BG4346U1 - Проактивна интелигентна система за ранна диагностика на аномалии на щитовидната жлеза - Google Patents
Проактивна интелигентна система за ранна диагностика на аномалии на щитовидната жлеза Download PDFInfo
- Publication number
- BG4346U1 BG4346U1 BG5570U BG557022U BG4346U1 BG 4346 U1 BG4346 U1 BG 4346U1 BG 5570 U BG5570 U BG 5570U BG 557022 U BG557022 U BG 557022U BG 4346 U1 BG4346 U1 BG 4346U1
- Authority
- BG
- Bulgaria
- Prior art keywords
- electronic devices
- server
- module
- intelligent system
- thyroid
- Prior art date
Links
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
Настоящият полезен модел се отнася до проактивна интелигентна система за ранна диагностика и откриване на аномалии във функцията на жлезите с вътрешна секреция и по-конкретно откриване на заболяване на щитовидната жлеза. Проактивна интелигентна система за ранна диагностика на аномалии на щитовидната жлеза се състои от сървър (1) със свързани към него чрез интернет връзка електронни устройства на пациент (3.1..3.n) и електронни устройства на експерт-лекар (4.1..4.n). Сървърът (1) е с изкуствен интелект, към който са свързани още и електронни устройства на лекарски консилиум (5.1..5n) и устройство за диагностика (2). Електронните устройства на експерт-лекар (4.1..4.n) и електронните устройства на пациента (3.1..3.n) са свързани помежду си и са свързани и към устройството за диагностика (2). Сървърът (1) включва модул за оценка и преценка на резултатите (1.1), към който са свързани скоринг модул (1.2), модул за анализ на функционалните нарушения (1.3) и модул за анализ на структурни нарушения (1.4).
Description
Област на техниката
Настоящият полезен модел се отнася до проактивна интелигентна система за ранна диагностика и откриване на аномалии във функцията на жлезите с вътрешна секреция и по-конкретно откриване на заболяване на щитовидната жлеза.
Предшестващо състояние на техниката
Известен е от RU 2688804 C1 изобретение отнасящо се до метод за диагностика и хирургично лечение на различни форми на първичен хиперпаратиреоидизъм. Методът изобразява паращитовидни аденоми при първичен хиперпаратиреоидизъм, включващ ядрено-магнитен резонанс на пациента в проблемната област и анализ на резултатите от изследването. Данните се обработват в система със софтуерно приложение, а полученият резултат служи за намиране на реално местоположение на паращитовидните жлези с аденоми.
Известна е от СА 30874 А1 система и метод за идентифициране на медицинско състояние при пациент. Системата използва отдалечен терминал, където могат да се извършват тестове и сканирания, които чрез електронни устройства на пациента се изпращат до централен сървър, който получава данните и ги съхранява. След анализиране на изследванията открива аномални характеристики в тестовете и сканиранията и определя диагнозата, въз основата на оплаквания и рискови фактори в медицинската анамнеза на клиента, начина на живот или семейната медицинска история.
Известна е от BG 3760 U1 интелигентна система за персонализиран подход при профилактика, диагностика и препоръки за лечение, за самооценка на медицинското състояние, а когато има индикация и необходимост - чрез дистанционно консултиране от медицински специалист. Интелигентната система за персонализиран подход се състои от сървър със специализирано приложение, през който с двупосочна връзка са свързани с компютърни устройства на крайни клиенти и устройства на лечебните заведения.
Техническа същност на полезния модел
Задачата на полезния модел е да се създаде проактивна интелигентна система за ранна диагностика и откриване на аномалии във функцията на жлезите с вътрешна секреция и по конкретно откриване на заболяване на щитовидната жлеза, прехвърляща знания и опит на медицинските специалисти посредством метод и алгоритми базирани на изкуствен интелект, като целта е да се постигане висока степен на точност, акуратност и прецизност.
Системата се състои от сървър с обучен изкуствен интелект за он лайн верификация и валидация на постигнатите резултати, посредством обсъждане на резултатите от диагностиката и персонализирано лечение с експерт-лекар по ендокринни болести. Сървърът е с възможност за анализ на големи масиви медицински данни. Той се състои от модул за оценка и преценяване на резултатите и свързани към него скоринг модул, модул за анализ и оценка на функционалните нарушения, и модул за анализ на структурни нарушения. Към сървъра чрез интернет връзка са свързани електронни устройства на лекари-експерти по ендокринни болести, устройства за отдалечена диагностика и електронни устройства на пациентите и електронни устройства на консилиум лекари и устройствата за отдалечена диагностика. Електронните устройства на експертите-лекари по ендокринни болести са с осигурен достъп до устройствата за отдалечена диагностика и с възможност за връзка с електроните устройства на пациентите.
Проактивна система за ранна диагностика на аномалии на щитовидната жлеза представлява трансфер на знания и умения от медицински лица и специалисти чрез методи и алгоритми, базирани на изкуствен интелект. Методът е усъвършенстван чрез машинно самообучение.
Предимството е, че докторите, пациентите и лекарския консилиум могат да са на далечно разстояние и да се свързват чрез он лайн портал. Всичкото това е с цел да се реши проблема с недостига на медицински експерти на глава от населението. Също така данните от изследванията и диагностицираните случай да бъдат събрани в обща база данни, за да послужат на експертите за по-лесно и точно поставяне на диагноза.
Пояснение на приложените фигури
На фигура 1 е представена блок схема на система за ранна диагностика на аномалии на щитовидната жлеза
Примери за изпълнение на полезния модел
Създадената проактивна интелигентна система за ранна диагностика на аномалии на щитовидната жлеза включва сървър 1 с обучен изкуствен интелект за он лайн верификация и валидация на постигнатите резултати, от лекари специалисти. Като е осигурена възможност за консултация с консилиум (в рамките на България или Международен) от експерти при сложен случаи, с цел точна диагностика и персонално лечение, посредством обсъждане на резултатите от изследванията. Също така системата предоставя и персонализирано лечение на експерт-лекар по ендокринни болести. Сървърът 1 е с възможност за анализ на големи масиви медицински данни, алгоритми за машинно обучение. Като при по-сложен случай осъществява връзка с електронни устройства на лекарски консилиум 5.1..5.n за консултация и назначаване на лечение. Към сървър 1 посредством интернет връзка са свързани електронни устройства на експерт -лекар по ендокринни болести 4.1..4.П, устройство за отдалечена диагностика 2, електронни устройства на консилиум на лекари 5.1..5.П и електронни устройства на пациент 3.1.. 3.n. Устройството за отдалечена диагностика 2 е свързано с електронни устройства на експерт-лекар по ендокринни болести 4.1..4.n и с електронните устройства на пациента 3.1..3.n. Електронните устройства на експерт-лекар по ендокринни болести 4.1..4.n имат връзка с устройството за отдалечена диагностика 2 и с електронните устройства на пациента 3.1..3.П.
Сървър 1 се състои от модул за оценка и преценяване на резултатите 1.1 и свързани към него скоринг модул 1.2, модул за анализ и оценка на функционалните нарушения 1.3, и модул за анализ на структурни нарушения 1.4. Скоринг модул 1.1 показва вероятността при определени данни, обекта за диагностика пациентът да има заболяване на щитовидната жлеза. Скоринг модул 1.2 е базиран на статистически данни, на персонализирани данни, като част от заложените параметри са пол, възраст, начин на живот, съществуващи заболявания, общо физически състояние, начин на хранене, наследственост, местоживеене и оценка на риска. Модулът за анализ и оценка на функционалните нарушения на щитовидната жлеза 1.3 цели да открива аномалии на базата на данни от кръвни изследвания. Модулът за анализ на структурните нарушения 1.4 отчита нарушенията в структурата на щитовидната жлеза и цели да открива аномалии на базата на данни от образни изследвания (ехографски изследвания, компютърна томография - СТ Scan, позитронно-емисионна томография PET Scan). Модулът за оценка и преценка на резултатите 1.1 има за цел да представи резултатите в разбираем вид подходящ за интерпретация и оценка. Модулът включва обединяване на резултатите от модул 1.2,1.3 и 1.4, обработка на различните сценарии и поставяне на диагноза, обект за верификация и валидизация от ендокринолог.
Електронните устройства на пациентите (3.1..3.n) са компютри, лаптопи, таблети и смартфони.
Електронните устройства на експерт-лекар (4.1 ..4.n) са компютри, лаптопи, таблети и смартфони.
Електронните устройства на лекарския консилиум (5.1..5.n) са компютри, таблети, лаптопи и смартфони.
Принцип на действие на полезния модел
Сървърът съдържа база данни с голямо количества от изследвания и експертизи събрани през годините. Чрез он-лайн портала за верификация и валидация, пациента си въвежда медицинските резултати, изкуственият интелект дава прогноза и оценка на риска на състоянието на пациента. Резултата от алгоритъма се дава на медицинско лице (експерт-лекар) за назначаване на лечение или терапия и за потвърждаване на диагнозата от изкуствения интелект. Ако случаят е по-сложен системата изпраща данните до лекарски консилиум, за да вземат отношение за състоянието на пациента и поставяне на по точна диагноза.
Claims (1)
- Проактивна интелигентна система за ранна диагностика на аномалии на щитовидната жлеза, се състои от сървър със свързани към него чрез интернет връзка електронни устройства на пациент и електронни устройства на експерт-лекар характеризиращ се с това, че сървърът (1) е с изкуствен интелект, към който са свързани още и електронни устройства на лекарски консилиум (5.1..5n) и устройство за диагностика (2), като електронните устройства на експерт-лекар (4.1..4.n) и електронните устройства на пациента (3.1..3.n) са свързани помежду си и са свързани и към устройството за диагностика (2), а сървъра (1) включва модул за оценка и преценка на резултатите (1.1), към който са свързани скоринг модул (1.2), модул за анализ на функционалните нарушения (1.3) и модул за анализ на структурни нарушения (1.4)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| BG5570U BG4346U1 (bg) | 2022-08-11 | 2022-08-11 | Проактивна интелигентна система за ранна диагностика на аномалии на щитовидната жлеза |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| BG5570U BG4346U1 (bg) | 2022-08-11 | 2022-08-11 | Проактивна интелигентна система за ранна диагностика на аномалии на щитовидната жлеза |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| BG4346U1 true BG4346U1 (bg) | 2022-11-15 |
Family
ID=88534629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BG5570U BG4346U1 (bg) | 2022-08-11 | 2022-08-11 | Проактивна интелигентна система за ранна диагностика на аномалии на щитовидната жлеза |
Country Status (1)
| Country | Link |
|---|---|
| BG (1) | BG4346U1 (bg) |
-
2022
- 2022-08-11 BG BG5570U patent/BG4346U1/bg unknown
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10340040B2 (en) | Method and system for identifying diagnostic and therapeutic options for medical conditions using electronic health records | |
| US20180204325A1 (en) | Medical evaluation machine learning workflows and processes | |
| US7996242B2 (en) | Automatically developing neuropsychiatric treatment plans based on neuroimage data | |
| US20090030290A1 (en) | Method and apparatus for automated differentiated diagnosis of illness | |
| US20100010831A1 (en) | Automatically determining ideal treatment plans for complex neuropsychiatric conditions | |
| KR20190132290A (ko) | 환자 진단 학습 방법, 서버 및 프로그램 | |
| US12057212B2 (en) | Integrated, AI-enabled value-based care measurement and objective risk assessment clinical and financial management system | |
| US12040080B2 (en) | Deep learning system for differential diagnosis of skin diseases | |
| CN104903897A (zh) | 癫痫和癫痫发作的易发性的评定 | |
| US11114208B1 (en) | Methods and systems for predicting a diagnosis of musculoskeletal pathologies | |
| Prabhushankar et al. | Olives dataset: Ophthalmic labels for investigating visual eye semantics | |
| US8428965B2 (en) | System for clinical research and clinical management of cardiovascular risk using ambulatory blood pressure monitoring and actigraphy | |
| Hovorushchenko et al. | Selection of the artificial intelligence component for consultative and diagnostic information technology for glaucoma diagnosis | |
| Bhatti et al. | Interpreting forecasted vital signs using n-beats in sepsis patients | |
| US20190326016A1 (en) | Method of Capturing and Evaluation Uncertainty in Computerized Intelligent Systems for Medical Diagnosis | |
| BG4346U1 (bg) | Проактивна интелигентна система за ранна диагностика на аномалии на щитовидната жлеза | |
| KR20220091653A (ko) | 인공지능 기반의 분석엔진을 이용한 반려동물의 질병 종류 및 확률 분석 시스템 | |
| WO2017127459A1 (en) | Method and system for identifying diagnostic and therapeutic options for medical conditions using electronic health records | |
| Garcia-Rios et al. | Predictive machine learning applying cross industry standard process for data mining for the diagnosis of diabetes mellitus type 2 | |
| KR20220091652A (ko) | 동물병원의 emr과 연동되는 딥러닝 기반의 반려동물 심장질환 진단 시스템 | |
| Grif et al. | Data analysis of expert systems by pulse diagnosis | |
| Mizera-Pietraszko | Computer-assisted clinical diagnosis in the official European union languages | |
| Maglogiannis | Introducing intelligence in electronic healthcare systems: state of the art and future trends | |
| Busenkov et al. | Approach to displaying data to users of telemedicine systems for early detection of diseases by ECG | |
| Koltunov et al. | Research and methodological approach to diagnostic prediction for use in body area sensory networks for medical purpose |