本发明涉及医疗数据处理技术领域，尤其是基于历史数据的加速康复数据处理方法、装置及介质。
背景技术：
加速康复外科(eras)采用一系列有循证医学证据的围术期处理措施，以减少手术患者的生理及心理的创伤应激，达到快速康复目的。这是21世纪医学一项新的理念和治疗康复模式。eras理念获益体现在：(1)提高治疗效果；(2)减少术后并发症；(3)加速患者康复；(4)缩短住院时间；(5)降低医疗费用；(6)减轻社会及家庭负担。在临床上，目前eras以在结直肠手术中的应用最为成功。
在一份相关技术文件(公开号为cn202010057865.7的发明专利)中，公开了一种基于定向加权关联规则模型的散发性结直肠腺瘤的危险因素筛查方法，属于数据挖掘领域。该发明先对数据进行了预处理；然后，采用随机森林的平均不纯度减少的特征选择方法进行特征提取，采利用信息增益来确定最优划分节点，得到优选特征集合；接着，将优选特征集合输入定向加权关联规则模型，生成强关联规则。最后，将强关联规则中蕴含的危险因素纳入危险因素集合，并与专家交流。该发明与现有技术相比，主要提供了定向加权关联规则模型来筛查结直肠腺瘤的危险因素，肯定了生活饮食习惯因素在结直肠腺瘤病因学中的重要意义，发现了此前研究中未被发现的高危因素，为寻找结直肠腺瘤危险因素提供了一套值得借鉴的方法。
在另一份相关技术文件(公开号为cn202010595552.7的发明专利)中，公开了一种基于openpose算法的术后康复方法，其技术方案要点是包括以下步骤：步骤1：终端通过其内置摄像头对需要居家康复的对象进行视频采集；步骤2：将视频数据经过终端进行压缩编码，便于传输；步骤3：终端将数据上传至服务器；步骤4：服务器对数据进行解码；步骤5：将数据传输至相应终端，确定算法使用在线模式或者离线模式；步骤6：根据算法模式算出最终结果显示屏幕终端；该术后康复方法能够有效的检测患者在家的康复情况并且辅助其完成康复动作,并且能够远程分析病人的运动协调性或者康复情况，且技术投入成本较低便于实现。
但是上述专利仍存在以下问题：
(1)对结直肠手术患者历史病历挖掘分析不完全，导致对患者的康复预测的结果不准确。
(2)相较于康复算法，结果存在较大的偏差，导致康复效率较低。
技术实现要素：
有鉴于此，本发明实施例提供了基于历史数据的加速康复数据处理方法、装置及介质，以提高康复预测的准确度以及提高康复效率。
本发明的第一方面提供了基于历史数据的加速康复数据处理方法，包括：
获取多个用户的历史数据集合；
根据所述历史数据集合，确定用户行为的有效关联规则；
根据所述历史数据集合和所述有效关联规则，确定目标用户执行目标行为的目标概率；
根据所述目标概率进行模型训练，得到预测模型；
其中，所述预测模型用于获取所述目标用户的康复信息。
在一些实施例中，所述获取多个用户的历史数据集合，包括：
获取多个用户历史数据集合，其中，所述历史数据集合包括目标行为；
确定所述历史数据集合中最大确诊数集合；
其中，所述最大确诊数集合包括多个元素，每个所述元素按照支持度由小到大的顺序排列，且每个所述元素包括多个历史数据，每个所述元素中的各个所述历史数据按照支持度由小到大的顺序排列。
在一些实施例中，所述确定所述历史数据集合中最大确诊数集合，包括：
确定所述历史数据集合中的第k诊断数集，所述第k诊断数集包括候选元素，每个所述候选元素均包括k个所述历史数据，且每个所述候选元素中，支持度最小的所述历史数据为首位历史数据，支持度最大的所述历史数据为末位历史数据；其中，k大于等于2；
对所述第k诊断数集进行处理，得到第k确诊数集，其中，所述第k确诊数集包括多个频繁元素，每个所述频繁元素的支持度均大于预设支持度，各个所述频繁元素按照支持度由小到大的顺序进行排序，每个所述频繁元素均包括k个所述历史数据，且每个所述频繁元素中，支持度最小的所述历史数据为首位历史数据，支持度最大的所述历史数据为末位历史数据。
在一些实施例中，所述根据所述历史数据集合，确定用户行为的有效关联规则，包括：
根据目标行为和所述最大确诊数集中的各个所述历史数据，确定多个有效关联规则；其中，所述有效关联规则用于推导所述目标行为。
在一些实施例中，所述根据所述历史数据集合和所述有效关联规则，确定目标用户执行目标行为的目标概率，包括：
在多个所述有效关联规则中确定与所述目标用户的所述历史数据集合对应的所述有效关联规则；
将对应的所述有效关联规则更新后的所述置信度作为所述目标用户执行所述目标行为的目标概率。
本发明实施例的另一方面提供了一种基于历史数据的加速康复数据处理装置，包括：
获取模块，用于获取多个用户的历史数据集合；
第一确定模块，用于根据所述历史数据集合，确定用户行为的有效关联规则；
第二确定模块，用于根据所述历史数据集合和所述有效关联规则，确定目标用户执行目标行为的目标概率；
训练模块，用于根据所述目标概率进行模型训练，得到预测模型；
其中，所述预测模型用于获取所述目标用户的康复信息。
在一些实施例中，所述获取模块包括：
获取单元，用于获取多个用户历史数据集合，其中，所述历史数据集合包括目标行为；
第一确定单元，用于确定所述历史数据集合中最大确诊数集合；
其中，所述最大确诊数集合包括多个元素，每个所述元素按照支持度由小到大的顺序排列，且每个所述元素包括多个历史数据，每个所述元素中的各个所述历史数据按照支持度由小到大的顺序排列。
在一些实施例中，所述第一确定单元包括：
第一确定子单元，用于确定所述历史数据集合中的第k诊断数集，所述第k诊断数集包括候选元素，每个所述候选元素均包括k个所述历史数据，且每个所述候选元素中，支持度最小的所述历史数据为首位历史数据，支持度最大的所述历史数据为末位历史数据；其中，k大于等于2；
处理子单元，用于对所述第k诊断数集进行处理，得到第k确诊数集，其中，所述第k确诊数集包括多个频繁元素，每个所述频繁元素的支持度均大于预设支持度，各个所述频繁元素按照支持度由小到大的顺序进行排序，每个所述频繁元素均包括k个所述历史数据，且每个所述频繁元素中，支持度最小的所述历史数据为首位历史数据，支持度最大的所述历史数据为末位历史数据。
本发明实施例的另一方面提供了一种电子装置，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明的实施例首先获取多个用户的历史数据集合；接着根据所述历史数据集合，确定用户行为的有效关联规则；然后根据所述历史数据集合和所述有效关联规则，确定目标用户执行目标行为的目标概率；最后根据所述目标概率进行模型训练，得到预测模型所述预测模型用于获取所述目标用户的康复信息。本发明实施例能够提高康复预测的准确度以及提高康复效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的步骤流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
针对现有技术存在的问题，本发明实施例提供了基于历史数据的加速康复数据处理方法，如图1所示，包括：
获取多个用户的历史数据集合；
根据所述历史数据集合，确定用户行为的有效关联规则；
根据所述历史数据集合和所述有效关联规则，确定目标用户执行目标行为的目标概率；
根据所述目标概率进行模型训练，得到预测模型；
其中，所述预测模型用于获取所述目标用户的康复信息。
在一些实施例中，所述获取多个用户的历史数据集合，包括：
获取多个用户历史数据集合，其中，所述历史数据集合包括目标行为；
确定所述历史数据集合中最大确诊数集合；
其中，所述最大确诊数集合包括多个元素，每个所述元素按照支持度由小到大的顺序排列，且每个所述元素包括多个历史数据，每个所述元素中的各个所述历史数据按照支持度由小到大的顺序排列。
在一些实施例中，所述确定所述历史数据集合中最大确诊数集合，包括：
确定所述历史数据集合中的第k诊断数集，所述第k诊断数集包括候选元素，每个所述候选元素均包括k个所述历史数据，且每个所述候选元素中，支持度最小的所述历史数据为首位历史数据，支持度最大的所述历史数据为末位历史数据；其中，k大于等于2；
对所述第k诊断数集进行处理，得到第k确诊数集，其中，所述第k确诊数集包括多个频繁元素，每个所述频繁元素的支持度均大于预设支持度，各个所述频繁元素按照支持度由小到大的顺序进行排序，每个所述频繁元素均包括k个所述历史数据，且每个所述频繁元素中，支持度最小的所述历史数据为首位历史数据，支持度最大的所述历史数据为末位历史数据。
在一些实施例中，所述根据所述历史数据集合，确定用户行为的有效关联规则，包括：
根据目标行为和所述最大确诊数集中的各个所述历史数据，确定多个有效关联规则；其中，所述有效关联规则用于推导所述目标行为。
在一些实施例中，所述根据所述历史数据集合和所述有效关联规则，确定目标用户执行目标行为的目标概率，包括：
在多个所述有效关联规则中确定与所述目标用户的所述历史数据集合对应的所述有效关联规则；
将对应的所述有效关联规则更新后的所述置信度作为所述目标用户执行所述目标行为的目标概率。
本发明实施例的另一方面提供了一种基于历史数据的加速康复数据处理装置，包括：
获取模块，用于获取多个用户的历史数据集合；
第一确定模块，用于根据所述历史数据集合，确定用户行为的有效关联规则；
第二确定模块，用于根据所述历史数据集合和所述有效关联规则，确定目标用户执行目标行为的目标概率；
训练模块，用于根据所述目标概率进行模型训练，得到预测模型；
其中，所述预测模型用于获取所述目标用户的康复信息。
在一些实施例中，所述获取模块包括：
获取单元，用于获取多个用户历史数据集合，其中，所述历史数据集合包括目标行为；
第一确定单元，用于确定所述历史数据集合中最大确诊数集合；
其中，所述最大确诊数集合包括多个元素，每个所述元素按照支持度由小到大的顺序排列，且每个所述元素包括多个历史数据，每个所述元素中的各个所述历史数据按照支持度由小到大的顺序排列。
在一些实施例中，所述第一确定单元包括：
第一确定子单元，用于确定所述历史数据集合中的第k诊断数集，所述第k诊断数集包括候选元素，每个所述候选元素均包括k个所述历史数据，且每个所述候选元素中，支持度最小的所述历史数据为首位历史数据，支持度最大的所述历史数据为末位历史数据；其中，k大于等于2；
处理子单元，用于对所述第k诊断数集进行处理，得到第k确诊数集，其中，所述第k确诊数集包括多个频繁元素，每个所述频繁元素的支持度均大于预设支持度，各个所述频繁元素按照支持度由小到大的顺序进行排序，每个所述频繁元素均包括k个所述历史数据，且每个所述频繁元素中，支持度最小的所述历史数据为首位历史数据，支持度最大的所述历史数据为末位历史数据。
本发明实施例的另一方面提供了一种电子装置，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如图1所示的方法。
本发明实施例的另一方面提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如图1所示的方法。
下面以直肠手术eras案例为例，详细说明本发明的方法的具体实施步骤：
获取结直肠手术eras案例历史数据并进行预处理，得到训练案例数据；使用训练案例数据对多层感知神经网络模型进行训练，生成初步预测模型；对初步预测模型进行n次迭代优化训练，每轮迭代训练中，依据上一轮的预测结果，增大错判样本的权重，得到优化后的预测模型，其中，n为正整数；使用优化后的预测模型对结直肠手术eras中新病例的康复值进行预测。
其中，取结直肠手术eras案例历史数据并进行预处理，得到训练案例数据，包括如下步骤：依据术后预定时间的康复数对结直肠手术eras案例进行筛选，选出康复数绝对值小于或等于康复数阈值的案例，作为训练案例。
结直肠手术eras方案优化和制作临床路径还包括以下步骤：
s1、术前医学案例告知及人体检测评估，术前评估病人手术风险及耐受性，加强宣教将有利于术后的康复；重点介绍治疗过程及手术方案,便于病人配合术后康复及早期出院计划,应让病人知道自己在此计划中所发挥的重要作用,包括术后早期进食、早期下床活动等；
s2、肠道准备和保持通畅，进行结直肠手术的病人不提倡常规肠道准备,术前肠道准备适用于需要术中结肠镜检查的病人；将固体食物和流食结合，病人将处于一个更适宜的代谢状态,减少术后高血糖及并发症的发生；
s3、麻醉方案和预防性使用抗生素，除特殊病人，不推荐常规术前麻醉用药；对于紧张型的病人在放置硬膜外导管时,给予短效的抗焦虑药可能有帮助；在结肠手术中预防性地使用抗生素对减少感染是有利的,但须注意预防用药应同时包括针对需氧菌及厌氧菌和应在切开皮肤前半小时使用。
结直肠手术eras方案优化和制作临床路径还包括以下步骤：
s1、使用腔镜；剖腹结肠切除应尽可能地使用小切口；
s2、在术中监测体温及采用必要的保温措施，如覆盖保温毯、液体及气体加温等；
s3、在胸段硬膜外镇痛时使用导尿管24h后，就应考虑拔除导尿管；而直肠经腹低位前切除时，导尿管放置时间为2d左右。
结直肠手术eras方案优化和制作临床路径还包括以下步骤：
s1、有呕吐风险的患者应预防性地使用止吐药如昂丹斯琼、地塞米松等；
s2、使用硬膜外镇痛、避免或减少使用阿片类镇痛药、避免过量液体输入、早期恢复口服进食等。
结直肠手术eras方案优化和制作临床路径还包括以下步骤：进行术后镇痛、术后营养治疗和下床康复，根据病人的年龄和康复数两项病况，对预测得到的康复值进行微调；对预测得到的康复值进行有约束的后续处理，得到最终准确的算法模型。
综上所述，本发明实施例所提供的基于历史数据分析的数字化加速康复算法，具有操作简单、运行高效，与现有技术中基于大数据分析所导致的预测结果单一且预测准确度较差以及基于综合科学的再预测方法，操作过程复杂，实用性较差。本发明首先获取多个用户的历史数据集合，其中，每个历史数据集合均包括多个历史数据，然后对所有历史数据进行处理，得到所有历史数据对应最佳算法值，所得结果更准确实用。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
1.基于历史数据的加速康复数据处理方法，其特征在于，包括：
获取多个用户的历史数据集合；
根据所述历史数据集合，确定用户行为的有效关联规则；
根据所述历史数据集合和所述有效关联规则，确定目标用户执行目标行为的目标概率；
根据所述目标概率进行模型训练，得到预测模型；
其中，所述预测模型用于获取所述目标用户的康复信息。
2.根据权利要求1所述的基于历史数据的加速康复数据处理方法，其特征在于，所述获取多个用户的历史数据集合，包括：
获取多个用户历史数据集合，其中，所述历史数据集合包括目标行为；
确定所述历史数据集合中最大确诊数集合；
其中，所述最大确诊数集合包括多个元素，每个所述元素按照支持度由小到大的顺序排列，且每个所述元素包括多个历史数据，每个所述元素中的各个所述历史数据按照支持度由小到大的顺序排列。
3.根据权利要求2所述的基于历史数据的加速康复数据处理方法，其特征在于，所述确定所述历史数据集合中最大确诊数集合，包括：
确定所述历史数据集合中的第k诊断数集，所述第k诊断数集包括候选元素，每个所述候选元素均包括k个所述历史数据，且每个所述候选元素中，支持度最小的所述历史数据为首位历史数据，支持度最大的所述历史数据为末位历史数据；其中，k大于等于2；
对所述第k诊断数集进行处理，得到第k确诊数集，其中，所述第k确诊数集包括多个频繁元素，每个所述频繁元素的支持度均大于预设支持度，各个所述频繁元素按照支持度由小到大的顺序进行排序，每个所述频繁元素均包括k个所述历史数据，且每个所述频繁元素中，支持度最小的所述历史数据为首位历史数据，支持度最大的所述历史数据为末位历史数据。
4.根据权利要求3所述的基于历史数据的加速康复数据处理方法，其特征在于，所述根据所述历史数据集合，确定用户行为的有效关联规则，包括：
根据目标行为和所述最大确诊数集中的各个所述历史数据，确定多个有效关联规则；其中，所述有效关联规则用于推导所述目标行为。
5.根据权利要求4所述的基于历史数据的加速康复数据处理方法，其特征在于，所述根据所述历史数据集合和所述有效关联规则，确定目标用户执行目标行为的目标概率，包括：
在多个所述有效关联规则中确定与所述目标用户的所述历史数据集合对应的所述有效关联规则；
将对应的所述有效关联规则更新后的所述置信度作为所述目标用户执行所述目标行为的目标概率。
6.基于历史数据的加速康复数据处理装置，其特征在于，包括：
获取模块，用于获取多个用户的历史数据集合；
第一确定模块，用于根据所述历史数据集合，确定用户行为的有效关联规则；
第二确定模块，用于根据所述历史数据集合和所述有效关联规则，确定目标用户执行目标行为的目标概率；
训练模块，用于根据所述目标概率进行模型训练，得到预测模型；
其中，所述预测模型用于获取所述目标用户的康复信息。
7.根据权利要求6所述的基于历史数据的加速康复数据处理装置，其特征在于，所述获取模块包括：
获取单元，用于获取多个用户历史数据集合，其中，所述历史数据集合包括目标行为；
第一确定单元，用于确定所述历史数据集合中最大确诊数集合；
其中，所述最大确诊数集合包括多个元素，每个所述元素按照支持度由小到大的顺序排列，且每个所述元素包括多个历史数据，每个所述元素中的各个所述历史数据按照支持度由小到大的顺序排列。
8.根据权利要求7所述的基于历史数据的加速康复数据处理装置，其特征在于，所述第一确定单元包括：
第一确定子单元，用于确定所述历史数据集合中的第k诊断数集，所述第k诊断数集包括候选元素，每个所述候选元素均包括k个所述历史数据，且每个所述候选元素中，支持度最小的所述历史数据为首位历史数据，支持度最大的所述历史数据为末位历史数据；其中，k大于等于2；
处理子单元，用于对所述第k诊断数集进行处理，得到第k确诊数集，其中，所述第k确诊数集包括多个频繁元素，每个所述频繁元素的支持度均大于预设支持度，各个所述频繁元素按照支持度由小到大的顺序进行排序，每个所述频繁元素均包括k个所述历史数据，且每个所述频繁元素中，支持度最小的所述历史数据为首位历史数据，支持度最大的所述历史数据为末位历史数据。
9.一种电子装置，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1-5中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1-5中任一项所述的方法。
技术总结