(19)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 202211165509.2 (22)申请日 2022.09.23 (71)申请人 上海市疾病预防控制中心 地址 200050 上海市长 宁区中山西路1380 号 (72)发明人 付晨　夏天　夏寒　张诚　道理　 毛丹　刘星航　林维晓　 (74)专利代理 机构 上海璀汇知识产权代理事务 所(普通合伙) 31367 专利代理师 程琼胤 (51)Int.Cl. G06Q 50/26(2012.01) G06K 9/62(2022.01) G16H 10/00(2018.01) (54)发明名称 一种公共卫 生数据获取及处 理系统 (57)摘要 本发明公开了一种公共卫生数据获取及处 理系统， 包括1、 以下阶段： 数据准备阶段、 特征工 程阶段以及模 型评估与评价阶段， 所述数据准备 阶段包括以下步骤： S1， 选择以糖尿病作为项目 实例， 启动项目； S2， 选择业务信息系统及数据资 源中心获取糖尿病随访场景的业务数据； S3， 对 已获得的已明确数据可靠性的数据赋予可靠性 标签； S4， 收集可靠性标签并归类， 将可靠性数据 单独归类， 与未处理数据分离； S5， 筛选后的数据 提取部分可靠性标签； S6， 提取目标数据中的数 据类型、 数据结构以及数据形式， 并检查数据缺 失值、 异常值以及重复值； 具有可 以对数据进行 分类描述， 减少后续分析时间的好处。 权利要求书1页 说明书3页 CN 115511683 A 2022.12.23 CN 115511683 A 1.一种公共卫生数据获取及处理系统， 其特征在于， 包括以下阶段： 数据准备阶段、 特 征工程阶段以及模型评估与评价阶段， 所述数据准备阶段包括以下步骤： S1， 选择以糖尿病作为项目实例， 启动项目； S2， 选择业 务信息系统及数据资源中心获取糖尿病随访场景的业 务数据； S3， 对已获得的已明确数据可靠性的数据赋予可靠性标签； S4， 收集可靠性标签并归类， 将可靠性数据单独归类， 与未处 理数据分离； S5， 筛选后的数据提取部分可靠性标签； S6， 提取目标数据中的数据类型、 数据结构以及数据形式， 并检查数据缺失值、 异常值 以及重复值； S7， 提取部分重点特征， 计算统计值， 包括最大值、 最小值、 平均值、 标准差， 通过散点 图、 条形图、 折线图这些 可视化图展示； S8,观察及了解可视化图的分布情况， 判断取值是否符合某一分布规律以及是否有集 中或离中趋势； S9， 统计各个标签 类别的数据量， 检查各 标签类别中的数据量是否失衡。权　利　要　求　书 1/1 页 2 CN 115511683 A 2一种公共卫生数据获取及 处理系统 技术领域 [0001]本发明涉及数据分析处理技术领域， 尤其涉及一种公共卫生数据获取及处理系 统。 背景技术 [0002]随着信息技术的发展和大数据时代的到来， 越来越多的科学研究开始青睐使用已 有的数据开展研究， 同时， 横跨多学科、 多领域的融合研究逐渐增多， 需要在研究中使用多 个学科领域和来源的数据， 在研究开展 前， 应对拟纳入研究的数据可靠性进行评估， 并根据 评估结果采取相应措施， 以提高研究结果的真实性与准确性， 数据可靠性是指数据完整、 一 致、 准确、 值得信赖和可靠的程度， 以及这些特性在数据全生命周期内被维护的程度， 数据 的可靠性会因为数据中存在偏差而降低， 常见 的数据偏差主要包括选择偏差、 信息偏差和 混杂偏差等， 甚至还包括对数据的编造和篡改等情况， 如果在科学研究中使用了可靠性较 低的数据， 则研究结果将偏离真实情况， 使得研究成果的价值大大降低， 在大数据时代， 数 据可靠性评估是非常重要的， 其关乎研究 的成败和成果的价值， 在开展 科学研究前， 采用科 学的方法对拟纳入研究的数据可靠性进行准确的评估， 是大数据时代科学研究的必要步 骤。 [0003]现有技术中的公共卫生领域内， 数据可靠性评估方法主要分为基于规则的评估方 法、 基于内容的评估方法和基于统计的评估方法三类： [0004]基于规则的评估方法主要通过设置规则库， 并利用规则库中的规则对数据进行校 验， 通过校验结果评估数据的可靠性， 基于规则的评估方法虽然 可以对全量数据进 行评估， 可以发现一些信息偏差造成的数据可靠性问题， 但是评估的深度较浅， 对符合检验规则的 数据编造、 篡改也无能为力， 此外， 规则库的制定需要对数据所在的业务领域相当熟悉， 使 这种方法在评估跨行业数据的可靠性时存在较高的实施门槛。 [0005]基于内容的评估方法主要通过其它来源数据， 对待评估的数据内容进行交叉验 证， 从而对数据的可靠性进行评估， 常用的其它来源数据包括电话/上门回访收集的数据、 查阅原始病史获得的数据等。 基于内容的评估方法可以提供深层次的评估， 对于信息偏差 具有更好的评估效果， 也可一定程度上提供选择偏差和混杂偏差的线索， 但是获取其它来 源的数据通常需要耗费大量的时间、 精力和经济成本， 有时还可能存在其他来源数据不可 及的情况， 使得这种方法很难对全量数据进行可靠性评估， 一般需要与抽样的方法结合使 用， 评估得 出的数据可靠性可能存在偏差 。 [0006]基于统计的评估方法主要通过对待评估数据整体统计结果和 分布情况的计算与 分析来整体评估数据的可靠性。 例如血压值的末位数字是否符合 随机分布、 数据中男女人 数比例是否与全人群的男女人数比例存在显著偏差等。 基于统计的评估方法对选择偏差与 信息偏差有着良好的评估效果， 也可对全量数据进行评估， 但这种 方法对于待评估数据的 数据量有着一定的要求， 同时也只能得出整体数据的可靠性评估结果， 无法针对每条数据 形成独立的评估结果。说　明　书 1/3 页 3 CN 115511683 A 3