本发明涉及质量管理与健康评估领域，尤其涉及基于大数据分析的失能等级智能评价方法。
背景技术：
1、失能人员是指由于年老、疾病、伤残等原因，导致其在生活或社交能力上的部分或完全丧失，具体体现在吃饭、穿衣、上下床、上厕所、室内走动、洗澡等日常生活活动中，必须依赖他人协助或完全依赖他人才能完成的人员。根据失能程度的不同，可以划分为轻度失能、中度失能和重度失能。
2、传统的失能等级评估均依靠评估服务人员依据评估标准，其评估原理基本均以adl的分类为基础，综合评估对象的认知、视听、交流能力。当前评估方式以人工评估为主，借助职业经验，作出判断评估人员现场评估严格遵循此标准，经过一定计算得出最终评估结论，整体主观性比较强，数据要素的参与度较低，导致失能等级评估质量参差不齐，难以获得客观公正的评估结果，对后期的监管和待遇发放带来了诸多不稳定因素。
技术实现思路
1、针对上述现有技术的缺点，本发明的目的是提供基于大数据分析的失能等级智能评价方法，以解决现有技术中的一个或多个问题。
2、为实现上述目的，本发明的技术方案如下：
3、基于大数据分析的失能等级智能评价方法，包括以下步骤：
4、数据采集，结合医疗数据并采集时间段内的所有患者数据以及部分失能患者数据；
5、因子筛选，选取疾病因子并融入患者年龄以及入院次数等特征因子；
6、数据清洗治理，利用医学数据评价原理和获取的医保结算清单数据并搭建模型；
7、数据分析，引入逻辑回归算法训练并验证模型；
8、结果分析，引入指标对模型进行性能的评估。
9、进一步的，所述疾病因子包括神经系统病变、肌肉系统损伤、骨骼系统损伤、综合因素以及功能障碍表现。
10、进一步的，所述数据清洗治理包括以下步骤：
11、结合人员编码和失能人员住院数据，匹配人员失能前疾病名称和疾病编码；
12、结合编码手册清洗疾病编码和疾病代码；
13、联合去重得出失能人员时间段内住院次数；
14、计算失能人员病症统计分布并结合医学数据评价原理得出失能因子；
15、筛选若干有效失能人员数据和非失能人员数据并标记。
16、进一步的，所述引入逻辑回归算法，包括以下步骤：
17、选择模型；
18、构造预测函数；
19、确定损失函数；
20、优化损失函数。
21、进一步的，所述预测函数是基于sigmoid函数进行非线性变换进而获得，所述sigmoid函数如下式所示：
22、
23、式中：z为训练的数据。
24、进一步的，所述预测函数如下式所示：
25、
26、式中：x为自变量，θ为方程系数。
27、进一步的，所述确定损失函数是通过对数似然函数作为优化目标，基于最大似然估计推导所得，通过结合cost函数和j函数表达所述损失函数，如下式所示：
28、
29、
30、式中：m代表样本数量，θ为方程系数，x为自变量，y为因变量。
31、进一步的，所述优化损失函数是梯度下降算法来实现，以寻找最佳的方程系数，优化算法如下式所示：
32、
33、式中：α为学习速率，m代表样本数量，θ为方程系数，x为自变量，y为因变量，代表xi的第j个特征。
34、进一步的，在所述优化算法后并结合正则化得到优化损失函数的表达式如下式所示：
35、
36、式中：m代表样本数量，n为每个样本的特征数量，θ为方程系数，x为自变量，y为因变量，λ是正则化系数，θj代表第j个特征的系数。
37、进一步的，所述结果分析通过混淆矩阵计算得到，包括准确率、精确率、召回率、f1-score、roc曲线和auc值；所述混淆矩阵的值包括真阳性、真阴性、假阳性和假阴性。
38、与现有技术相比，本发明的有益技术效果如下：
39、本发明创新性地利用现代信息技术，充分挖掘数据要素应用价值，综合分析多源数据，高效锁定失能高风险人群并对其日常生活自理能力给出科学的评价，同时可对失能人员的护理服务需求进行预测。发明突破了当前传统的失能等级评估方法，为失能等级评估的质量控制引入了另一种全新的解决方案。为传统失能等级评估结论提供了有科学依据的评价建议，包括历史病程记录和即时活动能力相印证的中间结果。解决了失能等级评估更多依赖评估机构的管理能力、专业素养、职业操守等问题，同时也解决了评估服务中权利寻租、人为干扰、伪装骗保等问题，加速激发医保数据的乘数效应的有效运用。
1.基于大数据分析的失能等级智能评价方法，其特征在于：包括以下步骤：数据采集，结合医疗数据并采集时间段内的所有患者数据以及部分失能患者数据；
2.如权利要求1所述的基于大数据分析的失能等级智能评价方法，其特征在于：所述疾病因子包括神经系统病变、肌肉系统损伤、骨骼系统损伤、综合因素以及功能障碍表现。
3.如权利要求1所述的基于大数据分析的失能等级智能评价方法，其特征在于：所述数据清洗治理包括以下步骤：
4.如权利要求1所述的基于大数据分析的失能等级智能评价方法，其特征在于：
5.如权利要求4所述的基于大数据分析的失能等级智能评价方法，其特征在于：所述预测函数是基于sigmoid函数进行非线性变换进而获得，所述sigmoid函数如下式所示：
6.如权利要求5所述的基于大数据分析的失能等级智能评价方法，其特征在于：所述预测函数如下式所示：
7.如权利要求6所述的基于大数据分析的失能等级智能评价方法，其特征在于：所述确定损失函数是通过对数似然函数作为优化目标，基于最大似然估计推导所得，通过结合cost函数和j函数表达所述损失函数，如下式所示：
8.如权利要求7所述的基于大数据分析的失能等级智能评价方法，其特征在于：所述优化损失函数是梯度下降算法来实现，以寻找最佳的方程系数，优化算法如下式所示：
9.如权利要求8所述的基于大数据分析的失能等级智能评价方法，其特征在于：在所述优化算法后并结合正则化得到优化损失函数的表达式如下式所示：
10.如权利要求1所述的基于大数据分析的失能等级智能评价方法，其特征在于：所述结果分析通过混淆矩阵计算得到，包括准确率、精确率、召回率、f1-score、roc曲线和auc值；所述混淆矩阵的值包括真阳性、真阴性、假阳性和假阴性。
