CN109686452A - 一种用于糖尿病药物干预策略制定的智能系统及方法 - Google Patents
一种用于糖尿病药物干预策略制定的智能系统及方法 Download PDFInfo
- Publication number
- CN109686452A CN109686452A CN201811533774.5A CN201811533774A CN109686452A CN 109686452 A CN109686452 A CN 109686452A CN 201811533774 A CN201811533774 A CN 201811533774A CN 109686452 A CN109686452 A CN 109686452A
- Authority
- CN
- China
- Prior art keywords
- diabetes
- strategy
- patient
- diabetes medicament
- case
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 206010012601 diabetes mellitus Diseases 0.000 title claims abstract description 279
- 239000003814 drug Substances 0.000 title claims abstract description 201
- 238000000034 method Methods 0.000 title claims description 36
- 238000004088 simulation Methods 0.000 claims abstract description 56
- 229940079593 drug Drugs 0.000 claims abstract description 47
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 239000008194 pharmaceutical composition Substances 0.000 claims abstract description 9
- 230000006978 adaptation Effects 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 18
- 239000000203 mixture Substances 0.000 claims description 17
- 239000008280 blood Substances 0.000 claims description 16
- 210000004369 blood Anatomy 0.000 claims description 16
- 238000009472 formulation Methods 0.000 claims description 14
- 230000003907 kidney function Effects 0.000 claims description 14
- 230000003908 liver function Effects 0.000 claims description 14
- 239000008103 glucose Substances 0.000 claims description 13
- 230000000291 postprandial effect Effects 0.000 claims description 13
- 238000011161 development Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 230000003914 insulin secretion Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000003745 diagnosis Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 102000017011 Glycated Hemoglobin A Human genes 0.000 claims description 9
- 108010014663 Glycated Hemoglobin A Proteins 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000002124 endocrine Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 206010018473 Glycosuria Diseases 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 210000002700 urine Anatomy 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 2
- QCVGEOXPDFCNHA-UHFFFAOYSA-N 5,5-dimethyl-2,4-dioxo-1,3-oxazolidine-3-carboxamide Chemical compound CC1(C)OC(=O)N(C(N)=O)C1=O QCVGEOXPDFCNHA-UHFFFAOYSA-N 0.000 claims 1
- 102000002322 Egg Proteins Human genes 0.000 claims 1
- 108010000912 Egg Proteins Proteins 0.000 claims 1
- 230000037396 body weight Effects 0.000 claims 1
- 235000014103 egg white Nutrition 0.000 claims 1
- 210000000969 egg white Anatomy 0.000 claims 1
- 238000013508 migration Methods 0.000 claims 1
- 230000005012 migration Effects 0.000 claims 1
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 230000001225 therapeutic effect Effects 0.000 description 7
- 238000002651 drug therapy Methods 0.000 description 5
- 208000017667 Chronic Disease Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- GXPHKUHSUJUWKP-UHFFFAOYSA-N troglitazone Chemical compound C1CC=2C(C)=C(O)C(C)=C(C)C=2OC1(C)COC(C=C1)=CC=C1CC1SC(=O)NC1=O GXPHKUHSUJUWKP-UHFFFAOYSA-N 0.000 description 3
- 229960001641 troglitazone Drugs 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000003248 secreting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Toxicology (AREA)
- Pharmacology & Pharmacy (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开的一种用于糖尿病药物干预策略制定的智能系统,其特征在于,包括模拟患者系统、智能中枢、测试单元、智能客户端;通过建立模拟患者系统,模拟临床中出现的糖尿病患者,收集临床医生针对不同模拟患者的糖尿病药物选择策略,再通过智能中枢,对相关数据进行分析、学习,从中获得智能制定糖尿病药物策略的能力;通过测试单元,收集真实临床患者的数据,输入测试单元中,得到系统输出的药物组合,与临床真实的药物组合进行比照;建立智能客户端,输入患者的相关信息后,输出相对应需使用的糖尿病药物;本发明根据患者个体化情况,予以更专业、更客观的糖尿病药物治疗方案。
Description
技术领域
本发明涉及医疗信息化的研究领域,特别涉及一种用于糖尿病药物干预策略制定的智能系统及方法。
背景技术
糖尿病是常见病、多发病,是严重威胁人类健康的世界性公共卫生问题。 30多年来,我国成人糖尿病的患病率显著增加。2010年我国疾病预防控制中心 (CDC)和中华医学会内分泌学分会调查了我国18岁及以上人群糖尿病患病情况,显示糖尿病患病率为9.7%。至2013年,我国18岁及以上人群糖尿病患病率为10.4%。更为严重的是我国约有60%的糖尿病患者未被诊断,而已接受治疗者,糖尿病的控制状况很不理想。其中一方面的原因是有部分患者缺乏更专业的药物治疗指导。这是由于糖尿病的药物种类繁多,品种及剂量的调整如无专业的长期学习,较难掌握。此外,为患者制定药物干预策略时需考虑到患者自身的情况(如基础疾病、体重、肝肾功能、血糖的控制情况等等),增加药物干预策略制定的难度。而目前内分泌专科医生的数量远远满足不了糖尿病患者药物治疗专业策略制定的需求。
对于慢性病,目前国内的医疗软件,注重偏向于慢性病的远程监测及健康咨询指导服务,并未在慢性病的治疗策略中有很大的突破。无论是远程监测的数据还是健康咨询服务的建议均需要导向临床的医护人员进行分析处理,但临床的医护人员在本职工作都超负荷运转,何来时间精力进行额外的医疗行为。因此,必须通过智能系统部分代替专业的医师的临床决策才是出路,其关键就是人工智能和数字技术的引入建立起智能诊治的中枢系统。
事实上,临床决策支持系统(Clinical Decision Support System,CDSS) 在20世界50年代就已经提出,它是为医护人员进行临床决策而设计的计算机系统,其利用一定形式的临床知识,帮助医护人员收集,分析患者数据,为医护人员提供关于诊断、预防和治疗的决策建议。随着AI的发展,为CDSS提供了新的技术支持,使其有了很大的突破。CDSS可以引入专家系统来辅助进行临床决策。一个特定领域的专家系统是利用储存在计算机内部的人类专家知识来处理以往只有专家才能解决的专业知识。专家系统模型有以下几种实现方式:基于规则的专家系统(Rule-based Reasoning,RBR)、基于神经网络的专家系统,基于模糊逻辑的专家系统和基于案例推理的专家系统(Case-based Reasoning,CBR)。其中RBR是将领域专家解决问题的经验知识和思维方式转换成一系列规则来进行推理。常用的规则表达方式为IF条件THEN结论。例如目前糖尿病的药物治疗通过行业专家的总结已经汇总为相当明晰的指南规范,糖尿病的药物使用也有明确的适用及禁忌人群,这些可以转化为专家系统规则的计算机语音来进行进一步的推理计算,可以作出指导糖尿病药物策略的制定。而CBR是通过解决新问题时回忆以前遇到过的相似问题,参考既往的解决方案来解决当前问题的系统。对于糖尿病的药物治疗,也可以通过收集临床医师解决具体的病人的药物诊疗策略建立成知识库,然后通过推理来智能为新的病人指导糖尿病的用药。RBR较之CBR,推理过程严谨,富含深层专业理论知识,能很快有明确答案,但规则知识的计算机语言的准确表达不易,系统的自我学习能力弱。而CBR则类似于医生在诊治过程中回忆自身曾遇过的相类似的病例来解决当前的问题,作出决策,而且可以通过案例修正达到自我学习的能力。因此CBR和RBR各有优势,又各有不足,可将RBR以及CBR有机结合创建以患者为中心和基于证据的人工智能临床决策支持框架。当然已经有项目是结合RBR 以及CBR进行临床决策支持系统的尝试,但多集中在疾病的诊断方面,但涉及疾病的治疗方面的研究不多。一来疾病诊断的终末判断较为明确,就是诊断是或否,推理的终点明确。其次对于疾病的治疗需要更广泛的医学专业知识,因此需要技术工程人员与医学专家的更深度专业合作。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种用于糖尿病药物干预策略制定的智能系统,将RBR以及CBR技术结合建立根据患者的个体化情况通过人工智能技术,为糖尿病患者智能制定药物治疗方案的临床决策支持系统。首先糖尿病的治疗目前指南规范相当明晰,药物的适用及禁忌人群也有非常好的指引,有RBR实现的基础。此外,目前限制智能医疗发展的其中一方面是医疗数据的获取。通过建立一个专门收集临床医师的诊治策略方案的系统进行前期的数据收集,组成专家案例知识库进一步通过CBR建立临床决策支持系统。
本发明的另一目的在于提供一种用于糖尿病药物干预策略制定方法。
本发明的目的通过以下的技术方案实现:
一种用于糖尿病药物干预策略制定的智能系统,其特征在于,包括模拟患者系统、智能中枢、测试单元、智能客户端;
所述模拟患者系统,用于生成模拟患者的数据并收集临床专科医生的糖尿病药物策略;
所述智能中枢,一方面将模拟患者系统收集的相关数据及糖尿病药物策略,转化为计算机语言表达的案例,建立专家系统案例知识库,通过CBR技术,用于智能搜索相类似的案例,辅助糖尿病药物策略的制定;另一方面根据糖尿病药物的种类、适用范围及禁忌,结合糖尿病诊治的规范指南制定糖尿病治疗药物策略制定的准则,转化为计算机语言表达的规则知识,通过RBR技术进行糖尿病药物策略的制定;以规则推理优先,如满足推理条件,则进入规则推理流程,制定初步糖尿病药物策略;如果推理条件不充分,尝试进行案例搜索,如能在专家系统案例知识库搜索到相似的案例,再将相似案例的数据复制到规则推理的事实数据集合中,再次启动规则推理,自我进行案例修正及储存,实现模拟患者系统自我学习和升级,制定最终糖尿病药物策略;
所述测试单元,用于收集糖尿病真实患者的个人化信息以及目前的糖尿病药物治疗方案;并与智能中枢制定的最终糖尿病药物策略进行比较,比对两者吻合程度,获得测试结果,以明确智能中枢系统的安全性及准确性;
所述智能客户端,用于输入糖尿病患者的个人化信息及输出最终糖尿病药物策略。
进一步地,所述模拟患者系统,包括:所述模拟患者系统,包括:模拟患者数据生成模块、糖尿病药物策略收集模块;
模拟患者数据生成模块,将不同影响药物策略制定的参数进行组合,以模拟不同糖尿病患者的情况,合成模拟患者的数据以提供给临床专科内分泌医师;
糖尿病药物策略收集模块,为移动端小程序和问卷与问卷内容识别软件;模拟患者数据生成模块合成模拟患者的数据,提供给糖尿病药物策略收集模块的移动端小程序或者做成问卷的形式,供临床专科内分泌医师根据模拟患者的具体情况进行选择,最后组成“模拟患者参数+糖尿病药物组合”的形式,形成一个案例,完成后由糖尿病药物策略收集模块转化成计算机语言的描述并储存在智能中枢的专家系统案例知识库模块的案例库中;
进一步地,所述智能中枢,包括:专家系统案例知识库模块、基于规则的专家系统模块,案例修正及重学习模块;
专家系统案例知识库模块,用于储存、学习、分析由模拟患者系统所提供的案例,通过CBR技术,智能搜索相类似的案例,辅助糖尿病药物策略的制定;
基于规则的专家系统模块,通过RBR技术,将糖尿病的药物指南及使用方法转换成转化为计算机语言表达的规则知识,经规则推理来进行糖尿病药物策略的制定;
案例修正及重学习模块,用于通过基于规则的专家系统模块所制定的规则,来修正由专家系统案例知识库模块所提供的解决方案,即修正糖尿病的药物组合;然后将已修正的解决方案重新储存在专家系统案例知识库模块中供新的目标案例搜索,达到智能中枢自我学习提高的目标;
进一步地,所述测试单元,包括:临床患者信息收集模块和策略比对模块;
临床患者信息收集模块,用来收集临床真实患者的个人医疗数据参数及糖尿病药物使用的情况;
策略比对模块,是用来比较由临床患者信息收集模块收集的糖尿病药物使用情况与由智能中枢根据该患者个人医疗数据参数制定的糖尿病药物策略的吻合情况;具体是临床患者信息收集模块收集医院的住院部及门诊收集糖尿病真实临床患者的个人化信息:糖尿病类型、糖化血红蛋白、空腹血糖、餐后血糖、胰岛素分泌功能、体重、年龄、肝功能、肾功能、并发症、既往用药史及目前的糖尿病药物治疗方案;将个人化信息输入测试单元中,测试单元同时将患者的个人医疗参数经智能中枢的分析计算得到由系统制定的糖尿病药物策略,最后通过策略比对模块将两种方法所制定糖尿病药物组合,进行比照,通过统计学的方法比对其吻合程度,以测试智能中枢系统的安全性、有效性及准确性,为进一步临床推广提供依据;
进一步地,所述智能客户端,包括:输入界面模块与输出界面模块;
输入界面模块,提供给用户输入糖尿病患者的个人化信息:糖尿病类型、糖化血红蛋白、空腹血糖、餐后血糖、胰岛素分泌功能、体重、年龄、肝功能、肾功能、并发症、既往用药史;
输出界面模块,用于反馈给用户,包括糖尿病药物,复测的指标以及复诊的时间;具体是输入界面提供给用户输入糖尿病患者的个人化信息,然后将信息提供给智能中枢,智能中枢根据糖尿病患者的个人化信息计算出该糖尿病患者使用的糖尿病药物组合,然后通过输出界面反馈给用户进行使用,包括糖尿病药物,复测的指标以及复诊的时间;用户再根据相关信息予以糖尿病患者相应的处方以及医嘱。
本发明的另一目的通过以下的技术方案实现:
一种用于糖尿病药物干预策略制定的方法,其特征在于,包括以下步骤:
S1、收集糖尿病药物策略相关数据;
S2、对收集到的数据,结合糖尿病患者的不同情况,进行处理,制定初步糖尿病药物策略;
S3、收集糖尿病真实患者的个人化信息以及目前的糖尿病药物治疗方案,结合初步糖尿病药物策略进行组合,比对两者吻合程度;
S4、输入糖尿病患者的相关信息,得到最终糖尿病药物策略。
进一步地,所述糖尿病药物策略相关数据,包括:由模拟患者系统所收集的由“模拟患者参数+糖尿病药物组合”的形式形成的不同案例,这些案例将储存在专家系统案例知识库模块中,并在模块转化成计算机语言的案例表达形式;基于规则的专家系统模块中将糖尿病的药物指南及使用方法转换成转化为计算机语言表达的规则知识;
进一步地,所述处理,包括分析、学习;
所述分析,具体为:智能中枢接受到测试单元和智能客户端所输入的患者医疗参数后,首先通过基于规则的专家系统模块,以规则推理优先,如患者的医疗参数满足推理条件,则进入规则推理流程,根据模块制定的规则知识进行正向推理,制定出糖尿病的药物策略;如果患者医疗参数的推理条件不充分,则数据传输至专家系统案例知识库模块,进行案例搜索寻找解决方案;专家系统案例知识库模块根据患者的医疗参数制定糖尿病药物策略的问题作为一个目标案例,将各个参数转化为计算机语言的描述,然后根据这种描述在已储存各种源案例的案例库中搜索,寻找与目标案例最相似的案例,则制定出糖尿病药物策略;
所述学习,具体为:在案例修正及重学习模块中,将在专家系统案例知识库模块中搜索出的与目标案例相似的源案例数据复制到规则推理的事实数据集合中,再次启动规则推理,了解糖尿病的药物策略是否符合规程,制定出经推理后的糖尿病药物策略,完成自我进行案例修正及储存,实现系统自我学习,升级;
进一步地,所述步骤S3,具体为:具体为:临床患者信息收集模块收集医院的住院部及门诊收集糖尿病真实临床患者的个人化信息:如糖尿病类型、糖化血红蛋白、空腹血糖、餐后血糖、胰岛素分泌功能、体重、年龄、肝功能、肾功能、并发症、既往用药史及目前的糖尿病药物治疗方案,将糖尿病真实临床患者的个人化信息输入测试单元中,测试单元同时将患者的个人医疗参数经智能中枢的分析计算得到由系统制定的糖尿病药物策略,最后通过策略比对模块将两种方法所制定糖尿病药物组合,进行比照,通过统计学的方法比对其吻合程度,以测试智能中枢系统的安全性、有效性及准确性,为进一步临床推广提供依据;
进一步地,所述步骤S4,具体为:具体为:输入界面提供给用户输入糖尿病患者的个人化信息,然后将糖尿病患者的个人化信息提供给智能中枢,智能中枢根据糖尿病患者的个人化信息计算出该糖尿病患者使用的糖尿病药物组合,然后通过输出界面反馈信息给用户:包括糖尿病药物,复测的指标以及复诊的时间;用户再根据相关反馈信息予以糖尿病患者相应的处方以及医嘱。
本发明与现有技术相比,具有如下优点和有益效果:
本发明根据患者的个体化情况制定相适应的糖尿病药物治疗方案,实现智能化选择糖尿病的药物治疗,协助非专科医师在接诊糖尿病患者时予以更快速、更精准、更专业的糖尿病药物治疗指导;通过模拟患者系统收集临床医师使用糖尿病药物的策略方案建立数据库,相对于既往只能从医疗机构获得相关数据,避免产生的占用患者的个人信息及隐私等问题,以及排除了临床医师对治疗策略制定时的偏倚因素,予以更专业、更客观的糖尿病药物治疗方案。结合RBR 以及CBR建立临床决策支持系统以解决更复杂的关于糖尿病药物治疗策略制定的问题。
附图说明
图1为本发明所述一种用于糖尿病药物干预策略制定的智能系统结构框图;
图2为本发明所述一种用于糖尿病药物干预策略制定方法的流程图。
图中,1模拟患者系统,1-1模拟患者数据生成模块,1-2糖尿病药物策略收集模块,2智能中枢,2-1专家系统案例知识库模块,2-2基于规则的专家系统模块,2-3案例修正及重学习模块,3测试单元,3-1临床患者信息收集模块, 3-2策略比对模块,4智能客户端,4-1输入界面模块,4-2输出界面模块。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例:
一种用于糖尿病药物干预策略制定的智能系统,如图1所示,包括模拟患者系统1、智能中枢2、测试单元3、智能客户端4;
所述模拟患者系统1,包括:模拟患者数据生成模块1-1、糖尿病药物策略收集模块1-2;用于生成模拟患者的数据并收集临床专科医生的糖尿病药物策略;
模拟患者数据生成模块1-1,将不同影响药物策略制定的参数进行组合,以模拟不同糖尿病患者的情况,合成模拟患者的数据以提供给临床专科内分泌医师;
糖尿病药物策略收集模块1-2,为移动端小程序和问卷与问卷内容识别软件;模拟患者数据生成模块1-1合成模拟患者的数据,提供给糖尿病药物策略收集模块1-2的移动端小程序或者做成问卷的形式,供临床专科内分泌医师根据模拟患者的具体情况进行选择,最后组成“模拟患者参数+糖尿病药物组合”的形式,形成一个案例,完成后由糖尿病药物策略收集模块1-2转化成计算机语言的描述并储存在智能中枢的专家系统案例知识库模块的案例库中;
所述智能中枢2,包括:专家系统案例知识库模块2-1、基于规则的专家系统模块2-2,案例修正及重学习模块2-3;
专家系统案例知识库模块2-1,用于储存、学习、分析由模拟患者系统所提供的案例,通过CBR技术,智能搜索相类似的案例,辅助糖尿病药物策略的制定;
基于规则的专家系统模块2-2,通过RBR技术,将糖尿病的药物指南及使用方法转换成转化为计算机语言表达的规则知识,经规则推理来进行糖尿病药物策略的制定;
案例修正及重学习模块2-3,用于通过基于规则的专家系统模块所制定的规则,来修正由专家系统案例知识库模块所提供的解决方案,即修正糖尿病的药物组合;然后将已修正的解决方案重新储存在专家系统案例知识库模块中供新的目标案例搜索,达到智能中枢自我学习提高的目标;
智能中枢一方面将模拟患者系统收集的相关数据及糖尿病药物策略,转化为计算机语言表达的案例,建立专家系统案例知识库,通过CBR技术,用于智能搜索相类似的案例,辅助糖尿病药物策略的制定;另一方面根据糖尿病药物的种类、适用范围及禁忌,结合糖尿病诊治的规范指南制定糖尿病治疗药物策略制定的准则,转化为计算机语言表达的规则知识,通过RBR技术进行糖尿病药物策略的制定;以规则推理优先,如满足推理条件,则进入规则推理流程,制定初步糖尿病药物策略;如果推理条件不充分,尝试进行案例搜索,如能在专家系统案例知识库搜索到相似的案例,再将相似案例的数据复制到规则推理的事实数据集合中,再次启动规则推理,自我进行案例修正及储存,实现模拟患者系统自我学习和升级,制定最终糖尿病药物策略;
所述测试单元3,包括:临床患者信息收集模块3-1和策略比对模块3-2;
临床患者信息收集模块3-1,用来收集临床真实患者的个人医疗数据参数及糖尿病药物使用的情况;
策略比对模块3-2,是用由临床患者信息收集模块收集的糖尿病药物使用情况与由智能中枢根据该患者的个人医疗数据参数制定的糖尿病药物策略的吻合情况;具体是临床患者信息收集模块收集医院的住院部及门诊收集糖尿病真实临床患者的个人化信息:糖尿病类型、糖化血红蛋白、空腹血糖、餐后血糖、胰岛素分泌功能、体重、年龄、肝功能、肾功能、并发症、既往用药史及目前的糖尿病药物治疗方案;将个人化信息输入测试单元中,测试单元同时将患者的个人医疗参数经智能中枢的分析计算得到由系统制定的糖尿病药物策略,最后通过策略比对模块将两种方法所制定糖尿病药物组合,进行比照,通过统计学的方法比对其吻合程度,以测试智能中枢系统的安全性、有效性及准确性,为进一步临床推广提供依据;
所述智能客户端4,包括:输入界面模块4-1与输出界面模块4-2;用于输入糖尿病患者的个人化信息及输出最终糖尿病药物策略;
输入界面模块4-1,提供给用户输入糖尿病患者的个人化信息:糖尿病类型、糖化血红蛋白、空腹血糖、餐后血糖、胰岛素分泌功能、体重、年龄、肝功能、肾功能、并发症、既往用药史;
输出界面模块4-2,用于反馈给用户,包括糖尿病药物,复测的指标以及复诊的时间;具体是输入界面提供给用户输入糖尿病患者的个人化信息,然后将信息提供给智能中枢2,智能中枢2根据糖尿病患者的个人化信息计算出该糖尿病患者使用的糖尿病药物组合,然后通过输出界面反馈给用户进行使用,包括糖尿病药物,复测的指标以及复诊的时间;用户再根据相关信息予以糖尿病患者相应的处方以及医嘱。
首先通过模拟患者系统1建立模拟患者,模拟患者是通过影响糖尿病药物策略制定的不同参数进行组合,以模拟不同糖尿病患者的情况,然后通过问卷及手机等移动设备中的小程序或者公众号,提供给5-8个中高级的临床内分泌专科医师分析,内分泌专科医师再通过问卷及手机等移动端提交根据该糖尿病模拟患者的糖尿病治疗方案到模拟患者系统1;至此,模拟患者系统1就收集到根据不同参数组合的模拟病人所匹配的糖尿病药物组合形成一个案例,并用计算机语音进行合适的表达存储至智能中枢2,智能中枢2是结合RBR和CBR技术,一方对糖尿病药物使用的指南指引形成规则知识用于RBR的推理,制定出糖尿病药物策略;另一方面模拟患者系统1提供的数据进行规范的表达形成目标案例,通过CBR搜索合适目标案例解决糖尿病药物策略的制定。最后还可以将解决的案例重新进行规则推理并修正、储存,达到自我学习的能力。接着通过测试单元3,在医院的住院部及门诊收集糖尿病真实临床患者的个人化信息和使用的糖尿病药物,输入测试单元3中,测试单元3通过智能中枢2得到与该临床真实患者根据系统计算所输出的药物组合,并与临床患者真实的药物组合进行比照,以测试智能系统的安全性、有效性及准确性。最后,建立智能客户端4投入使用,智能客户端4分为输入端和输出端,即输入界面模块4-1和输出界面模块4-2,可在台式电脑的程序或者移动设备的程序显示,并与智能中枢2连接。医务人员在智能界面输入端输入患者的相关信息后,经连接的智能中枢2 分析,输出端会输出相对应的糖尿病药物组合等信息,医务人员可根据输出的信息辅助予以糖尿病患者不同药物治疗方案,使到整个系统实现临床应用的价值。
其中,模拟患者系统1通过输入影响糖尿病药物策略制定的不同参数(如糖尿病类型、糖化血红蛋白、空腹血糖、餐后血糖、胰岛素分泌功能、体重、年龄、肝功能、肾功能、并发症、既往用药史),将不同参数进行组合,以模拟不同糖尿病患者的情况,以求更全面反映在临床上遇到的糖尿病患者的个体化情况。每一组参数都不同的分层,类似树状结构,到最末端(如患者A,患者B) 模拟患者就更具体化,通过这些参数的组合可以为临床专科医师的糖尿病药物策略制定提供依据。如患者A是一个2型糖尿病患者,他的糖化血红蛋白为>9%,,体重指数<24Kg/m2,肝功能正常,肾功能为1-2期,空腹血糖≤7mmol/L,餐后血糖>10mmol/L,胰岛素分泌能力负荷后受损,没有并发症,同时目前正服用促泌剂这样的一个模拟患者。然后,模拟患者的参数信息可以通过系统终端输出,输出端是通过问卷或者移动设备内置的小程序或者公众号供给临床内分泌专科医师分析(如每个模拟患者予以5-8个中高级的临床医师分析),并予以不同药物的选项给予临床医师选择。临床内分泌专科医师会根据模拟患者的具体情况予以糖尿病的药物组合,不同参数组合模拟患者有不同的糖尿病药物组合方案。模拟患者系统对这种患者个体情况与医师药物决策进行匹配的信息进行收集、组合成一个由“模拟患者参数+糖尿病药物组合”的形式形成的不同案例,并用计算机语言进行合理表达,储存于智能中枢的专家系统案例知识库模块,供智能中枢搜索。
智能中枢2用作储存、分析、学习数据,一方面将模拟患者系统收集的相关数据所组合成一个由“模拟患者参数+糖尿病药物组合”的形式形成的不同案例,并用计算机语言进行合理表达及储存,建立专家系统案例知识库,通过CBR (基于案例推理的专家系统Case-based Reasoning,CBR)技术,可用于智能搜索相类似的案例,辅助糖尿病药物策略的制定。另一方面根据糖尿病药物的种类、适用范围及禁忌,结合糖尿病诊治的规范指南制定糖尿病治疗药物策略制定的准则,转化为计算机语言表达的规则知识,通过RBR(基于规则的专家系统, Rule-based Reasoning,RBR)技术进行规则推理来进行糖尿病药物策略的制定;最后以规则推理优先,如满足推理条件,则进入规则推理流程,制定糖尿病的药物策略,如果推理条件不充分,尝试进行案例搜索,如能在专家系统案例知识库搜索到相似的案例,再将数据复制到规则推理的事实数据集合中,再次启动规则推理,了解糖尿病的药物策略是否符合规程,然后一方面输出制定的糖尿病策略,使得智能中枢形成具有智能根据糖尿病患者的不同情况予以不同药物治疗方案的能力。另一方面系统自我进行案例修正及储存,实现系统自我学习,升级的过程。
测试单元是在医院的住院部及门诊收集糖尿病真实临床患者的个人化信息:如糖尿病类型、糖化血红蛋白、空腹血糖、餐后血糖、胰岛素分泌功能、体重、年龄、肝功能、肾功能、并发症、既往用药史及目前的糖尿病药物治疗方案,将糖尿病真实临床患者的个人化信息输入测试单元中,测试单元通过智能中枢的分析计算得到与该临床真实患者糖尿病药物组合,这组合与临床患者真实的由临床专科医师所开具的药物组合进行比照,通过统计学的方法比对其吻合程度,以测试智能中枢系统的安全性、有效性及准确性,为进一步临床推广提供依据。
智能客户端是提供给用户端(非专科医务人员)进行使用的界面,包括了输入界面和输出界面。输入界面可需要用户输入糖尿病患者的相关信息(如糖尿病类型、糖化血红蛋白、空腹血糖、餐后血糖、胰岛素分泌功能、体重、年龄、肝功能、肾功能、并发症、既往用药史),输入界面将信息提供给智能中枢,中枢根据相关信息计算出该糖尿病患者使用的糖尿病药物组合,然后通过输出界面反馈给用户进行使用,包括糖尿病药物,复测的指标以及复诊的时间。用户再根据相关信息予以糖尿病患者相应的处方以及医嘱。糖尿病患者使用药物规定时间后(如一周、1个月或3个月)后再复查相关指标(糖化血红蛋白、空腹血糖、餐后血糖、胰岛素分泌功能、体重、肝功能、肾功能),在复诊时,用户再将糖尿病患者的信息输入至输入界面中,再通过智能中枢的计算下一阶段的药物方案,整个过程类似糖尿病患者门诊诊治及复诊的程序,智能辅助糖尿病患者的常规诊治流程。
一种用于糖尿病药物干预策略制定的方法,如图2所示,包括以下步骤:
S1、收集糖尿病药物策略相关数据;
S2、对收集到的数据,结合糖尿病患者的不同情况,进行处理,制定糖尿病药物策略;
S3、收集糖尿病真实患者的个人化信息以及目前的糖尿病药物治疗方案,结合初步糖尿病药物策略进行组合,比对两者吻合程度,获得测试结果,以明确智能中枢系统的安全性与准确性;
S4、输入糖尿病患者的相关信息,得到最终糖尿病药物策略。
进一步地,所述糖尿病药物策略相关数据,包括:由模拟患者系统所收集的由“模拟患者参数+糖尿病药物组合”的形式形成的不同案例,这些案例将储存在专家系统案例知识库模块中,并在模块转化成计算机语言的案例表达形式;基于规则的专家系统模块中将糖尿病的药物指南及使用方法转换成转化为计算机语言表达的规则知识;
进一步地,所述处理,包括分析、学习;
所述分析,具体为:智能中枢接受到测试单元和智能客户端所输入的患者医疗参数后,首先通过基于规则的专家系统模块,以规则推理优先,如患者的医疗参数满足推理条件,则进入规则推理流程,根据模块制定的规则知识进行正向推理,制定出糖尿病的药物策略;如果患者医疗参数的推理条件不充分,则数据传输至专家系统案例知识库模块,进行案例搜索寻找解决方案;专家系统案例知识库模块根据患者的医疗参数制定糖尿病药物策略的问题作为一个目标案例,将各个参数转化为计算机语言的描述,然后根据这种描述在已储存各种源案例的案例库中搜索,寻找与目标案例最相似的案例,则制定出糖尿病药物策略;
所述学习,具体为:在案例修正及重学习模块中,将在专家系统案例知识库模块中搜索出的与目标案例相似的源案例数据复制到规则推理的事实数据集合中,再次启动规则推理,了解糖尿病的药物策略是否符合规程,制定出经推理后的糖尿病药物策略,完成自我进行案例修正及储存,实现系统自我学习,升级;
进一步地,所述步骤S3,具体为:具体为:临床患者信息收集模块收集医院的住院部及门诊收集糖尿病真实临床患者的个人化信息:如糖尿病类型、糖化血红蛋白、空腹血糖、餐后血糖、胰岛素分泌功能、体重、年龄、肝功能、肾功能、并发症、既往用药史及目前的糖尿病药物治疗方案,将糖尿病真实临床患者的个人化信息输入测试单元中,测试单元同时将患者的个人医疗参数经智能中枢的分析计算得到由系统制定的糖尿病药物策略,最后通过策略比对模块将两种方法所制定糖尿病药物组合,进行比照,通过统计学的方法比对其吻合程度,以测试智能中枢系统的安全性、有效性及准确性,为进一步临床推广提供依据;
进一步地,所述步骤S4,具体为:具体为:输入界面提供给用户输入糖尿病患者的个人化信息,然后将糖尿病患者的个人化信息提供给智能中枢,智能中枢根据糖尿病患者的个人化信息计算出该糖尿病患者使用的糖尿病药物组合,然后通过输出界面反馈信息给用户:包括糖尿病药物,复测的指标以及复诊的时间;用户再根据相关反馈信息予以糖尿病患者相应的处方以及医嘱。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种用于糖尿病药物干预策略制定的智能系统,其特征在于,包括模拟患者系统、智能中枢、测试单元、智能客户端;
所述模拟患者系统,用于生成模拟患者的数据并收集临床专科医生的糖尿病药物策略;
所述智能中枢,一方面将模拟患者系统收集的相关数据及糖尿病药物策略,转化为计算机语言表达的案例,建立专家系统案例知识库,通过CBR技术,用于智能搜索相类似的案例,辅助糖尿病药物策略的制定;另一方面根据糖尿病药物的种类、适用范围及禁忌,结合糖尿病诊治规范指南的糖尿病治疗药物策略制定的准则,转化为计算机语言表达的规则知识,通过RBR技术进行糖尿病药物策略的制定;以规则推理优先,如满足推理条件,则进入规则推理流程,制定初步糖尿病药物策略;如果推理条件不充分,尝试进行案例搜索,如能在专家系统案例知识库搜索到相似的案例,再将相似案例的数据复制到规则推理的事实数据集合中,再次启动规则推理,自我进行案例修正及储存,实现模拟患者系统自我学习和升级,制定最终糖尿病药物策略;
所述测试单元,用于收集糖尿病真实患者的个人化信息以及目前的糖尿病药物治疗方案;并与智能中枢制定的最终糖尿病药物策略进行比较,比对两者吻合程度,获得测试结果;
所述智能客户端,用于输入糖尿病患者的个人化信息及输出最终糖尿病药物策略。
2.根据权利要求1所述的一种用于糖尿病药物干预策略制定的智能系统,其特征在于,所述模拟患者系统,包括:模拟患者数据生成模块、糖尿病药物策略收集模块;
模拟患者数据生成模块,将不同影响药物策略制定的参数进行组合,以模拟不同糖尿病患者的情况,合成模拟患者的数据以提供给临床专科内分泌医师;
糖尿病药物策略收集模块,为移动端小程序和问卷与问卷内容识别软件;模拟患者数据生成模块合成模拟患者的数据,提供给糖尿病药物策略收集模块的移动端小程序或者做成问卷的形式,供临床专科内分泌医师根据模拟患者的具体情况进行选择,最后组成“模拟患者参数+糖尿病药物组合”的形式,形成一个案例,完成后由糖尿病药物策略收集模块转化成计算机语言的描述并储存在智能中枢的专家系统案例知识库模块的案例库中。
3.根据权利要求1所述的一种用于糖尿病药物干预策略制定的智能系统,其特征在于,所述智能中枢,包括:专家系统案例知识库模块、基于规则的专家系统模块,案例修正及重学习模块;
专家系统案例知识库模块,用于储存、学习、分析由模拟患者系统所提供的案例,通过CBR技术,智能搜索相类似的案例,辅助糖尿病药物策略的制定;
基于规则的专家系统模块,通过RBR技术,将糖尿病的药物指南及使用方法转换成转化为计算机语言表达的规则知识,经规则推理来进行糖尿病药物策略的制定;
案例修正及重学习模块,用于通过基于规则的专家系统模块所制定的规则,来修正由专家系统案例知识库模块所提供的解决方案,即修正糖尿病的药物组合;然后将已修正的解决方案重新储存在专家系统案例知识库模块中供新的目标案例搜索,达到智能中枢自我学习提高的目标。
4.根据权利要求1所述的一种用于糖尿病药物干预策略制定的智能系统,其特征在于,所述测试单元,包括:临床患者信息收集模块和策略比对模块;
临床患者信息收集模块,用来收集临床真实患者的个人医疗数据参数及糖尿病药物使用的情况;
策略比对模块,是用来比较由临床患者信息收集模块收集的糖尿病药物使用情况与由智能中枢根据该患者的个人医疗数据参数制定的糖尿病药物策略的吻合情况。
5.根据权利要求1所述的一种用于糖尿病药物干预策略制定的智能系统,其特征在于,所述智能客户端,包括:输入界面模块与输出界面模块;
输入界面模块,提供给用户输入糖尿病患者的个人化信息:糖尿病类型、糖化血红蛋白、空腹血糖、餐后血糖、胰岛素分泌功能、体重、年龄、肝功能、肾功能、并发症、既往用药史;
输出界面模块,用于反馈给用户,包括糖尿病药物,复测的指标以及复诊的时间;具体是输入界面提供给用户输入糖尿病患者的个人化信息,然后将信息提供给智能中枢,智能中枢根据糖尿病患者的个人化信息计算出该糖尿病患者使用的糖尿病药物组合,然后通过输出界面反馈给用户:包括糖尿病药物,复测的指标以及复诊的时间。
6.一种用于糖尿病药物干预策略制定的方法,其特征在于,包括以下步骤:
S1、收集糖尿病药物策略相关数据;
S2、对收集到的数据,结合糖尿病患者的不同情况,进行处理,制定初步糖尿病药物策略;
S3、收集糖尿病真实患者的个人化信息以及目前的糖尿病药物治疗方案,结合初步糖尿病药物策略进行组合,比对两者吻合程度;
S4、输入糖尿病患者的相关信息,得到最终糖尿病药物策略。
7.根据权利要求6所述的一种用于糖尿病药物干预策略制定的方法,其特征在于,所述糖尿病药物策略相关数据,包括:由模拟患者系统所收集的由“模拟患者参数+糖尿病药物组合”的形式形成的不同案例,这些案例将储存在专家系统案例知识库模块中,并在模块转化成计算机语言的案例表达形式;基于规则的专家系统模块中将糖尿病的药物指南及使用方法转换成转化为计算机语言表达的规则知识。
8.根据权利要求6所述的一种用于糖尿病药物干预策略制定的方法,其特征在于,所述处理,包括分析、学习;
所述分析,具体为:智能中枢接受到测试单元和智能客户端所输入的患者医疗参数后,首先通过基于规则的专家系统模块,以规则推理优先,如患者的医疗参数满足推理条件,则进入规则推理流程,根据模块制定的规则知识进行正向推理,制定出糖尿病的药物策略;如果患者医疗参数的推理条件不充分,则数据传输至专家系统案例知识库模块,进行案例搜索寻找解决方案;专家系统案例知识库模块根据患者的医疗参数制定糖尿病药物策略的问题作为一个目标案例,将各个参数转化为计算机语言的描述,然后根据这种描述在已储存各种源案例的案例库中搜索,寻找与目标案例最相似的案例,则制定出糖尿病药物策略;
所述学习,具体为:在案例修正及重学习模块中,将在专家系统案例知识库模块中搜索出的与目标案例相似的源案例数据复制到规则推理的事实数据集合中,再次启动规则推理,了解糖尿病的药物策略是否符合规程,制定出经推理后的糖尿病药物策略,完成自我进行案例修正及储存,实现系统自我学习,升级。
9.根据权利要求6所述的一种用于糖尿病药物干预策略制定的方法,其特征在于,所述步骤S3,具体为:临床患者信息收集模块收集医院的住院部及门诊收集糖尿病真实临床患者的个人化信息:如糖尿病类型、糖化血红蛋白、空腹血糖、餐后血糖、胰岛素分泌功能、体重、年龄、肝功能、肾功能、并发症、既往用药史及目前的糖尿病药物治疗方案,将糖尿病真实临床患者的个人化信息输入测试单元中,测试单元同时将患者的个人医疗参数经智能中枢的分析计算得到由系统制定的糖尿病药物策略,最后通过策略比对模块将两种方法所制定糖尿病药物组合,进行比照,通过统计学的方法比对其吻合程度,以测试智能中枢系统的安全性、有效性及准确性,为进一步临床推广提供依据。
10.根据权利要求6所述的一种用于糖尿病药物干预策略制定的方法,其特征在于,所述步骤S4,具体为:输入界面提供给用户输入糖尿病患者的个人化信息,然后将糖尿病患者的个人化信息提供给智能中枢,智能中枢根据糖尿病患者的个人化信息计算出该糖尿病患者使用的糖尿病药物组合,然后通过输出界面反馈信息给用户:包括糖尿病药物,复测的指标以及复诊的时间;用户再根据相关反馈信息予以糖尿病患者相应的处方以及医嘱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811533774.5A CN109686452A (zh) | 2018-12-14 | 2018-12-14 | 一种用于糖尿病药物干预策略制定的智能系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811533774.5A CN109686452A (zh) | 2018-12-14 | 2018-12-14 | 一种用于糖尿病药物干预策略制定的智能系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109686452A true CN109686452A (zh) | 2019-04-26 |
Family
ID=66187845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811533774.5A Pending CN109686452A (zh) | 2018-12-14 | 2018-12-14 | 一种用于糖尿病药物干预策略制定的智能系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109686452A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110120256A (zh) * | 2019-04-29 | 2019-08-13 | 吴焰南 | 智能针灸系统 |
CN110211659A (zh) * | 2019-05-30 | 2019-09-06 | 爱多特(广东)网络技术有限公司 | 糖尿病院外远程综合干预在线智慧药房管理方法及系统 |
CN110223744A (zh) * | 2019-06-15 | 2019-09-10 | 浙江爱多特大健康科技有限公司 | 糖尿病互联网院外远程强化干预方法及系统 |
CN111180059A (zh) * | 2019-12-30 | 2020-05-19 | 中国人民解放军陆军军医大学第一附属医院 | 基于5g网络的远程医疗监护系统 |
CN111599461A (zh) * | 2020-04-08 | 2020-08-28 | 深圳市领治医学科技有限公司 | 肠道菌群干预方式作用原理分析方法、装置、设备及存储介质 |
CN115083601A (zh) * | 2022-07-25 | 2022-09-20 | 四川省医学科学院·四川省人民医院 | 一种基于机器学习的2型糖尿病辅助决策系统 |
CN116013511A (zh) * | 2023-03-24 | 2023-04-25 | 吉林大学 | 基于知识图谱的糖尿病干预智能推荐方法及系统 |
CN116020016A (zh) * | 2023-03-30 | 2023-04-28 | 南昌大学第二附属医院 | 一种注射模拟器的参数标定方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100138453A1 (en) * | 2008-02-12 | 2010-06-03 | Alferness Clifton A | System and method for generating a personalized diabetes management tool for diabetes mellitus |
CN103679611A (zh) * | 2013-12-17 | 2014-03-26 | 东莞中国科学院云计算产业技术创新与育成中心 | 基于案例推理的城市综合应急智能仿真系统及其运行方法 |
CN107292115A (zh) * | 2017-07-12 | 2017-10-24 | 冯培根 | 基于糖尿病的人工智能虚拟医生诊疗系统及方法 |
CN107361743A (zh) * | 2017-07-17 | 2017-11-21 | 广西犇云科技有限公司 | 中医智能诊断系统及方法 |
CN107633884A (zh) * | 2017-07-25 | 2018-01-26 | 吴健康 | 一种医疗案例大数据智能管理系统 |
-
2018
- 2018-12-14 CN CN201811533774.5A patent/CN109686452A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100138453A1 (en) * | 2008-02-12 | 2010-06-03 | Alferness Clifton A | System and method for generating a personalized diabetes management tool for diabetes mellitus |
CN103679611A (zh) * | 2013-12-17 | 2014-03-26 | 东莞中国科学院云计算产业技术创新与育成中心 | 基于案例推理的城市综合应急智能仿真系统及其运行方法 |
CN107292115A (zh) * | 2017-07-12 | 2017-10-24 | 冯培根 | 基于糖尿病的人工智能虚拟医生诊疗系统及方法 |
CN107361743A (zh) * | 2017-07-17 | 2017-11-21 | 广西犇云科技有限公司 | 中医智能诊断系统及方法 |
CN107633884A (zh) * | 2017-07-25 | 2018-01-26 | 吴健康 | 一种医疗案例大数据智能管理系统 |
Non-Patent Citations (2)
Title |
---|
叶枫: "基于CBR-RBR集成方法的临床决策支持系统研究", 《中国优秀博硕士学位论文全文数据库(博士)医药卫生科技辑》 * |
张钦仆等: "2型糖尿病患者药物治疗现状及药学服务干预研究", 《中西医结合心血管病电子杂志》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110120256A (zh) * | 2019-04-29 | 2019-08-13 | 吴焰南 | 智能针灸系统 |
CN110211659A (zh) * | 2019-05-30 | 2019-09-06 | 爱多特(广东)网络技术有限公司 | 糖尿病院外远程综合干预在线智慧药房管理方法及系统 |
CN110223744A (zh) * | 2019-06-15 | 2019-09-10 | 浙江爱多特大健康科技有限公司 | 糖尿病互联网院外远程强化干预方法及系统 |
CN111180059A (zh) * | 2019-12-30 | 2020-05-19 | 中国人民解放军陆军军医大学第一附属医院 | 基于5g网络的远程医疗监护系统 |
CN111180059B (zh) * | 2019-12-30 | 2023-08-22 | 中国人民解放军陆军军医大学第一附属医院 | 基于5g网络的远程医疗监护系统 |
CN111599461A (zh) * | 2020-04-08 | 2020-08-28 | 深圳市领治医学科技有限公司 | 肠道菌群干预方式作用原理分析方法、装置、设备及存储介质 |
CN111599461B (zh) * | 2020-04-08 | 2024-01-05 | 深圳市领治医学科技有限公司 | 肠道菌群干预方式作用原理分析方法、装置、设备及存储介质 |
CN115083601A (zh) * | 2022-07-25 | 2022-09-20 | 四川省医学科学院·四川省人民医院 | 一种基于机器学习的2型糖尿病辅助决策系统 |
CN116013511A (zh) * | 2023-03-24 | 2023-04-25 | 吉林大学 | 基于知识图谱的糖尿病干预智能推荐方法及系统 |
CN116013511B (zh) * | 2023-03-24 | 2023-06-20 | 吉林大学 | 基于知识图谱的糖尿病干预智能推荐方法及系统 |
CN116020016A (zh) * | 2023-03-30 | 2023-04-28 | 南昌大学第二附属医院 | 一种注射模拟器的参数标定方法及系统 |
CN116020016B (zh) * | 2023-03-30 | 2023-11-03 | 南昌大学第二附属医院 | 一种注射模拟器的参数标定方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109686452A (zh) | 一种用于糖尿病药物干预策略制定的智能系统及方法 | |
KR101347008B1 (ko) | 환자 생리학의 모델링에 기초하여 환자 맞춤형 치료를 개발하는 시스템 및 방법 | |
US6764447B2 (en) | Automated diagnostic system and method including alternative symptoms | |
US8579784B2 (en) | Personalized prognosis modeling in medical treatment planning | |
CN110880362A (zh) | 一种大规模医疗数据知识挖掘与治疗方案推荐系统 | |
Sandham et al. | Neural network and neuro-fuzzy systems for improving diabetes therapy | |
CN106919804A (zh) | 基于临床数据的药物推荐方法、推荐装置及服务器 | |
Sandham et al. | Blood glucose prediction for diabetes therapy using a recurrent artificial neural network | |
CN107066816A (zh) | 基于临床数据的就医指导方法、装置及服务器 | |
Liu et al. | Effect of mobile internet technology in health management of heart failure patients guiding cardiac rehabilitation | |
Owens et al. | Biomedical decision making: probabilistic clinical reasoning | |
Luo et al. | Neural network-based study about correlation model between TCM constitution and physical examination indexes based on 950 physical examinees | |
Haridas et al. | An Artificial Intelligence Approach for Predicting Different Types of Stroke | |
Alamaireh | A predictive neural network control approach in diabetes management by insulin administration | |
CN105975741B (zh) | 一种带有病人状态分级的医疗系统 | |
Devries et al. | Integrating management and expertise in a computerised system for hypertensive patients | |
Wagholikar et al. | Fuzzy relation based modeling for medical diagnostic decision support: Case studies | |
Byers et al. | Meta-analysis and decision analysis bridge research and practice | |
Akinyokun et al. | A neuro-fuzzy decision support system for the diagnosis of heart failure | |
CN117672451A (zh) | 面向2型糖尿病患者的用药推荐方法 | |
Kumar et al. | Heart Disease Detection Using Deep Neural with Django Framework | |
Zhai et al. | Personalized Package Recommendation System for Health Examination | |
Helmiah | DIAGNOSTIC EXPERT SYSTEM OF ARTHRITIS DISEASE WITH CERTAINTY FACTOR METHOD AT YENNY MIDWIFE CLINIC | |
CN115223699A (zh) | 一种中医临床辅助诊疗系统及其工作方法 | |
CN118016312A (zh) | 智慧疗效评价云平台 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190426 |