CN110289095A - 一种股骨颈骨折临床智能辅助决策方法及系统 - Google Patents
一种股骨颈骨折临床智能辅助决策方法及系统 Download PDFInfo
- Publication number
- CN110289095A CN110289095A CN201910572442.6A CN201910572442A CN110289095A CN 110289095 A CN110289095 A CN 110289095A CN 201910572442 A CN201910572442 A CN 201910572442A CN 110289095 A CN110289095 A CN 110289095A
- Authority
- CN
- China
- Prior art keywords
- decision
- algorithm
- decision model
- data
- patient
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 208000020089 femoral neck fracture Diseases 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 146
- 238000012549 training Methods 0.000 claims abstract description 80
- 238000013480 data collection Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 27
- 201000010099 disease Diseases 0.000 claims description 26
- 208000010392 Bone Fractures Diseases 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 12
- 239000003814 drug Substances 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 10
- 206010002091 Anaesthesia Diseases 0.000 claims description 9
- 230000037005 anaesthesia Effects 0.000 claims description 9
- 230000003907 kidney function Effects 0.000 claims description 8
- 210000004185 liver Anatomy 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 206010020100 Hip fracture Diseases 0.000 claims description 6
- 206010072651 Postoperative respiratory failure Diseases 0.000 claims description 6
- 230000000747 cardiac effect Effects 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 229940079593 drug Drugs 0.000 claims description 6
- 230000007368 endocrine function Effects 0.000 claims description 6
- 230000003037 histogenic effect Effects 0.000 claims description 6
- 230000036039 immunity Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 5
- 208000019622 heart disease Diseases 0.000 claims description 5
- 230000004217 heart function Effects 0.000 claims description 5
- 230000036737 immune function Effects 0.000 claims description 5
- 230000003908 liver function Effects 0.000 claims description 5
- 230000004199 lung function Effects 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 206010012218 Delirium Diseases 0.000 claims description 3
- 208000012902 Nervous system disease Diseases 0.000 claims description 3
- 230000003925 brain function Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000015271 coagulation Effects 0.000 claims description 3
- 238000005345 coagulation Methods 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 208000010643 digestive system disease Diseases 0.000 claims description 3
- 210000000750 endocrine system Anatomy 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000007661 gastrointestinal function Effects 0.000 claims description 3
- 210000001035 gastrointestinal tract Anatomy 0.000 claims description 3
- 210000003734 kidney Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002980 postoperative effect Effects 0.000 claims description 3
- 210000002345 respiratory system Anatomy 0.000 claims description 3
- 210000000689 upper leg Anatomy 0.000 claims description 3
- 208000030172 endocrine system disease Diseases 0.000 claims description 2
- 206010017076 Fracture Diseases 0.000 description 16
- 238000003745 diagnosis Methods 0.000 description 13
- 238000007726 management method Methods 0.000 description 9
- 210000004394 hip joint Anatomy 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 208000019423 liver disease Diseases 0.000 description 5
- 230000001225 therapeutic effect Effects 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 210000002436 femur neck Anatomy 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 102000009027 Albumins Human genes 0.000 description 3
- 108010088751 Albumins Proteins 0.000 description 3
- 238000012274 Preoperative evaluation Methods 0.000 description 3
- 230000000391 smoking effect Effects 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 241000208125 Nicotiana Species 0.000 description 2
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 2
- 206010034246 Pelvic fractures Diseases 0.000 description 2
- 102100027378 Prothrombin Human genes 0.000 description 2
- 108010094028 Prothrombin Proteins 0.000 description 2
- 210000000588 acetabulum Anatomy 0.000 description 2
- 206010001053 acute respiratory failure Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000011540 hip replacement Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 208000017169 kidney disease Diseases 0.000 description 2
- 210000000265 leukocyte Anatomy 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 229940039716 prothrombin Drugs 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 201000004193 respiratory failure Diseases 0.000 description 2
- 208000023504 respiratory system disease Diseases 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 101100379079 Emericella variicolor andA gene Proteins 0.000 description 1
- 206010016454 Femur fracture Diseases 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 230000023555 blood coagulation Effects 0.000 description 1
- 238000004820 blood count Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 210000001696 pelvic girdle Anatomy 0.000 description 1
- 230000005586 smoking cessation Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种股骨颈骨折临床智能辅助决策方法及系统，所述方法的步骤为：建立指标数据集词典；根据指数数据集词典，运用真实EMR电子病例文档数据进行中文分词、逻辑处理，使EMR电子病例文档数据结构化转化为计算机识别的规范化数据；建立规则决策模型；建立算法决策模型；训练算法决策模型；采集待评估患者的术前信息，将术前信息传输至规则决策模型和算法决策模型，通过规则决策模型和算法决策模型对患者的术前指标进行评估，决策是否手术治疗。本发明通过规则决策模型和算法决策模型对待评估患者的术前信息进行评估，决策是否手术治疗，用于进行股骨颈骨折临床治疗辅助决策，为医生提供参考依据，提高准确性和工作效率。
Description
技术领域
本发明属于临床医学技术领域，具体地说，涉及一种股骨颈骨折临床智能辅助决策方法及系统。
背景技术
股骨颈骨折是医院外科常见的创伤疾病，多发于老年人群。由于老年患者多共存其他慢性疾病，因此，针对各种身体状态的股骨颈骨折的患者人群采用合理的治疗决策，对于患者的愈后生活状态和生命延长有重要的影响。目前主要的决策方法是人工方法，医生和其他医务人员大多依据临床经验和治疗相关的指南。由于医生的医疗技能水平不一，对股骨颈骨折患者的治疗决策不能完全达到治疗相关指南的要求，无法形成科学评判机制，决策准确性及工作效率低。
临床决策辅助系统(Clinical Decision Support System，简称CDSS)，是一种基于人机交互的医疗信息技术应用系统，旨在通过数据挖掘、模型建立等方法来为医生和其他医务工作者提供辅助性临床决策支持。传统的CDSS系统将专业知识和临床经验经过整理后存储到知识库当中，利用逻辑推理和模式匹配的方式帮助用户进行包括诊断、治疗方式推荐、用药建议等功能。目前国内外没有针对股骨颈骨折的治疗决策相关的辅助方法和系统。
公开号为CN 107887036 A的中国专利申请公开了一种临床决策辅助系统的构建方法、装置及临床决策辅助系统，该临床决策辅助系统的构建方法包括：获取临床参考信息，临床参考信息包括病例资料和/或医学文献；从临床参考信息中抽取实体信息，其中，实体信息的种类信息包括疾病名称、症状表现、治疗手段；通过至少两种实体信息构建数据结构对，以便基于数据结构对构建临床决策辅助系统。该发明申请缓解了传统临床决策辅助系统在应用当中存在使用不便的技术问题。
公开号为CN 109859842 A的中国发明专利申请公开了一种髋关节周围骨折临床智能决策支持系统，包括信息录入模块、诊断模块、决策模块、病例数据库；所述初步诊断模块中包括髋关节周围骨折分型模块，所述髋关节周围骨折分型模块依据所述信息录入模块中的检查结果，同时结合临床髋关节周围骨折分型标准对髋关节周围骨折进行分型；所述髋关节周围骨折分型模块对骨盆骨折、髋臼骨折、髋关节中心脱位进行分型；所述骨盆骨折依据损伤暴力-Young和Burgess、和/或依据骨盆环的稳定性-Tile、和/或骶骨骨折Dennis的分型标准进行分型；所述髋臼骨折依据Letournel-Judet的分型标准进行分型。该发明申请可使患者及患者家属能够实时掌握和跟踪患者的病情及诊疗方案。
由于不同病症表现的症状不同，其决策标准也不同，上述方法和/或系统并不适用于股骨颈骨折的临床智能辅助决策。因此，迫切需要建立一种股骨颈骨折临床智能辅助决策方法及系统，用于辅助股骨颈骨骨折治疗决策，提高决策准确性及工作效率，进而提高治疗效率和效果。
发明内容
本发明针对股骨颈骨折临床治疗过程中存在的决策准确性及工作效率低等的问题，提供一种股骨颈骨折临床智能辅助决策方法及系统，用于进行股骨颈骨折临床治疗辅助决策，为医生提供参考依据，提高准确性和工作效率。
为了达到上述目的，本发明提供了一种股骨颈骨折临床智能辅助决策方法，含有以下步骤：
S1、建立指标数据集词典
根据医院专家提供的指标数据集及股骨颈骨折相关的医学指南文献整理形成的参数指标数据集建立指标数据集词典，指标数据集词典的数据包括患者基本信息、检验检查指标、疾病史、家族史以及用药；
S2、根据指数数据集词典，运用真实EMR电子病例文档数据进行中文分词、通过正则表达式逻辑进行逻辑处理，使EMR电子病例文档数据结构化，将EMR电子病例文档数据转化为计算机识别的规范化数据；
S3、抽取医学指南文献中的逻辑规则，基于规则引擎，建立规则决策模型；
S4、建立算法决策模型
(1)采集患者历史病例数据作为训练数据，根据指数数据集词典，采用步骤S2中的方法将训练数据进行结构化处理转化为计算机识别的规范化数据；
(2)对训练数据依次进行缺失数据处理、归一化处理；
(3)将归一化处理后的训练数据中股骨颈患者的指标参数作为输入，以治疗决策能否手术作为输出，建立算法决策模型；
S5、训练算法决策模型
采用监督学习分类算法对算法决策模型进行训练，选择最优算法决策模型作为最终算法决策模型；
S6、采集待评估患者的术前信息，将术前信息传输至规则决策模型和算法决策模型，通过规则决策模型、或算法决策模型、或规则决策模型和算法决策模型对患者的术前指标进行评估，决策是否手术治疗。
进一步的，通过规则决策模型和算法决策模型对患者的术前指标进行评估时，先通过规则决策模型对患者的术前指标进行评估，若决策结果为非手术治疗，则将决策结果发送至用户；若决策结果为手术治疗，则通过算法决策模型对患者的术前指标进行评估，并将决策结果发送至用户。
进一步的，步骤S1中，所述股骨颈骨折相关的医学指南文献包括《中国老年患者围术期麻醉管理指导意见(2017)》和《中国老年髋部骨折患者麻醉及围术期管理指导意见》；
进一步的，步骤S3中，所述规则决策模型包括用于评估Goldman心脏风险指数和改良逻辑风险指数RCRI的心功能及心脏疾病评估模块、用于评估Arozullah术后呼吸衰竭预测评分的肺功能及呼吸系统评估模块、用于评估Child-Pugh分级标准和用于评估围术期肝肾功能损害程度的肝肾功能及肝肾系统评估模块、用于评估围术期谵妄和术后认知功能下降风险的脑功能和神经系统疾病评估模块、用于评估患者凝血功能状态的凝血功能评估模块、用于评估患者胃肠道功能及胃肠系统出现并发疾病风险的胃肠功能及胃肠系统疾病评估模块、用于评估患者内分泌功能及内分泌系统出现并发疾病的风险的内分泌功能及内分泌系统疾病评估模块和用于评估患者免疫功能及组织免疫系统出现并发疾病风险的免疫功能及组织免疫疾病评估模块。
进一步的，通过规则决策模型对患者的术前指标进行评估得到决策结果的同时，给出指标异常的疾病，并对指标异常的疾病进行纠正后再次对患者的术前指标进行评估，决策是否进行手术治疗。
进一步的，步骤S4中，对训练数据依次进行缺失数据处理、归一化处理的具体步骤为：
将数值型数据通过医学指南文献中的区间设置进行数据转换，将数值型的数据转换成枚举型的数据，枚举型的数据采用one-hot方式进行编码，得到缺失处理后的训练数据。
通过公式(1)对缺失数据处理后的训练数据进行归一化处理，公式(1)的表达式为：
式中，x*表示归一化后的训练数据，x表示缺失数据处理后的训练数据，xmax表示缺失数据处理后的训练数据最大值，xmin表示缺失数据处理后的训练数据最小值；
缺失数据处理后的训练数据由公式(1)归一化处理后得到归一化后的训练数据。
进一步的，步骤S5中，采用监督学习分类算法对算法决策模型进行训练的具体步骤为：
采用L1特征选择算法对数据的特征进行特征选择；
以机器学习算法和深度学习算法为基方法，以Stacked ensemble堆栈集成学习的方式对算法决策模型进行训练获得训练后的算法决策模型，训练过程中采用10折交叉验证方法对每次训练的输出结果进行验证；
以机器学习算法为基方法，以ensemble selection集成选择学习的方式对算法决策模型进行训练获得训练后的算法决策模型，训练过程中采用10折交叉验证方法对每次训练的输出结果进行验证；
将两种方式训练后的算法决策模型进行组合，选择最优模型作为股骨颈骨折决策的算法决策模型。
为了达到上述目的，本发明还提供了一种股骨颈骨折临床智能辅助决策系统，包括：
信息录入模块，用于录入临床参考信息、患者历史病例数据和待评估患者术前信息，所述临床参考信息包括医院专家提供的指标数据及股骨颈骨折相关的医学指南文献，所述待评估折术前信息包括患者的基本信息、检验检查指标、疾病史、家族疾病史及术前药物史；
数据存储模块，用于存储信息录入模块录入的临床参考信息和待评估患者术前信息；并根据临床参考信息形成指标数据集词典；
股骨颈骨折决策模块，用于从数据存储模块提取指标数据集词典、患者历史病例数据和待评估患者术前信息，并对待评估患者的术前指标进行评估，决策是否手术治疗；所述股骨颈骨折决策模块包括：
规则决策模型生成模块，用于根据指标数据集词典生成规则决策模型；
算法决策模型生成模块，用于根据指标数据集词典和患者历史病例数据生成算法决策模型；
算法决策模型训练模块，用于对算法决策模型生成的算法决策模型进行训练获得训练后算法决策模型；
决策判断模块，用于存储规则决策模型和训练后的算法决策模型，并提取待评估患者术前信息，通过规则决策模型和训练后的算法决策模型对待评估患者的术前指标进行评估，决策是否手术治疗；
决策输出模块，用于将决策判断模块的决策输出反馈至用户。
优选的，决策判断模块对待评估患者是否手术治疗进行决策时，采用规则决策模型或训练后的算法决策模型单独进行决策，或者采用规则决策模型和训练后的算法决策模型两种模型结合进行决策；采用两种模型结合进行决策时，首先采用规则决策模型进行决策，若决策结果为非手术治疗，则通过决策输出模块输出反馈至用户，若决策结果为手术治疗，则通过训练后的算法决策模型进行决策，得到的决策结果通过决策输出模块反馈至用户。
进一步的，还包括PC端、移动端APP和服务器，所述信息录入模块和决策输出模块安装于所述PC端和移动端APP，所述数据存储模块和股骨颈骨折决策模块安装于服务器中。
与现有技术相比，本发明的有益效果在于：
(1)本发明方法根据股骨颈骨折相关的医学指南文献和医院专家的提供的指标数据集建立指标数据集词典，根据指标数据集词典，对真实EMR电子病例文档数据进行逻辑结构化，建立规则决策模型；同时基于指标标数据集词典和历史病例信息，抽取患者的信息建立算法决策模型，并利用机器学习、深度学习等算法对算法决策模型进行学习训练，优化算法决策模型；通过规则决策模型和算法决策模型对待评估患者的术前信息进行评估，决策是否手术治疗，从而为股骨颈骨骨折治疗提供辅助决策，从患者实际手术信息出发补充医学指南文献要求，提高决策准确性及工作效率，进而提高治疗效率和效果，更好地为股骨颈骨折患者提供治疗服务。
(2)本发明系统设有股骨颈骨折决策模块，该决策模块设有根据股骨颈骨折相关的医学指南文献和医院专家的提供的指标数据集建立的指标数据集词典，对真实EMR电子病例文档数据进行逻辑结构化建立的规则决策模型，以及基于指标标数据集词典和历史病例信息建立并由机器学习、深度学习进行学习训练的算法决策模型，通过规则决策模型和算法决策模型对待评估患者的术前信息进行评估，决策是否手术治疗，从而为股骨颈骨骨折治疗提供辅助决策，从患者实际手术信息出发补充医学指南文献要求，提高决策准确性及工作效率，进而提高治疗效率和效果，更好地为股骨颈骨折患者提供治疗服务。
附图说明
图1为本发明股骨颈骨折临床智能辅助决策方法的流程图；
图2为本发明建立规则决策模型并通过规则决策模型进行辅助决策的流程图；
图3为本发明建立算法决策模型的流程。
具体实施方式
下面，通过示例性的实施方式对本发明进行具体描述。然而应当理解，在没有进一步叙述的情况下，一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
参见图1-3，本发明揭示了一种股骨颈骨折临床智能辅助决策方法，含有以下步骤：
S1、建立指标数据集词典
根据医院专家提供的指标数据集及股骨颈骨折相关的医学指南文献整理形成的参数指标数据集建立指标数据集词典，指标数据集词典的数据包括患者基本信息、检验检查指标、疾病史、家族史以及用药；
S2、根据指数数据集词典，运用真实EMR电子病例文档数据进行中文分词、通过正则表达式逻辑进行逻辑处理，使EMR电子病例文档数据结构化，将EMR电子病例文档数据转化为计算机识别的规范化数据；
S3、抽取医学指南文献中的逻辑规则，基于规则引擎，建立规则决策模型；
S4、建立算法决策模型
(1)采集患者历史病例数据作为训练数据，根据指数数据集词典，采用步骤S2中的方法将训练数据进行结构化处理转化为计算机识别的规范化数据；
(2)对训练数据依次进行缺失数据处理、归一化处理；
(3)将归一化处理后的训练数据中股骨颈患者的指标参数作为输入，以治疗决策能否手术作为输出，建立算法决策模型；
S5、训练算法决策模型
采用监督学习分类算法对算法决策模型进行训练，选择最优算法决策模型作为最终算法决策模型；
S6、采集待评估患者的术前信息，将术前信息传输至规则决策模型和算法决策模型，通过规则决策模型、或算法决策模型、或规则决策模型和算法决策模型对患者的术前指标进行评估，决策是否手术治疗。
本发明上述方法，通过规则决策模型和算法决策模型对待评估患者的术前信息进行评估，决策是否手术治疗，从而为股骨颈骨骨折治疗提供辅助决策，从患者实际手术信息出发补充医学指南文献要求，提高决策准确性及工作效率，进而提高治疗效率和效果，更好地为股骨颈骨折患者提供治疗服务。本发明的创新可以实现从专业的诊疗文献形成的知识规则模型和真世界的病例数据形成了数学模型两个方面为医生在股骨颈骨折患者的手术治疗决策时做出可靠的决策参考，强化专科医生对股骨颈骨折治疗所需的多学科知识的掌握，为患者和治疗决策节省了时间。
本发明上述方法的步骤S1中，所述股骨颈骨折相关的医学指南文献包括《中国老年患者围术期麻醉管理指导意见(2017)》和《中国老年髋部骨折患者麻醉及围术期管理指导意见》。具体地，根据《中国老年患者围术期麻醉管理指导意见(2017)》和《中国老年髋部骨折患者麻醉及围术期管理指导意见》整理形成老年髋部骨折患者治疗决策的相关参数指标数据即词典，同时，结合医院的专家提供的相关指数数据集，将两者汇集形成老年患者髋骨骨折的治疗决策影响因素-指标数据集词典，参见图2，指标数据集词典的数据包括患者的基本信息、检验检查指标(即术前检查)、疾病史、家族史以及用药(即术前药物)。
参见图2，本发明上述方法中，还包括初步诊断和garden分型。进行初步诊断，可以用医生对股骨颈骨折做出初步诊疗建议。Garden分型也属于指标数据集中的一个指标，是股骨颈骨折治疗很重要且权威的医学指标。来源文献《Garden classification of hipfractures》，该文献同时指出了一些诊疗决策建议，此处不在赘述。在下述本发明辅助决策系统中也基于此构建了“初步诊断”模块，该初步诊断模块是系统的一部分，用于医生对股骨颈骨折做出初步诊疗建议。
进一步的，在上述方法的步骤S3中，继续参见图2，所述规则决策模型包括用于评估Goldman心脏风险指数和改良逻辑风险指数RCRI的心功能及心脏疾病评估模块、用于评估Arozullah术后呼吸衰竭预测评分的肺功能及呼吸系统评估模块、用于评估Child-Pugh分级标准和用于评估围术期肝肾功能损害程度的肝肾功能及肝肾系统评估模块、用于评估围术期谵妄和术后认知功能下降风险的脑功能和神经系统疾病评估模块、用于评估患者凝血功能状态的凝血功能评估模块、用于评估患者胃肠道功能及胃肠系统出现并发疾病风险的胃肠功能及胃肠系统疾病评估模块、用于评估患者内分泌功能及内分泌系统出现并发疾病的风险的内分泌功能及内分泌系统疾病评估模块和用于评估患者免疫功能及组织免疫系统出现并发疾病风险的免疫功能及组织免疫疾病评估模块。
在上述方法的一优选实施方式中，采用规则决策模型对患者的术前指标进行评估，决策是否手术治疗。通过规则决策模型对患者的术前指标进行评估得到决策结果的同时，给出指标异常的疾病，并对指标异常的疾病进行纠正后再次对患者的术前指标进行评估，决策是否进行手术治疗。具体地，参见图2，将待评估患者的病例信息传输至规则决策模型，并触发规则引擎的运行，分系统对患者的术前各身体系统指标进行评估，得到决策结果。决策结果包括改良逻辑风险指数(RCRI)、Arozullah术后呼吸衰竭预测评分、Child-Pugh肝功能损害程度分级标准等评分结果，根据评分结果对应的最终决策，获取对患者进行保守治疗还是手术治疗的辅助决策。同时评估结果给出哪些疾病需及时纠正，纠正后再进行手术，用于股骨颈骨折患者术前决策指导。针对患者当前异常指标和合并疾病，以及术前评估给出的纠正治疗建议，医生进行干预纠正治疗，待指标纠正后再次进行术前评估，以满足手术要求。
通过该方式对患者的术前指标进行评估，得到决策结果，能够有效辅助医生进行治疗决策的选择。
在上述方法的另一优选实施方式中，采用算法决策模型对患者的术前指标进行评估，决策是否手术治疗。具体地，通过算法决策模型对患者的术前指标进行评估，若决策结果为非手术治疗，则发送至用户采用保守治疗；若决策结果为手术治疗，则发送至用户采用手术治疗，从而辅助医生进行治疗决策。
通过该方式对患者的术前指标进行评估，得到决策结果，能够有效辅助医生进行治疗决策的选择。
在上述方法又一优选实施方式中，采用规则决策模型和算法决策模型对患者的术前指标进行评估，决策是否手术治疗。具体地，继续参见图1，通过规则决策模型和算法决策模型对患者的术前指标进行评估时，先通过规则决策模型对患者的术前指标进行评估，若决策结果为非手术治疗，则将决策结果发送至用户；若决策结果为手术治疗，则通过算法决策模型对患者的术前指标进行评估，并将决策结果发送至用户。由于该实施方式中，先通过规则决策模型进行评估，再通过算法决策模型进行评估，相较于单独采用规则决策模型或单独采用算法决策模型进行评估时，该实施方式的决策结果更为准确。
作为优选实施方式，在上述方法步骤S4中，对训练数据依次进行缺失数据处理、归一化处理的具体步骤为：
将数值型数据通过医学指南文献中的区间(如《中国老年患者围术期麻醉管理指导意见(2017)》中Goldman心脏风险指数中提到“一般情况”包括动脉氧分压<60MMhg。则动脉氧分压指标的区间可以分为动脉氧分压<60MMhg；动脉氧分压≥60MMhg和动脉氧分压为空值三类）设置进行数据转换，将数值型的数据转换成枚举型的数据，枚举型的数据采用one-hot方式进行编码，得到缺失处理后的训练数据。
通过公式(1)对缺失数据处理后的训练数据进行归一化处理，公式(1)的表达式为：
式中，x*表示归一化后的训练数据，x表示缺失数据处理后的训练数据，xmax表示缺失数据处理后的训练数据最大值，xmin表示缺失数据处理后的训练数据最小值；
缺失数据处理后的训练数据由公式(1)归一化处理后得到归一化后的训练数据。
本算法模型中用到了一些基模型不能含有缺失数据，并且是否归一化处理对于与计算距离相关的模型影响较大，本模型中采用了缺失值和归一化处理方式满足所有覆盖的算法模型，对于提高模型准确率有重要作用。
作为本发明上述方法一优选实施方式，在步骤S5中，采用监督学习分类算法对算法决策模型进行训练的具体步骤为：
S51、采用L1特征选择算法对数据的特征进行特征选择；
S52、以机器学习算法和深度学习算法为基方法，以Stacked ensemble堆栈集成学习的方式对算法决策模型进行训练获得训练后的算法决策模型，训练过程中采用10折交叉验证方法对每次训练的输出结果进行验证；
S53、以机器学习算法为基方法，以ensemble selection集成选择学习的方式对算法决策模型进行训练获得训练后的算法决策模型，训练过程中采用10折交叉验证方法对每次训练的输出结果进行验证；
S54、将两种方式训练后的算法决策模型进行组合，选择最优模型作为股骨颈骨折决策的算法决策模型。
其中上述步骤S52和S53可以互换。
上述步骤S52中，所述机器学习算法可以采用GBM(Gradient Boosting Machine)算法、Adaboost算法、极端梯度提升(XGboost)算法、随机森林(Distributed RandomForest，简称：DRF)算法、广义线性模型(Generalized Linear Model，简称：GLM)算法等任意一种算法。所述深度学习算法采用深度学习模型(deeplearning)算法。
上述步骤S52中，Stacked ensemble堆栈集成学习的方式进行算法决策模型训练，该方式为本领域常用的模型训练方式，此处不在赘述。
上述步骤S53中，所述机器学习算法可以采用GBM(Gradient Boosting Machine)算法、Adaboost算法、极端梯度提升(XGboost)算法、随机森林(Distributed RandomForest，简称：DRF)算法、广义线性模型(Generalized Linear Model，简称：GLM)算法、决策树(deisionTree)算法等任意一种算法。
上述步骤S53中，ensemble selection集成选择学习的方式参见文献“R.Caruana,A.Niculescu-Mizil,G.Crew,andA.Ksikes.Ensemble selection from librariesofmodels.In Proc.of ICML’04,page 18,2004”，该集成选择学习方式的具体步骤为：
(1)先建立一个空的模型集成体对象。
(2)添加一个基模型到模型集成对象中，将该基函数的误差存储到验证集合中，以模型集成对象的平均结果最优的为根据，运用爬山法对该基模型是否进行模型集成对象做出取舍。
(3)重复(2)的步骤直到进入模型集成对象中的基模型数量达到设定值或者所有的基函数都已经遍历。
(4)将验证集合中结果最优的模型集成对象的所有基模型及其对应的参数保存
(5)运用(4)中保存的模型集成对象中的模型运用。
采用Stacked ensemble堆栈集成学习和ensemble selection集成选择学习两种方式对算法决策模型进行训练获得最优算法决策模型。Stacked ensemble堆栈集成学习和ensemble selection集成选择学习是两种不同的集成学习的实现方式，并且二者涵盖的基模型有差别，本方法应用最优策略选择二者的训练结果最优的模型作为模型的最终结果，扩大了算法模型的训练和选择范围，有助于训练出更加稳健且准确率高的算法模型。
本发明还提供了一种股骨颈骨折临床智能辅助决策系统，包括：
信息录入模块，用于录入临床参考信息、患者历史病例数据和待评估患者术前信息，所述临床参考信息包括医院专家提供的指标数据及股骨颈骨折相关的医学指南文献，所述待评估折术前信息包括患者的基本信息、检验检查指标、疾病史、家族疾病史及术前药物史；
数据存储模块，用于存储信息录入模块录入的临床参考信息和待评估患者术前信息；并根据临床参考信息形成指标数据集词典；
股骨颈骨折决策模块，用于从数据存储模块提取指标数据集词典、患者历史病例数据和待评估患者术前信息，并对待评估患者的术前指标进行评估，决策是否手术治疗；所述股骨颈骨折决策模块包括：
规则决策模型生成模块，用于根据指标数据集词典生成规则决策模型；
算法决策模型生成模块，用于根据指标数据集词典和患者历史病例数据生成算法决策模型；
算法决策模型训练模块，用于对算法决策模型生成的算法决策模型进行训练获得训练后算法决策模型；
决策判断模块，用于存储规则决策模型和训练后的算法决策模型，并提取待评估患者术前信息，通过规则决策模型和训练后的算法决策模型对待评估患者的术前指标进行评估，决策是否手术治疗；
决策输出模块，用于将决策判断模块的决策输出反馈至用户。
上述系统中，决策判断模块对待评估患者是否手术治疗进行决策时，采用规则决策模型或训练后的算法决策模型单独进行决策，或者采用规则决策模型和训练后的算法决策模型两种模型结合进行决策；采用两种模型结合进行决策时，首先采用规则决策模型进行决策，若决策结果为非手术治疗，则通过决策输出模块输出反馈至用户，若决策结果为手术治疗，则通过训练后的算法决策模型进行决策，得到的决策结果通过决策输出模块反馈至用户。
进一步的，上述系统还包括PC端、移动端APP和服务器，所述信息录入模块和决策输出模块安装于所述PC端和移动端APP，所述数据存储模块和股骨颈骨折决策模块安装于服务器中。
本发明上述系统设有股骨颈骨折决策模块，通过股骨颈骨折决策模块内的规则决策模型和算法决策模型对待评估患者的术前信息进行评估，决策是否手术治疗，从而为股骨颈骨骨折治疗提供辅助决策，从患者实际手术信息出发补充医学指南文献要求，提高决策准确性及工作效率，进而提高治疗效率和效果，更好地为股骨颈骨折患者提供治疗服务。
为了能更清楚地说明本发明上述辅助决策方法及辅助决策系统的有益效果，以下结合实施例对本发明上述辅助决策方法及辅助决策系统做出进一步说明。
实施例1：
患者：性别女，年龄74岁；
术前检查
白细胞计数(10^9/L)：6.4
术前评估
Garden分型：Ⅳ型
心功能及心脏疾病评估
肺功能及呼吸系统疾病评估
吸烟情况：不吸烟肺部感染
肝肾功能及肝肾疾病评估
凝血酶原时间延长(s)：未知
白蛋白(g/L)：未知
初步诊疗建议
髋关节置换手术
全面评估结果
规则决策模型评估：
Goldman心脏风险指数:5；
RCRI风险指数：0，RCRI心脏评估结果为围术期重大心脏发病风险为0.4％；
Arozullah术后呼吸衰竭预测评分：6，术后急性呼吸衰竭发生率为0.5％；
Child-Pugh肝功能损害程度分级标准:2
警告信息:凝血功能异常,需进一步个体评估；会增加患者围术期手术风险。
算法决策模型评估：手术指征得分为74分(分值范围为0～100分，得分越高，手术方案的可行性越高。本模型只在指南规则模型需补充时使用)
专家评分表评估总分：17分(分值范围为0～119分，得分越高，手术风险越大)
综合评估结果:建议手术治疗
实施例2：
患者：性别女，年龄74岁；
术前检查
血红蛋白(g/L)：119白蛋白(g/L)：35.4
术前评估
Garden分型：Ⅳ型
心功能及心脏疾病评估
肺功能及呼吸系统疾病评估
吸烟情况：戒烟超过4周肺部感染
肝肾功能及肝肾疾病评估
凝血酶原时间延长(s)：未知
白蛋白(g/L)：>35
初步诊疗建议
髋关节置换手术
全面评估结果
规则决策模型评估：
Goldman心脏风险指数:5；
RCRI风险指数：0,RCRI心脏评估结果为围术期重大心脏发病风险为0.4％；
Arozullah术后呼吸衰竭预测评分:6,术后急性呼吸衰竭发生率为0.5％；
Child-Pugh肝功能损害程度分级标准:3
警告信息:-
算法决策模型评估：手术指征得分为73分(分值范围为0～100分，得分越高，手术方案的可行性越高。本模型只在指南规则模型需补充时使用)
专家评分表评估总分：29分(分值范围为0～119分，得分越高，手术风险越大)
综合评估结果:建议手术治疗
上述实施例应用本发明中的辅助决策方法及系统得到的决策结果，与医生诊疗意见一致，验证了本发明中的辅助决策方法及系统的有效性。
以上所举实施例仅用为方便举例说明本发明，并非对本发明保护范围的限制，在本发明所述技术方案范畴，所属技术领域的技术人员所作各种简单变形与修饰，均应包含在以上申请专利范围中。
Claims (10)
1.一种股骨颈骨折临床智能辅助决策方法，其特征在于，含有以下步骤：
S1、建立指标数据集词典
根据医院专家提供的指标数据集及股骨颈骨折相关的医学指南文献整理形成的参数指标数据集建立指标数据集词典，指标数据集词典的数据包括患者基本信息、检验检查指标、疾病史、家族史以及用药；
S2、根据指数数据集词典，运用真实EMR电子病例文档数据进行中文分词、通过正则表达式逻辑进行逻辑处理，使EMR电子病例文档数据结构化，将EMR电子病例文档数据转化为计算机识别的规范化数据；
S3、抽取医学指南文献中的逻辑规则，基于规则引擎，建立规则决策模型；
S4、建立算法决策模型
(1)采集患者历史病例数据作为训练数据，根据指数数据集词典，采用步骤S2中的方法将训练数据进行结构化处理转化为计算机识别的规范化数据；
(2)对训练数据依次进行缺失数据处理、归一化处理；
(3)将归一化处理后的训练数据中股骨颈患者的指标参数作为输入，以治疗决策能否手术作为输出，建立算法决策模型；
S5、训练算法决策模型
采用监督学习分类算法对算法决策模型进行训练，选择最优算法决策模型作为最终算法决策模型；
S6、采集待评估患者的术前信息，将术前信息传输至规则决策模型和算法决策模型，通过规则决策模型、或算法决策模型、或规则决策模型和算法决策模型对患者的术前指标进行评估，决策是否手术治疗。
2.如权利要求1所述的股骨颈骨折临床智能辅助决策方法，其特征在于，通过规则决策模型和算法决策模型对患者的术前指标进行评估时，先通过规则决策模型对患者的术前指标进行评估，若决策结果为非手术治疗，则将决策结果发送至用户；若决策结果为手术治疗，则通过算法决策模型对患者的术前指标进行评估，并将决策结果发送至用户。
3.如权利要求1或2所述的股骨颈骨折临床智能辅助决策方法，其特征在于，步骤S1中，所述股骨颈骨折相关的医学指南文献包括《中国老年患者围术期麻醉管理指导意见(2017)》和《中国老年髋部骨折患者麻醉及围术期管理指导意见》。
4.如权利要求3所述的股骨颈骨折临床智能辅助决策方法，其特征在于，步骤S3中，所述规则决策模型包括用于评估Goldman心脏风险指数和改良逻辑风险指数RCRI的心功能及心脏疾病评估模块、用于评估Arozullah术后呼吸衰竭预测评分的肺功能及呼吸系统评估模块、用于评估Child-Pugh分级标准和用于评估围术期肝肾功能损害程度的肝肾功能及肝肾系统评估模块、用于评估围术期谵妄和术后认知功能下降风险的脑功能和神经系统疾病评估模块、用于评估患者凝血功能状态的凝血功能评估模块、用于评估患者胃肠道功能及胃肠系统出现并发疾病风险的胃肠功能及胃肠系统疾病评估模块、用于评估患者内分泌功能及内分泌系统出现并发疾病的风险的内分泌功能及内分泌系统疾病评估模块和用于评估患者免疫功能及组织免疫系统出现并发疾病风险的免疫功能及组织免疫疾病评估模块。
5.如权利要求4所述的股骨颈骨折临床智能辅助决策方法，其特征在于，通过规则决策模型对患者的术前指标进行评估得到决策结果的同时，给出指标异常的疾病，并对指标异常的疾病进行纠正后再次对患者的术前指标进行评估，决策是否进行手术治疗。
6.如权利要求1或2所述的股骨颈骨折临床智能辅助决策方法，其特征在于，步骤S4中，对训练数据依次进行缺失数据处理、归一化处理的具体步骤为：
将数值型数据通过医学指南文献中的区间设置进行数据转换，将数值型的数据转换成枚举型的数据，枚举型的数据采用one-hot方式进行编码，得到缺失处理后的训练数据；
通过公式(1)对缺失数据处理后的训练数据进行归一化处理，公式(1)的表达式为：
式中，x*表示归一化后的训练数据，x表示缺失数据处理后的训练数据，xmax表示缺失数据处理后的训练数据最大值，xmin表示缺失数据处理后的训练数据最小值；
缺失数据处理后的训练数据由公式(1)归一化处理后得到归一化后的训练数据。
7.如权利要求6所述的股骨颈骨折临床智能辅助决策方法，其特征在于，步骤S5中，采用监督学习分类算法对算法决策模型进行训练的具体步骤为：
采用L1特征选择算法对数据的特征进行特征选择；
以机器学习算法和深度学习算法为基方法，以Stackedensemble堆栈集成学习的方式对算法决策模型进行训练获得训练后的算法决策模型，训练过程中采用10折交叉验证方法对每次训练的输出结果进行验证；
以机器学习算法为基方法，以ensemble selection集成选择学习的方式对算法决策模型进行训练获得训练后的算法决策模型，训练过程中采用10折交叉验证方法对每次训练的输出结果进行验证；
将两种方式训练后的算法决策模型进行组合，选择最优模型作为股骨颈骨折决策的算法决策模型。
8.一种股骨颈骨折临床智能辅助决策系统，其特征在于，包括：
信息录入模块，用于录入临床参考信息、患者历史病例数据和待评估患者术前信息，所述临床参考信息包括医院专家提供的指标数据及股骨颈骨折相关的医学指南文献，所述待评估折术前信息包括患者的基本信息、检验检查指标、疾病史、家族疾病史及术前药物史；
数据存储模块，用于存储信息录入模块录入的临床参考信息和待评估患者术前信息；并根据临床参考信息形成指标数据集词典；
股骨颈骨折决策模块，用于从数据存储模块提取指标数据集词典、患者历史病例数据和待评估患者术前信息，并对待评估患者的术前指标进行评估，决策是否手术治疗；所述股骨颈骨折决策模块包括：
规则决策模型生成模块，用于根据指标数据集词典生成规则决策模型；
算法决策模型生成模块，用于根据指标数据集词典和患者历史病例数据生成算法决策模型；
算法决策模型训练模块，用于对算法决策模型生成的算法决策模型进行训练获得训练后算法决策模型；
决策判断模块，用于存储规则决策模型和训练后的算法决策模型，并提取待评估患者术前信息，通过规则决策模型和训练后的算法决策模型对待评估患者的术前指标进行评估，决策是否手术治疗；
决策输出模块，用于将决策判断模块的决策输出反馈至用户。
9.如权利要求8所述的股骨颈骨折临床智能辅助决策系统，其特征在于，决策判断模块对待评估患者是否手术治疗进行决策时，采用规则决策模型或训练后的算法决策模型单独进行决策，或者采用规则决策模型和训练后的算法决策模型两种模型结合进行决策；采用两种模型结合进行决策时，首先采用规则决策模型进行决策，若决策结果为非手术治疗，则通过决策输出模块输出反馈至用户，若决策结果为手术治疗，则通过训练后的算法决策模型进行决策，得到的决策结果通过决策输出模块反馈至用户。
10.如权利要求8或9所述的股骨颈骨折临床智能辅助决策系统，其特征在于，还包括PC端、移动端APP和服务器，所述信息录入模块和决策输出模块安装于所述PC端和移动端APP，所述数据存储模块和股骨颈骨折决策模块安装于服务器中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910572442.6A CN110289095B (zh) | 2019-06-28 | 2019-06-28 | 一种股骨颈骨折临床智能辅助决策方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910572442.6A CN110289095B (zh) | 2019-06-28 | 2019-06-28 | 一种股骨颈骨折临床智能辅助决策方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110289095A true CN110289095A (zh) | 2019-09-27 |
| CN110289095B CN110289095B (zh) | 2021-01-12 |
Family
ID=68019473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910572442.6A Active CN110289095B (zh) | 2019-06-28 | 2019-06-28 | 一种股骨颈骨折临床智能辅助决策方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110289095B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111009322A (zh) * | 2019-10-21 | 2020-04-14 | 四川大学华西医院 | 围术期风险评估和临床决策智能辅助系统 |
| CN111145905A (zh) * | 2019-12-31 | 2020-05-12 | 北京懿医云科技有限公司 | 目标决策模型构建方法及装置、电子设备、存储介质 |
| CN111309852A (zh) * | 2020-03-16 | 2020-06-19 | 青岛百洋智能科技股份有限公司 | 生成可视化决策树(集)模型的方法、系统、装置及存储介质 |
| CN111581480A (zh) * | 2020-05-12 | 2020-08-25 | 杭州风远科技有限公司 | 新闻资讯聚合分析方法及系统、终端、存储介质 |
| CN111768818A (zh) * | 2020-06-05 | 2020-10-13 | 上海市浦东医院（复旦大学附属浦东医院） | 基于人工智能的骨盆骨折急救辅助决策系统及方法 |
| CN112002395A (zh) * | 2020-08-30 | 2020-11-27 | 段炼 | 一种基于心脏大血管手术围术期的心脏保护推荐方法 |
| CN115862874A (zh) * | 2023-02-22 | 2023-03-28 | 首都医科大学宣武医院 | 高龄外科多学科围术期辅助决策系统 |
| CN116665910A (zh) * | 2023-06-01 | 2023-08-29 | 曜立科技(北京)有限公司 | 一种基于大数据分析的神经介入手术风险评估系统 |
| CN117524465A (zh) * | 2024-01-05 | 2024-02-06 | 四川省医学科学院·四川省人民医院 | 基于人工智能的脊柱外科手术方案决策判定系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160357930A1 (en) * | 2013-03-12 | 2016-12-08 | Humana Inc. | Computerized system and method for identifying members at high risk of falls and fractures |
| CN107887036A (zh) * | 2017-11-09 | 2018-04-06 | 北京纽伦智能科技有限公司 | 临床决策辅助系统的构建方法、装置及临床决策辅助系统 |
| CN109009222A (zh) * | 2018-06-19 | 2018-12-18 | 杨成伟 | 面向心脏病类型和严重程度的智能评估诊断方法及系统 |
| CN109859842A (zh) * | 2019-03-04 | 2019-06-07 | 北京大学人民医院(北京大学第二临床医学院) | 髋关节周围骨折临床智能决策支持系统 |
| CN109903849A (zh) * | 2019-03-04 | 2019-06-18 | 北京大学人民医院(北京大学第二临床医学院) | 肩关节周围骨折临床智能决策支持系统 |
-
2019
- 2019-06-28 CN CN201910572442.6A patent/CN110289095B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160357930A1 (en) * | 2013-03-12 | 2016-12-08 | Humana Inc. | Computerized system and method for identifying members at high risk of falls and fractures |
| CN107887036A (zh) * | 2017-11-09 | 2018-04-06 | 北京纽伦智能科技有限公司 | 临床决策辅助系统的构建方法、装置及临床决策辅助系统 |
| CN109009222A (zh) * | 2018-06-19 | 2018-12-18 | 杨成伟 | 面向心脏病类型和严重程度的智能评估诊断方法及系统 |
| CN109859842A (zh) * | 2019-03-04 | 2019-06-07 | 北京大学人民医院(北京大学第二临床医学院) | 髋关节周围骨折临床智能决策支持系统 |
| CN109903849A (zh) * | 2019-03-04 | 2019-06-18 | 北京大学人民医院(北京大学第二临床医学院) | 肩关节周围骨折临床智能决策支持系统 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111009322A (zh) * | 2019-10-21 | 2020-04-14 | 四川大学华西医院 | 围术期风险评估和临床决策智能辅助系统 |
| CN111009322B (zh) * | 2019-10-21 | 2022-08-02 | 四川大学华西医院 | 围术期风险评估和临床决策智能辅助系统 |
| CN111145905A (zh) * | 2019-12-31 | 2020-05-12 | 北京懿医云科技有限公司 | 目标决策模型构建方法及装置、电子设备、存储介质 |
| CN111145905B (zh) * | 2019-12-31 | 2024-04-05 | 北京懿医云科技有限公司 | 目标决策模型构建方法及装置、电子设备、存储介质 |
| CN111309852B (zh) * | 2020-03-16 | 2021-09-03 | 青岛百洋智能科技股份有限公司 | 生成可视化决策树集模型的方法、系统、装置及存储介质 |
| CN111309852A (zh) * | 2020-03-16 | 2020-06-19 | 青岛百洋智能科技股份有限公司 | 生成可视化决策树(集)模型的方法、系统、装置及存储介质 |
| CN111581480A (zh) * | 2020-05-12 | 2020-08-25 | 杭州风远科技有限公司 | 新闻资讯聚合分析方法及系统、终端、存储介质 |
| CN111581480B (zh) * | 2020-05-12 | 2023-09-08 | 杭州风远科技有限公司 | 新闻资讯聚合分析方法及系统、终端、存储介质 |
| CN111768818A (zh) * | 2020-06-05 | 2020-10-13 | 上海市浦东医院（复旦大学附属浦东医院） | 基于人工智能的骨盆骨折急救辅助决策系统及方法 |
| CN112002395A (zh) * | 2020-08-30 | 2020-11-27 | 段炼 | 一种基于心脏大血管手术围术期的心脏保护推荐方法 |
| CN115862874A (zh) * | 2023-02-22 | 2023-03-28 | 首都医科大学宣武医院 | 高龄外科多学科围术期辅助决策系统 |
| CN115862874B (zh) * | 2023-02-22 | 2023-06-02 | 首都医科大学宣武医院 | 高龄外科多学科围术期辅助决策系统 |
| CN116665910A (zh) * | 2023-06-01 | 2023-08-29 | 曜立科技(北京)有限公司 | 一种基于大数据分析的神经介入手术风险评估系统 |
| CN117524465A (zh) * | 2024-01-05 | 2024-02-06 | 四川省医学科学院·四川省人民医院 | 基于人工智能的脊柱外科手术方案决策判定系统及方法 |
| CN117524465B (zh) * | 2024-01-05 | 2024-03-08 | 四川省医学科学院·四川省人民医院 | 基于人工智能的脊柱外科手术方案决策判定系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110289095B (zh) | 2021-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110289095A (zh) | 一种股骨颈骨折临床智能辅助决策方法及系统 | |
| Blackwood et al. | Protocolized versus non‐protocolized weaning for reducing the duration of mechanical ventilation in critically ill adult patients | |
| CN112700838B (zh) | 基于大数据的用药方案推荐方法、装置及相关设备 | |
| CN110838368B (zh) | 一种基于中医临床知识图谱的主动问诊机器人 | |
| Kwong et al. | The efficacy and effectiveness of machine learning for weaning in mechanically ventilated patients at the intensive care unit: a systematic review | |
| CN115223679A (zh) | 基于机器学习的围手术期风险预警方法 | |
| CN106372431B (zh) | 用药方案信息的处理方法 | |
| EP2638489A1 (en) | Method of continuous prediction of patient severity of illness, mortality, and length of stay | |
| CN111798956B (zh) | 一种用于人工智能麻醉的决策确定方法、装置及系统 | |
| Jeon et al. | Exploring new digital therapeutics technologies for psychiatric disorders using BERTopic and PatentSBERTa | |
| CN109903848A (zh) | 关节周围骨折临床智能决策支持系统 | |
| CN111613337A (zh) | 一种重症监护病房用的智能化谵妄评估系统及评估方法 | |
| CN116472591A (zh) | 使用人工智能生成与脊髓性肌萎缩症相关的预测结果的技术 | |
| Dietsch et al. | Swallowing mechanics associated with artificial airways, bolus properties, and penetration–aspiration status in trauma patients | |
| CN116543916A (zh) | 基于病历整合自动预测当前病因的儿童内科分析系统 | |
| CN114724701A (zh) | 基于叠加集成算法和自动编码器的无创通气疗效预测系统 | |
| Lazouni et al. | A new computer aided diagnosis system for pre-anesthesia consultation | |
| CN111403038A (zh) | 基于ai的体质评测及健康管理系统 | |
| CN113241173B (zh) | 一种用于慢性阻塞性肺疾病的中医辅助诊疗方法和系统 | |
| Xia et al. | Progress and perspective of artificial intelligence and machine learning of prediction in anesthesiology | |
| WO2022141928A1 (zh) | 一种新冠肺炎检测装置、干预装置及检测干预系统 | |
| CN116344041B (zh) | 一种基于知识图谱的中医辅助决策系统 | |
| Kumar et al. | Fuzzy logic applications in healthcare: A review-based study | |
| CN117174341B (zh) | 基于人工智能的语音识别医疗助手系统及方法 | |
| Saadi et al. | An Effective Prediction Approach for the Management of Children Victims of Road Accidents |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 266000 Room 201, building 1, 88 Kaifeng Road, Shibei District, Qingdao City, Shandong Province Patentee after: Baiyang Intelligent Technology Group Co.,Ltd. Address before: 266000 Room 201, building 1, 88 Kaifeng Road, Shibei District, Qingdao City, Shandong Province Patentee before: Qingdao Baiyang Intelligent Technology Co.,Ltd. |