(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111617376.3 (22)申请日 2021.12.27 (65)同一申请的已公布的文献号 申请公布号 CN 114283947 A (43)申请公布日 2022.04.05 (73)专利权人 北京和兴创联健康科技有限公司 地址 100176 北京市大兴区北京经济技 术 开发区荣 华南路2号院5号楼16 01A (72)发明人 夏星球　王蕾　谢彦　任贺　 (74)专利代理 机构 深圳汉林汇融知识产权代理 事务所(普通 合伙) 44850 专利代理师 刘临利 (51)Int.Cl. G16H 50/70(2018.01) G16H 10/60(2018.01)G16H 50/50(2018.01) G16H 50/30(2018.01) G16H 70/20(2018.01) G06F 16/36(2019.01) G06N 20/00(2019.01) (56)对比文件 CN 10851 1057 A,2018.09.07 审查员 杨哲 (54)发明名称 一种适用 于手术患者的健康管理方法及系 统 (57)摘要 本发明公开了一种适用于手术患者的健康 管理方法及系统。 本发明包括如下步骤： 获取医 院历史用户数据集， 将历史用户数据集划分成训 练数集和测试数据集进行模型训练， 训练得到输 血量预测模 型； 根据当前患者输血的相关信息输 入输血量预测模 型， 将采集的健康策略集与医院 历史用户数据集相互融合获取基础策略图谱， 输 入患者个体的输血量至排序策略模型进行排序 学习， 产生T op‑N推荐策略列表 。 本发明通过 获得 的输血量推荐值在纳入了患者的术前相关指标 基础上， 补充纳入了术后相关指标目标值， 并以 患者最佳预后为目的确定术后相关指标目标值， 依据设定术后相关指标的参数值， 代入输血量预 测模型， 预测 并推荐患者的术中输血量， 供临床 医生参考。 权利要求书3页 说明书6页 附图2页 CN 114283947 B 2022.11.18 CN 114283947 B 1.一种适用于手术患者的健康管理方法， 其特 征在于， 包括如下步骤： 步骤S1： 获取医院历史用户数据集， 将历史用户数据集划分成训练集和 测试数据集； 步骤S2： 收集大量患者病历、 对应的治疗方法以及术后对应方法制作健康策略集； 步骤S3： 提取训练集中的特征参数， 根据特征的分布特性、 相关特性以及重要性从多个 特征中提取适 合表征单用户输血量的特 征参数集 来训练输血量预测模型； 步骤S4： 采用测试 数据集对训练后的输血量预测模型进行验证； 步骤S5： 根据当前患者输血的相关信息 输入输血量预测模型， 确定患者个 体的输血量； 步骤S6： 将采集的健康策略集与医院历史用户数据集相互融合获取基础策略图谱； 步骤S7： 通过深度学习的Node2Vec网络表示算法， 将基础 策略图谱中的实体嵌入到n维 空间； 步骤S8： 计算策略图谱之间的相似性， 构建训练模型作为 排序策略模型的输入； 步骤S9： 输入患者个体的输血量至排序策略模型进行排序学习， 产生Top ‑N推荐策略列 表； 步骤S10： 将生成的用户术后健康管理策略列表推送至用户移动智能终端； 所述步骤S1中， 用户数据集以预定科室的历史血液用量历史信息作为输入， 形成按时 间排列的离散值构成的曲线， 判断曲线 是否出现波动， 如果出现波动， 则使用多阶差 分进行 平稳化调整， 直到曲线稳定差分参数为零， 并根据平滑的时间序列信息建立自回归移动平 均时序模型， 并确定阶数； 所述历史血液用量历史信 息包括历史术前失血信 息、 历史术中输血信 息和历史术后血 液指标信息； 所述步骤S2中， 医院历史用户数据集获取后需要进行预处理； 所述预处理包括预处理 具体步骤如下： 步骤S11： 将医院设备 上获取的历史用户数据集进行清洗； 步骤S12： 将清洗后的数据进行语义 解析； 步骤S13： 根据语义 解析结果， 对用户病历、 治疗方案和术后应对方法数据标注标签； 步骤S14： 根据标签以及数据之间关系， 构建基础 知识图谱； 所述步骤S7中， 基础知识图谱采用 （实体， 属性， 属性值） 三元组的形式描述， 通过 Node2Vec网络表 示算法将实体嵌入到n 维空间中， 并生 成对应的向量， 得到实体向量集和属 性向量集， 并运用TransE算法对实体向量集和属性向量集进行翻译， 从而获得一个能够快 速计算实体件的语音相似性的三元组向量 集； 所述步骤S8中， 使用Node2Vec进行知识图谱网络特征学习， 将实体映射到n维空间， 在 低维向量空间中， 几何上越接近 的实体相关性越大， 利用向量的余弦相识度来计算实体 ei 和ej之间的相关性 Sim(ei,ej)； 其中，Sim(ei,ej)的计算公式为：权　利　要　求　书 1/3 页 2 CN 114283947 B 2。 2.根据权利要求1所述的一种适用于手术患 者的健康管理方法， 其特征在于， 所述步骤 S9中， 构建的训练作为排序模 型训练输入， 通过决策函数产生Top ‑N推荐列表， 并得到n维特 征对排序结果的权 重比例集 合， 用以构建反馈模型。 3.一种适用于手术患 者的健康管理系统， 采用如权利要求1所述的方法管理， 其特征在 于， 包括历史数据采集模块、 特征提取模块、 模 型训练模块、 策略图谱构建模块、 排序策略模 型生成模块、 信息反馈单 元和健康策略推荐单 元； 所述历史数据采集模块、 特征提取模块、 模型训练模块、 信 息反馈单元和健康策略推荐 单元依次连接； 所述策略图谱构建模块、 排序策略模型生成模块、 信息反馈单元和健康策略推荐单元 依次连接； 所述历史数据采集模块， 用于获取医院历史用户数据集， 并将历史用户数据集划分成 训练集和 测试数据集； 所述特征提取模块， 用于从训练数据集中获取原始特征， 将原始特征通过梯度提升决 策树GBDT算法进行训练得到对应的组合特 征； 所述模型训练模块， 用于利用训练数据集和测试数据集采用模型训练算法进行学习和 验证， 得到 至少一个特 征参数集与单用户输血量之间的映射关系作为输血量预测模型； 所述策略图谱构建模块， 用于采集的健康策略集与医院历史用户数据集相互融合构建 策略图谱； 所述排序策略模型生成模块， 由于根据患者个 体的输血量 生成对应Top ‑N推荐列表； 所述信息反馈单元， 用于向模型训练模块输入当前患者的数据信息， 并将模型训练模 块处理的结果信息反馈 至医生的智能终端； 所述健康策略推荐单元， 用于获取医生的反馈信息生成用户的术后健康管理策略， 并 推送给患者； 所述用户数据集以预定科室的历史血液用量历史信 息作为输入， 形成按时间排列的离 散值构成的曲线， 判断曲线是否出现波动， 如果出现波动， 则使用多阶差分进行平稳化调 整， 直到曲线稳定差分参数为零， 并根据平滑的时间序列信息建立自回归移动平均时序模 型， 并确定阶数； 所述历史血液用量历史信 息包括历史术前失血信 息、 历史术中输血信 息和历史术后血 液指标信息 。 4.根据权利要求3所述的一种适用于手术患 者的健康管理系统， 其特征在于， 所述模型 训练模块至少包括第一模型训练子单 元和第二模型训练子单 元： 第一模型训练子单元， 用于利用训练数据集采用模型训练算法进行学习和验证， 得到权　利　要　求　书 2/3 页 3 CN 114283947 B 3