据生成方法、装置及电子设备
CN111785384A (zh) * 2020-06-29 2020-10-16 平安医疗健康管理股份有限公司 基于人工智能的异常数据识别方法及相关设备
CN112071432B (zh) * 2020-11-11 2024-07-09 上海森亿医疗科技有限公司 医疗数据的分析方法、***、介质及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116844684A (zh) * 2023-05-18 2023-10-03 首都医科大学附属北京朝阳医院 一种医学检验结果的质控处理方法、装置、设备及介质
CN116844684B (zh) * 2023-05-18 2024-04-02 首都医科大学附属北京朝阳医院 一种医学检验结果的质控处理方法、装置、设备及介质

Also Published As

Publication number Publication date
CN114707608B (zh) 2023-08-01
CN114707608A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN113537274A (zh) 一种基于机器学习技术的设备异常识别方法
CN110033860B (zh) 一种基于机器学习的遗传代谢病检出率提升方法
CN112179691B (zh) 基于对抗学习策略的机械装备运行状态异常检测***和方法
US20080114559A1 (en) Quality control system, analyzer, and quality control method
US9528937B2 (en) Clinical examination apparatus and method
CN106339569B (zh) 判断样本检验结果异常的方法及装置
CN115691722B (zh) 医疗数据检测的质控方法、装置、设备、介质及程序产品
CN117152152B (zh) 检测试剂盒的生产管理***及方法
CN110175606A (zh) 一种报告审核分析处理方法及***
CN111833009A (zh) 全实验室智能审核软件***
KR100573237B1 (ko) 임상검사 분석장치, 임상검사 분석방법 및 임상검사 분석 프로그램
CN110136412A (zh) 尿常规检测结果自动审核预警***及方法
CN116777251B (zh) 一种基于全流程的药剂制备工序监测分析***
CN110277139B (zh) 一种基于互联网的微生物限度检查***及方法
CN111310792B (zh) 一种基于决策树的药敏实验结果识别方法与***
CN115034693B (zh) 基于物联网的生物信息数据安全管理方法、***及存储介质
Peng et al. Hemolytic specimens in complete blood cell count: red cell parameters could be revised by plasma free hemoglobin
Westgard Design of internal quality control for reference value studies
Martin et al. Specimen labeling errors: a retrospective study
CN113539397A (zh) 一种仅利用患者样本的实时质量控制体系
Aziz Ali et al. Performance evaluation of delta checks for error control in a hematology laboratory.
CN112489809A (zh) 一种基于人工智能算法的检验科异常数据监控方法
JP3036667B2 (ja) 医療系検査室内データクリーン化システム
JP2009098072A (ja) 検査精度管理装置、検査精度管理方法および検査精度管理プログラム
CN201999947U (zh) 亲缘关系鉴定***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20211022