基于依从性的慢病患者筛选方法.pdf

《基于依从性的慢病患者筛选方法.pdf》由会员分享，可在线阅读，更多相关《基于依从性的慢病患者筛选方法.pdf（9页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010470682.8 (22)申请日 2020.05.28 (71)申请人 思派健康产业投资有限公司 地址 510700 广东省广州市黄埔区中新广 州知识产权腾飞一街2号619房 (72)发明人 陈明东黄越 (74)专利代理机构 北京市盛峰律师事务所 11337 代理人 于国强 (51)Int.Cl. G16H 50/70(2018.01) G16H 70/20(2018.01) (54)发明名称 一种基于依从性的慢病患者筛选方法 (57)摘要 本发明公开了一种基于依从性。

2、的慢病患者 筛选方法， 所述筛选方法包括如下步骤， S1、 根据 患者的就诊规律性和用药规律性， 建立患者的依 从性描述模型； S2、 根据患者的患病严重程度， 建 立患者的历史疾病严重性进展描述模型； S3、 将 患者的依从性描述模型和患者的历史疾病严重 性进展描述模型作为特征变量输入聚类模型进 行聚类分析， 划分出不同类型的患者群。 优点是： 创造性地采用了对患者依从性的两方面描述模 型， 依从性描述和患者疾病历史描述， 这两方面 的描述， 可以将患者的慢病历史划分为四个象 限， 医护人员能够根据划分情况筛选出不同情况 的慢病患者， 并针对不同情况的慢病患者采用相 应的治疗手段。 权利要求。

3、书2页 说明书5页 附图1页 CN 111696676 A 2020.09.22 CN 111696676 A 1.一种基于依从性的慢病患者筛选方法， 其特征在于： 所述筛选方法包括如下步骤， S1、 根据患者的就诊规律性和用药规律性， 建立患者的依从性描述模型； S2、 根据患者的患病严重程度， 建立患者的历史疾病严重性进展描述模型； S3、 将患者的依从性描述模型和患者的历史疾病严重性进展描述模型作为特征变量输 入聚类模型进行聚类分析， 划分出不同类型的患者群。 2.根据权利要求1所述的基于依从性的慢病患者筛选方法， 其特征在于： 步骤S1中， 所 述就诊规律性是指患者每次就诊的间隔时间是。

4、否一致， 每次就诊花费是否一致； 若每次就 诊间隔时间一致且每次就诊花费一致， 则表示患者就诊规律， 否则， 患者就诊不规律； 所述 用药规律性是指在每个给定的区间内， 患者用药品种是否一致， 每种用药的日均花费是否 一致； 若在给定的区间内， 患者用药品种一致且每种用药的日均花费一致， 则表示患者用药 规律， 否则， 患者用药不规律。 3.根据权利要求2所述的基于依从性的慢病患者筛选方法， 其特征在于： 步骤S1具体包 括， S11、 选取第一设定时间内的患者就诊数据， 并从患者就诊数据中选取三个维度的每月 花费； S12、 使用快速傅里叶变换算法对三个维度的每月花费进行时域序列到频域序列的。

5、转 换， 并将获取的各频域序列的系数作为特征变量； S13、 将系数占比最高的系数、 占比高的两个系数的和， 均加入特征变量中， 获取特征变 量集， 即为患者的依从性描述模型。 4.根据权利要求3所述的基于依从性的慢病患者筛选方法， 其特征在于： 所述患者就诊 数据为在第一设定时间内的患者就诊的各个项目以及各个项目的花费情况； 三个维度每月 花费分别为每月花费、 花费最高的项目类型的每月花费、 花费最高的一个或两个或三个项 目的每月花费。 5.根据权利要求4所述的基于依从性的慢病患者筛选方法， 其特征在于： 三个维度每月 花费均为时间序列， 使用快速傅里叶变换算法对每个时间序列进行时域序列到频。

6、域序列的 转换； 转换公式为， 其中， Xk为时域序列； xn为对应的频域序列； N为序列长度。 6.根据权利要求5所述的基于依从性的慢病患者筛选方法， 其特征在于： 系数占比的计 算公式为， 系数占比系数/所有系数之和。 7.根据权利要求6所述的基于依从性的慢病患者筛选方法， 其特征在于： 步骤S13之后， 计算三个频域序列系数对应的相关系数， 若相关系数超过设定阈值， 则可剔除该相关系数 对应的时域序列。 8.根据权利要求7所述的基于依从性的慢病患者筛选方法， 其特征在于： 相关系数的计 算公式如下， 权利要求书 1/2 页 2 CN 111696676 A 2 其中， X,Y为三个序列中。

7、的某两个； 当相关系数大于设定阈值， 则表示两个序列高度相 关， 则可剔除该相关系数对应的两个时域序列中的一个； 所述设定阈值为0.7； Cov(X,Y)表 示时域序列X、 Y的协方差， Var|X|、 Var|Y|分别是时域序列X、 Y的方差。 9.根据权利要求8所述的基于依从性的慢病患者筛选方法， 其特征在于： 所述步骤S2中 患者的患病严重程度用一定时间内花费的增加来表征； 具体从两个角度描述患者历史疾病 严重性进展， 分别为判断患者已有的慢性疾病在第二设定时间内是否加重， 判断患者在第 二设定时间内是否有新增慢性疾病； 并将判断结果量化后整合成矩阵， 即获得患者的历史 疾病严重性进展描。

8、述模型。 10.根据权利要求9所述的基于依从性的慢病患者筛选方法， 其特征在于： 将患者的依 从性描述模型和患者的历史疾病严重性进展描述模型作为特征变量输入聚类模型进行聚 类分析， 并对聚类后的各类特征变量进行统计， 从而获取各类的特征描述， 划分出不同类型 的患者群。 权利要求书 2/2 页 3 CN 111696676 A 3 一种基于依从性的慢病患者筛选方法 技术领域 0001 本发明涉及慢性疾病患者筛选领域， 尤其涉及一种基于依从性的慢病患者筛选方 法。 背景技术 0002 由于医疗中慢性病群体具有需要长期服药、 持续治疗的特点， 且患者的用药规律 性对病情发展至关重要， 因此， 对患。

9、者的病情处于那种情况的掌握， 对患者的下一步治疗手 段的采用治疗方向至关重要。 目前， 医保和医疗数据大量增加， 导致对慢病患者的病情处于 那种情况的掌握非常困难而且繁琐， 亟需一种更加简便的方式， 对患者群进行划分， 以便于 对患者进行后续的分析判断。 发明内容 0003 本发明的目的在于提供一种基于依从性的慢病患者筛选方法， 从而解决现有技术 中存在的前述问题。 0004 为了实现上述目的， 本发明采用的技术方案如下： 0005 一种基于依从性的慢病患者筛选方法， 所述筛选方法包括如下步骤， 0006 S1、 根据患者的就诊规律性和用药规律性， 建立患者的依从性描述模型； 0007 S2、。

10、 根据患者的患病严重程度， 建立患者的历史疾病严重性进展描述模型； 0008 S3、 将患者的依从性描述模型和患者的历史疾病严重性进展描述模型作为特征变 量输入聚类模型进行聚类分析， 划分出不同类型的患者群。 0009 优选的， 步骤S1中， 所述就诊规律性是指患者每次就诊的间隔时间是否一致， 每次 就诊花费是否一致； 若每次就诊间隔时间一致且每次就诊花费一致， 则表示患者就诊规律， 否则， 患者就诊不规律； 所述用药规律性是指在每个给定的区间内， 患者用药品种是否一 致， 每种用药的日均花费是否一致； 若在给定的区间内， 患者用药品种一致且每种用药的日 均花费一致， 则表示患者用药规律， 否。

11、则， 患者用药不规律。 0010 优选的， 步骤S1具体包括， 0011 S11、 选取第一设定时间内的患者就诊数据， 并从患者就诊数据中选取三个维度的 每月花费； 0012 S12、 使用快速傅里叶变换算法对三个维度的每月花费进行时域序列到频域序列 的转换， 并将获取的各频域序列的系数作为特征变量； 0013 S13、 将系数占比最高的系数、 占比高的两个系数的和， 均加入特征变量中， 获取特 征变量集， 即为患者的依从性描述模型。 0014 优选的， 所述患者就诊数据为在第一设定时间内的患者就诊的各个项目以及各个 项目的花费情况； 三个维度每月花费分别为每月花费、 花费最高的项目类型的每月。

12、花费、 花 费最高的一个或两个或三个项目的每月花费。 0015 优选的， 三个维度每月花费均为时间序列， 使用快速傅里叶变换算法对每个时间 说明书 1/5 页 4 CN 111696676 A 4 序列进行时域序列到频域序列的转换； 转换公式为， 0016 0017 其中， Xk为时域序列； xn为对应的频域序列； N为序列长度。 0018 优选的， 系数占比的计算公式为， 系数占比系数/所有系数之和。 0019 优选的， 步骤S13之后， 计算三个频域序列系数对应的相关系数， 若相关系数超过 设定阈值， 则可剔除该相关系数对应的时域序列。 0020 优选的， 相关系数的计算公式如下， 002。

13、1 0022 其中， X,Y为三个序列中的某两个； 当相关系数大于设定阈值， 则表示两个序列高 度相关， 则可剔除该相关系数对应的两个时域序列中的一个； 所述设定阈值为0.7； Cov(X, Y)表示时域序列X、 Y的协方差， Var|X|、 Var|Y|分别是时域序列X、 Y的方差。 0023 优选的， 所述步骤S2中患者的患病严重程度用一定时间内花费的增加来表征； 具 体从两个角度描述患者历史疾病严重性进展， 分别为判断患者已有的慢性疾病在第二设定 时间内是否加重， 判断患者在第二设定时间内是否有新增慢性疾病； 并将判断结果量化后 整合成矩阵， 即获得患者的历史疾病严重性进展描述模型。 0。

14、024 优选的， 将患者的依从性描述模型和患者的历史疾病严重性进展描述模型作为特 征变量输入聚类模型进行聚类分析， 并对聚类后的各类特征变量进行统计， 从而获取各类 的特征描述， 划分出不同类型的患者群。 0025 本发明的有益效果是： 本发明创造性地采用了对患者依从性的两方面描述模型， 其一是依从性描述， 该方面是 “因” ， 即患者疾病历史可能发生变化的原因； 另一方面是患者 疾病历史(主要是慢性病)描述， 该方面是 “果” ； 有了这两方面的描述， 一个患者的慢病历史 至少可以划分为四个象限(每个维度进行二分类， 这是至少的情形)： 1、 依从性差， 历史疾病 有加重， 该象限代表了需要。

15、重点进行管理的人群； 2、 依从性差， 历史疾病平稳， 该象限代表 了可疑人群； 3、 依从性好， 历史疾病有加重， 该象限代表的需要进一步分析以确认加重原因 的人群； 4、 依从性好， 历史疾病平稳， 该象限代表了正常治疗人群， 需要持续跟踪； 医护人员 能够根据划分情况筛选出不同情况的慢病患者， 并针对不同情况的慢病患者采用相应的治 疗手段。 附图说明 0026 图1是本发明实施例中患者筛选方法的流程图。 具体实施方式 0027 为了使本发明的目的、 技术方案及优点更加清楚明白， 以下结合附图， 对本发明进 行进一步详细说明。 应当理解， 此处所描述的具体实施方式仅仅用以解释本发明， 并不。

16、用于 限定本发明。 说明书 2/5 页 5 CN 111696676 A 5 0028 如图1所示， 本发明提供了一种基于依从性的慢病患者筛选方法， 所述筛选方法包 括如下步骤， 0029 S1、 根据患者的就诊规律性和用药规律性， 建立患者的依从性描述模型； 0030 S2、 根据患者的患病严重程度， 建立患者的历史疾病严重性进展描述模型； 0031 S3、 将患者的依从性描述模型和患者的历史疾病严重性进展描述模型作为特征变 量输入聚类模型进行聚类分析， 划分出不同类型的患者群。 0032 本实施例中， 步骤S1具体包括， 0033 S11、 选取第一设定时间内的患者就诊数据， 并从患者就诊。

17、数据中选取三个维度的 每月花费； 0034 S12、 使用快速傅里叶变换算法对三个维度的每月花费进行时域序列到频域序列 的转换， 并将获取的各频域序列的系数作为特征变量； 0035 S13、 将系数占比最高的系数、 占比高的两个系数的和， 均加入特征变量中， 获取特 征变量集， 即为患者的依从性描述模型。 0036 本实施例中， 步骤S1中， 所述就诊规律性是指患者每次就诊的间隔时间是否一致， 每次就诊花费是否一致； 若每次就诊间隔时间一致且每次就诊花费一致， 则表示患者就诊 规律， 否则， 患者就诊不规律； 所述用药规律性是指在每个给定的区间内， 患者用药品种是 否一致， 每种用药的日均花费。

18、是否一致； 若在给定的区间内， 患者用药品种一致且每种用药 的日均花费一致， 则表示患者用药规律， 否则， 患者用药不规律。 0037 本实施例中， 步骤S1具体包括， 0038 S11、 选取第一设定时间内的患者就诊数据， 并从患者就诊数据中选取三个维度的 每月花费； 0039 S12、 使用快速傅里叶变换算法对三个维度的每月花费进行时域序列到频域序列 的转换， 并将获取的各频域序列的系数作为特征变量； 0040 S13、 将系数占比最高的系数、 占比高的两个系数的和， 均加入特征变量中， 获取特 征变量集， 即为患者的依从性描述模型。 系数占比的计算公式为， 系数占比系数/所有系 数之和。。

19、 0041 本实施例中， 所述患者就诊数据为在第一设定时间内的患者就诊的各个项目以及 各个项目的花费情况； 三个维度每月花费分别为每月花费、 花费最高的项目类型的每月花 费、 花费最高的一个或两个或三个项目的每月花费。 0042 本实施例中， 三个维度每月花费均为时间序列， 使用快速傅里叶变换算法对每个 时间序列进行时域序列到频域序列的转换； 转换公式为， 0043 0044 其中， Xk为时域序列； xn为对应的频域序列； N为序列长度。 0045 本实施例中， 步骤S13之后， 计算三个频域序列系数对应的相关系数， 若相关系数 超过设定阈值， 则可剔除该相关系数对应的时域序列。 相关系数的。

20、计算公式如下， 说明书 3/5 页 6 CN 111696676 A 6 0046 0047 其中， X,Y为三个序列中的某两个； 当相关系数大于设定阈值， 则表示两个序列高 度相关， 则可剔除该相关系数对应的时域序列， 一般选择剔除CV值较小的时域序列； 所述设 定阈值为0.7； Cov(X,Y)表示时域序列X、 Y的协方差， Var|X|、 Var|Y|分别是时域序列X、 Y的 方差。 各个时域序列的CV值一般通过公式计算求得， 其中， E(X)表示 时域序列X的期望值； Var|X|表示时域序列X的方差。 0048 本实施例中， 依从性描述模型主要将依从性等价于规律性， 即就诊规律性和用。

21、药 规律性。 由于本质上来讲， 每一位患者的就诊属于一个时间序列， 因此， 采用FFT(快速傅里 叶变换)的方法将时序序列转换为频域序列， 因为变换后频域分量的单一性(即单一频率的 占比高低)可以很好的描述时间序列的周期性 (即规律性)， 所以该方法方便地将一个时间 序列的描述转化为1至2个分量的描述。 0049 具体操作时， 取1-2年数据主要选取3个维度(不同颗粒度)进行建模： 1) 每月花 费， 2)花费最高的项目类型(如西药)的每月花费， 3)花费最高的1-3 个项目的每月花费。 以 上每个维度的每月花费均为时间序列， 使用FFT(快速傅里叶变换)算法对每个时间序列进 行到频域的转换。。

22、 0050 取转换得到的每个系数(频域序列)作为特征变量， 并计算每个序列变换后的系数 占比最高的一个、 以及最高的两个系数的和加入特征变量。 如此得到每种颗粒度下的特征 变量集(FFT变换系数， 最高权重系数， top2权重系数和)， 计算三种颗粒度下各系数的相关 系数， 如果三种颗粒度下对应系数(比如每月花费的FFT1系数与最重要项目类型每月花费 的FFT1系数)相关性很高则可以抛弃相关性高的颗粒度中的一个(比如若月花费FFT与最重 要项目类型月花费FFT 相关性很高， 则可以抛弃其中一个)。 0051 本实施例中， 步骤S2中患者的患病严重程度用一定时间内花费的增加来表征； 具 体从两个。

23、角度描述患者历史疾病严重性进展， 分别为判断患者已有的慢性疾病在第二设定 时间内是否加重， 判断患者在第二设定时间内是否有新增慢性疾病； 并将判断结果量化后 整合成矩阵， 即获得患者的历史疾病严重性进展描述模型。 其中前者以已有慢性病最近一 年花费在上一年花费基础上的增长率来进行量化， 而后者以最近一年慢性病个数-上一年 慢性病个数进行量化。 模型最后以矩阵描述， 行代表患者， 列为以上两个描述角度对应的量 化值。 0052 本实施例中， 将患者的依从性描述模型和患者的历史疾病严重性进展描述模型作 为特征变量输入聚类模型进行聚类分析， 并对聚类后的各类特征变量进行统计， 从而获取 各类的特征描。

24、述， 划分出不同类型的患者群。 0053 具体操作中， 由于依从性描述模型和历史疾病严重性进展描述模型均为以患者为 维度进行汇总的矩阵， 因此将两个矩阵拼接即为输入。 聚类时可试用不同的聚类算法。 对聚 类后各类中的特征变量进行统计， 从而可以得到各类的特征描述， 以完成对人群的划分。 其 中聚类分析时可以从目前常用的聚类算法中选取， 本发明由于数据量大， 因此， 使用Kmeans 说明书 4/5 页 7 CN 111696676 A 7 聚类算法进行聚类。 聚类得到的各类的特点可以通过其类中的各特征均值进行反映。 一般 如果特征主要集中在傅里叶系数的最低两个(0和1分量)分量中， 则可以认为。

25、该类对应的患 者群依从性较好。 0054 本实施例中， k均值聚类算法(k-means clustering algorithm)是一种迭代求解 的聚类分析算法， 其步骤是， 预将数据分为K组， 则随机选取K个对象作为初始的聚类中心， 然后计算每个对象与各个种子聚类中心之间的距离， 把每个对象分配给距离它最近的聚类 中心。 聚类中心以及分配给它们的对象就代表一个聚类。 每分配一个样本， 聚类的聚类中心 会根据聚类中现有的对象被重新计算。 这个过程将不断重复直到满足某个终止条件。 终止 条件可以是没有(或最小数目)对象被重新分配给不同的聚类， 没有(或最小数目)聚类中心 再发生变化， 误差平方和。

26、局部最小。 0055 本实施例中， 通过上述方法可将患者的慢病历史至少可以划分为四个象限 (每个 维度进行二分类， 这是至少的情形)： 1、 依从性差， 历史疾病有加重， 该象限代表了需要重点 进行管理的人群； 2、 依从性差， 历史疾病平稳， 该象限代表了可疑人群； 3、 依从性好， 历史疾 病有加重， 该象限代表的需要进一步分析以确认加重原因的人群； 4、 依从性好， 历史疾病平 稳， 该象限代表了正常治疗人群， 需要持续跟踪。 医护人员能够根据划分情况筛选出不同情 况的慢病患者， 并针对不同情况的慢病患者采用相应的治疗手段。 0056 通过采用本发明公开的上述技术方案， 得到了如下有益的。

27、效果： 0057 本发明提供了一种基于依从性的慢病患者筛选方法， 本发明创造性地采用了对患 者依从性的两方面描述模型， 其一是依从性描述， 该方面是 “因” ， 即患者疾病历史可能发生 变化的原因； 另一方面是患者疾病历史(主要是慢性病) 描述， 该方面是 “果” ； 有了这两方 面的描述， 一个患者的慢病历史至少可以划分为四个象限(每个维度进行二分类， 这是至少 的情形)： 1、 依从性差， 历史疾病有加重， 该象限代表了需要重点进行管理的人群； 2、 依从性 差， 历史疾病平稳， 该象限代表了可疑人群； 3、 依从性好， 历史疾病有加重， 该象限代表的需 要进一步分析以确认加重原因的人群； 4、 依从性好， 历史疾病平稳， 该象限代表了正常治疗 人群， 需要持续跟踪； 医护人员能够根据划分情况筛选出不同情况的慢病患者， 并针对不同 情况的慢病患者采用相应的治疗手段。 0058 以上所述仅是本发明的优选实施方式， 应当指出， 对于本技术领域的普通技术人 员来说， 在不脱离本发明原理的前提下， 还可以做出若干改进和润饰， 这些改进和润饰也应 视本发明的保护范围。 说明书 5/5 页 8 CN 111696676 A 8 图1 说明书附图 1/1 页 9 CN 111696676 A 9 。