CN110349642B - 智能麻醉实施系统、装置、设备及存储介质 - Google Patents
智能麻醉实施系统、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110349642B CN110349642B CN201910612939.6A CN201910612939A CN110349642B CN 110349642 B CN110349642 B CN 110349642B CN 201910612939 A CN201910612939 A CN 201910612939A CN 110349642 B CN110349642 B CN 110349642B
- Authority
- CN
- China
- Prior art keywords
- anesthesia
- model
- dose
- implementation
- information
- 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.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M19/00—Local anaesthesia; Hypothermia
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H50/70—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M2230/00—Measuring parameters of the user
- A61M2230/04—Heartbeat characteristics, e.g. ECG, blood pressure modulation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M2230/00—Measuring parameters of the user
- A61M2230/40—Respiratory characteristics
Abstract
本发明公开一种智能麻醉实施方法、装置、设备及存储介质。该智能麻醉实施方法包括:获取麻醉被实施者的个人信息及麻醉实施反馈信息;将所述个人信息及麻醉实施反馈信息作为第一训练集,分别对第一回归模型及第二回归模型进行训练,以分别对所述第一回归模型中的第一模型参数及所述第二回归模型中的第二模型参数进行学习;确定训练后的所述第一回归模型及所述第二回归模型分别为智能麻醉实施模型中的剂量确定模型及速度确定模型;以及在麻醉诱导期,将待麻醉患者的个人信息输入至所述智能麻醉实施模型中的剂量确定模型及速度确定模型中,以根据所述剂量确定模型及速度确定模型,确定所述待麻醉患者在所述麻醉诱导期的麻醉剂量及麻醉剂输入速度。
Description
技术领域
本发明涉及智能医疗技术领域,具体而言,涉及一种智能麻醉实施方法、装置、设备及存储介质。
背景技术
人工智能麻醉,包括具有人类智能水平的决策支持系统,其能够集合高级麻醉经验和智慧,确保麻醉和手术的安全。尤其对身处偏远地区的医院而言,由于医疗人员数量和质量相对不足,人工智能麻醉系统更能发挥重大的作用。
麻醉是一个动态过程,这就要求人工智能可以完成动态的生命功能监测与调控。目前,以机器学习为代表的人工智能,已应用于多项麻醉学研究中。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明提供一种智能麻醉实施方法、装置、设备及存储介质。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明的一方面,提供一种智能麻醉实施方法,包括:获取麻醉被实施者的个人信息及麻醉实施反馈信息;将获取的所述麻醉被实施者的个人信息及麻醉实施反馈信息作为第一训练集,分别对第一回归模型及第二回归模型进行训练,以分别对所述第一回归模型中的第一模型参数及所述第二回归模型中的第二模型参数进行学习;确定训练后的所述第一回归模型及所述第二回归模型分别为智能麻醉实施模型中的剂量确定模型及速度确定模型;以及在麻醉诱导期,将待麻醉患者的个人信息输入至所述智能麻醉实施模型中的剂量确定模型及速度确定模型中,以根据所述剂量确定模型及速度确定模型,确定所述待麻醉患者在所述麻醉诱导期的麻醉剂量及麻醉剂输入速度;其中,所述麻醉实施反馈信息包括:所述麻醉被实施者在麻醉诱导期的麻醉剂量;其中,所述第一回归模型用于确定待麻醉患者在所述麻醉诱导期的麻醉剂量,所述第二回归模型用于确定待麻醉患者在所述麻醉诱导期的麻醉剂输入速度。
根据本发明的一实施方式,所述个人信息包括:体重、年龄、家族病史信息,所述第一回归模型为:
y=a1*x1+a2*x2+a3*x3+a0;
所述第二回归模型为:
V=c1*x1+c2*x2+c3*x3+c0;
其中,y为所述麻醉诱导期的麻醉剂量,x1为所述体重,x2为所述年龄,x3为所述家族病史信息,a1~a3为所述第一模型参数,a0为麻醉剂的标准计量;v为所述麻醉诱导期的麻醉剂输入速度,c1~c3为所述第二模型参数,c0为麻醉剂的标准速度。
根据本发明的一实施方式,上述方法还包括:获取新增的麻醉被实施者的所述个人信息及所述麻醉实施反馈信息;以及将所述新增的麻醉被实施者的所述个人信息及所述麻醉实施反馈信息加入到所述第一训练集中,采用K折交叉验证,对所述智能麻醉实施模型中的剂量确定模型及速度确定模型进行训练,以分别更新所述剂量确定模型及所述速度确定模型中的第一模型参数及第二模型参数。
根据本发明的一实施方式,上述方法还包括:获取所述麻醉被实施者的实时体征监测信息及麻醉调整反馈信息;将获取的所述麻醉被实施者的实时体征监测信息及麻醉调整反馈信息作为第二训练集,对第三回归模型进行训练,以对所述第三回归模型中的第三模型参数进行学习;以及确定训练后的所述第三回归模型为所述智能麻醉实施模型中的剂量调整模型;其中,所述麻醉调整反馈信息包括:所述麻醉被实施者在麻醉维持期的麻醉调整剂量;其中,所述第三回归模型用于确定待麻醉患者在所述麻醉维持期的麻醉调整剂量。
根据本发明的一实施方式,所述实时体征监测信息包括:血压、心率、呼吸信息、麻醉深度指数,所述第三回归模型为:
Δy=b1*z1+b2*z2+b3*z3+b4*z4+b0;
其中,Δy为所述麻醉维持期的麻醉调整剂量,z1为所述血压,z2为所述心率,z3为所述呼吸信息,z4为所述麻醉深度指数,b0~b4为所述第三模型参数。
根据本发明的一实施方式,上述方法还包括:获取新增的麻醉被实施者的所述实时体征监测信息及所述麻醉调整反馈信息;以及将所述新增的麻醉被实施者的所述实时体征监测信息及所述麻醉调整反馈信息加入到所述第二训练集中,采用K折交叉验证,对所述智能麻醉实施模型中的剂量调整模型进行训练,以更新所述剂量调整模型中的第三模型参数。
根据本发明的一实施方式,获取麻醉被实施者的个人信息及麻醉实施反馈信息包括:从已构建的区块链网络中获取其存储的所述麻醉被实施者的个人信息及麻醉实施反馈信息。
根据本发明的一实施方式,所述个人信息包括:体重、年龄、家族病史信息。
根据本发明的一实施方式,上述方法还包括:根据确定出的所述待麻醉患者在麻醉诱导期的麻醉剂量及麻醉剂输入速度,确定所述待麻醉患者在所述麻醉诱导期的麻醉剂输入时长。
根据本发明的一实施方式,上述方法还包括:在麻醉维持期,将所述待麻醉患者的实时体征监测信息输入到所述智能麻醉实施模型中的剂量调整模型中,以根据所述剂量调整模型,确定所述待麻醉患者在所述麻醉维持期的麻醉调整剂量;以及根据所述麻醉调整剂量,调整所述待麻醉患者的麻醉剂量;其中,所述实时体征监测信息包括:血压、心率、呼吸信息、麻醉深度指数。
根据本发明的再一方面,提供一种智能麻醉实施装置,包括:信息获取模块,用于获取麻醉被实施者的个人信息及麻醉实施反馈信息;模型训练模块,用于将获取的所述麻醉被实施者的个人信息及麻醉实施反馈信息作为第一训练集,分别对第一回归模型及第二回归模型进行训练,以分别对所述第一回归模型中的第一模型参数及所述第二回归模型中的第二模型参数进行学习;模型确定模块,用于确定训练后的所述第一回归模型及所述第二回归模型分别为智能麻醉实施模型中的剂量确定模型及速度确定模型;以及麻醉实施模块,用于将待麻醉患者的个人信息输入至所述智能麻醉实施模型中的剂量确定模型及速度确定模型中,以根据所述剂量确定模型及速度确定模型,确定所述待麻醉患者在麻醉诱导期的麻醉剂量及麻醉剂输入速度;其中,所述麻醉实施反馈信息包括:所述麻醉被实施者在麻醉诱导期的麻醉剂量;其中,所述第一回归模型用于确定待麻醉患者在所述麻醉诱导期的麻醉剂量,所述第二回归模型用于确定待麻醉患者在所述麻醉诱导期的麻醉剂输入速度。
根据本发明的一实施方式,所述个人信息包括:体重、年龄、家族病史信息。
根据本发明的再一方面,提供一种计算机设备,包括:存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令,所述处理器执行所述可执行指令时实现如上述任意一种方法。
根据本发明的再一方面,提供一种计算机可读存储介质,其上存储有计算机可执行指令,所述可执行指令被处理器执行时实现如上述任意一种方法。
根据本发明的智能麻醉实施方法,可以利用如区块链技术存储的信息所具有的非常好的隐私保护效果,及所具有的公开透明、可追溯及不易篡改等特点,对大量麻醉被实施者的个人信息及麻醉实施反馈信息进行存储。并基于这些存储的麻醉实例数据,确定智能麻醉实施模型,从而可以在术前根据确定出的智能麻醉实施模型来确定待麻醉患者的麻醉剂量及麻醉剂的输入速度,进而可以利用如麻醉机器人等在手术中为待麻醉患者实施智能麻醉,为待麻醉患者提供了精确的麻醉实施保证,极大地提升了麻醉实施的精准度。
进一步地,根据一些实施例,本发明的智能麻醉实施方法还可以利用如区块链技术存储的大量的麻醉被实施者的实时体征监测信息及麻醉调整反馈信息作为训练集,对用于确定麻醉调整剂量的回归模型进行训练,从而在手术实施过程中,利用智能麻醉技术,为被麻醉患者调整其麻醉剂量,提供更精准的智能麻醉方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
通过参照附图详细描述其示例实施例,本发明的上述和其它目标、特征及优点将变得更加显而易见。
图1是根据一示例性实施方式示出的一种智能麻醉实施方法的流程图。
图2是根据一示例性实施方式示出的另一种智能麻醉实施方法的流程图。
图3是根据一示例性实施方式示出的再一种智能麻醉实施方法的流程图。
图4是根据一示例性实施方式示出的再一种智能麻醉实施方法的流程图。
图5是根据一示例性实施方式示出的一种智能麻醉实施装置的框图。
图6是根据一示例性实施方式示出的另一种智能麻醉实施装置的框图。
图7是根据一示例性实施方式示出的一种电子设备的结构示意图。
图8是根据一示例性实施方式示出的一种计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本发明的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现或者操作以避免喧宾夺主而使得本发明的各方面变得模糊。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
图1是根据一示例性实施方式示出的一种智能麻醉实施方法的流程图。
参考图1,智能麻醉实施方法10包括:
在步骤S102中,获取麻醉被实施者的个人信息及麻醉实施反馈信息。
其中,个人信息例如可以包括:麻醉被实施者的体重、年龄、家族病史信息(如家传遗传病等)。应理解,个人信息还可以包括其他信息。麻醉实施反馈信息例如可以包括:这些麻醉被实施者在麻醉诱导期(即手术前)的麻醉剂量,该麻醉剂量可以为麻醉被实施者临床的实际麻醉剂量,也可以为麻醉师根据其经验及麻醉被实施者的个人信息推荐的麻醉剂量。
在一些实施例中,例如可以从已构建的区块链网络中获取其存储的麻醉被实施者的个人信息及麻醉实施反馈信息。由于区块链技术所存储的信息,具有非常好的隐私保护效果,且具有公开透明、可追溯及不易篡改等特点,可以基于区块链技术对大量的麻醉被实施者的个人信息及麻醉实施反馈信息等进行存储。区块链技术是利用区块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算方式。在区块链技术大多数应用场景中,利用区块链哈希指针的交易链数据结合、加密学的哈希计算和加密学数字签字机制实现交易过程中的多层次证据确认,来实现不同个体交易方之间的信任问题。由于基于区块链技术所存储的信息,具有非常好的隐私保护效果,且具有公开透明、可追溯及不易篡改等特点,与人工智能麻醉所需要的信息具有非常高的契合度,因此可以将区块链技术与人工智能麻醉方法进行有机结合。
但本发明不以此为限,也可以从其他存储服务器、云服务器等存储设备中获取上述医疗数据。
需要说明的是,上述的个人信息及麻醉实施反馈信息均被编码为计算机可识别的编码信息,以将其作为训练集对训练模型进行训练。具体的编码方式可在实际应用时,根据需要来确定,本发明不以此为限。
在步骤S104中,将获取的麻醉被实施者的个人信息及麻醉实施反馈信息作为第一训练集,分别对第一回归模型及第二回归模型进行训练,以分别对第一回归模型中的第一模型参数及第二回归模型中的第二模型参数进行学习。
将获取的大量的麻醉被实施者的个人信息及麻醉实施反馈信息作为第一训练集,分别对第一回归模型及第二回归模型进行训练,以分别对第一回归模型中的第一模型参数及第二回归模型中的第二模型参数进行学习。
其中,第一回归模型用于确定待麻醉患者在麻醉诱导期的麻醉剂量,第二回归模型用于确定待麻醉患者在麻醉诱导期的麻醉剂输入速度。
在一些实施例中,第一回归模型例如可以为:
y=a1*x1+a2*x2+a3*x3+a0 (1)
其中,y为麻醉诱导期的麻醉剂量,x1为麻醉被实施者的体重,x2为麻醉被实施者的年龄,x3为麻醉被实施者的家族病史信息,a1~a3为第一模型参数,a0为麻醉剂的标准计量。
在一些实施例中,第二回归模型例如可以为:
V=c1*x1+c2*x2+c3*x3+c0 (2)
其中,v为麻醉诱导期的麻醉剂输入速度,c1~c3为第二模型参数,c0为麻醉剂的标准速度。同上,x1~x3依次为麻醉被实施者的体重、年龄及家族病史信息。
例如,可以通过深度神经网络技术,以大量的麻醉被实施者的个人信息及麻醉实施反馈信息作为第一训练集,对第一回归模型及第二回归模型进行训练,以对第一模型参数及第二模型参数进行学习,从而确定出该第一模型参数及第二模型参数。需要说明的是,如何利用深度神经网络技术,依据输入的训练集对回归模型进行训练的方法为本领域的现有技术,为了避免模糊本发明,在此不再赘述。
在步骤S106中,确定训练后的第一回归模型及第二回归模型分别为智能麻醉实施模型中的剂量确定模型及速度确定模型。
经过上述训练,学习、确定出第一模型参数及第二模型参数后,可将该经过训练的第一回归模型及第二回归模型确定为智能麻醉实施模型中的剂量确定模型及速度确定模型。也即,智能麻醉实施模型中的剂量确定模型及速度确定模型中的第一模型参数与第二模型参数分别为经训练确定出的模型参数。
在一些实施例中,各个区块链节点可以将上述的麻醉被实施者的个人信息及麻醉实施反馈信息上传到区块链网络中进行存储。之后,可以由该区块链网络中的一个高权限节点的后台服务器来获取区块链网络中所有节点的麻醉被实施者的个人信息及麻醉实施反馈信息,以进行模型训练,从而获得上述的智能麻醉实施模型。此外,经模型训练所获得的该智能麻醉实施模型也可以被上传至区块链网络的节点中进行存储。存储该智能麻醉实施模型的区块链节点与存储上述麻醉被实施者的个人信息及麻醉实施反馈信息的区块链节点可以是相同的,也可以是不同的。该区块链网络中各区块链节点均可以从区块链网络中下载该智能麻醉实施模型,从而进行下述的麻醉实施的预测。
在步骤S108中,在麻醉诱导期,将待麻醉患者的个人信息输入至该智能麻醉实施模型中的剂量确定模型及速度确定模型中,以根据剂量确定模型及速度确定模型,确定待麻醉患者在麻醉诱导期的麻醉剂量及麻醉剂输入速度。
根据上述剂量确定模型及速度模型,将待麻醉者的个人信息输入至其中,便可确定出待麻醉患者在麻醉诱导期的麻醉剂量及麻醉剂输入速度。从而可以利用麻醉机器人的执行主体为待麻醉患者在手术时按照确定出的麻醉剂量及麻醉剂输入速度实施智能麻醉。
在一些实施例中,智能麻醉实施方法10还可以包括:
在步骤S110中,获取新增的麻醉被实施者的个人信息及麻醉实施反馈信息。
此外,还可以进一步地获取新增的麻醉被实施者的个人信息及麻醉实施反馈信息,作为补充训练集,用于对确定的训练模型进行校正。
在一些实施例中,也可以从上述区块链网络中获取其存储的新增的麻醉被实施者的个人信息及麻醉实施反馈信息。
在步骤S112中,将新增的麻醉被实施者的个人信息及麻醉实施反馈信息加入到第一训练集中,采用K折交叉验证,对智能麻醉实施模型中的剂量确定模型及速度确定模型进行训练,以分别更新剂量确定模型及速度确定模型中的第一模型参数及第二模型参数。
K折交叉验证,是将初始采样(如样本集X,Y)分割成K份,一份被保留作为验证模型的数据(test set),其他K-1份用来训练(train set)。交叉验证重复K次,每份验证一次,平均K次的结果或者使用其它结合方式,最终得到一个单一估测。
此外,还可以进一步通过评估指标MSE(均方误差)来评估上述模型的精准度。
根据本发明实施方式提供的智能麻醉实施方法,可以利用如区块链技术存储的信息所具有的非常好的隐私保护效果,及所具有的公开透明、可追溯及不易篡改等特点,对大量麻醉被实施者的个人信息及麻醉实施反馈信息进行存储。并基于这些存储的麻醉实例数据,确定智能麻醉实施模型,从而可以在术前根据确定出的智能麻醉实施模型来确定待麻醉患者的麻醉剂量及麻醉剂的输入速度,进而可以利用如麻醉机器人等在手术中为待麻醉患者实施智能麻醉,为待麻醉患者提供了精确的麻醉实施保证,极大地提升了麻醉实施的精准度。
应清楚地理解,本发明描述了如何形成和使用特定示例,但本发明的原理不限于这些示例的任何细节。相反,基于本发明公开的内容的教导,这些原理能够应用于许多其它实施方式。
图2是根据一示例性实施方式示出的另一种智能麻醉实施方法的流程图。
图2所示的智能麻醉实施方法20,进一步提供了在麻醉维持期(即手术中)对根据上述方法10确定出的麻醉剂量进行调整的方法。
如图2所示,智能麻醉实施方法20还进一步包括:
在步骤S202中,获取麻醉被实施者的实时体征监测信息及麻醉调整反馈信息。
同样地,在一些实施例中,可以利用区块链技术对大量的麻醉被实施者的实施体征监测信息及麻醉调整反馈信息进行存储,并从区块链网络中获取麻醉被实施者的实时体征监测信息及麻醉调整反馈信息。
其中,实时体征监测信息可以包括:麻醉被实施者的血压、心率、呼吸信息、麻醉深度指数(用于反映麻醉镇静的深度)等。麻醉调整反馈信息可以包括:麻醉被实施者在麻醉维持期的麻醉调整剂量,该麻醉调整量例如可以为麻醉被实施者临床的实际麻醉剂调整量,也可以为麻醉师根据其经验及麻醉被实施者的个人信息推荐的麻醉剂调整量。
在步骤S204中,将获取的麻醉被实施者的实时体征监测信息及麻醉调整反馈信息作为第二训练集,对第三回归模型进行训练,以对第三回归模型中的第三模型参数进行学习。
将获取的大量麻醉被实施者的实时体征监测信息及麻醉调整反馈信息作为第二训练集,对第三回归模型进行训练,以对第三回归模型中的第三模型参数进行学习,并确定出第三模型参数。
其中,第三回归模型用于确定待麻醉患者在麻醉维持期的麻醉调整剂量。
在一些实施例中,第三回归模型为:
Δy=b1*z1+b2*z2+b3*z3+b4*z4+b0 (4)
其中,Δy为麻醉维持期的麻醉调整剂量,z1为血压,z2为心率,z3为呼吸信息,z4为麻醉深度指数,b0~b4为第三模型参数。
同样地,例如可以通过深度神经网络技术,以大量的麻醉被实施者的实时体征监测信息及麻醉调整反馈信息作为第二训练集,对第三回归模型进行训练,以对第三模型参数进行学习,从而确定出该第三模型参数。需要说明的是,如何利用深度神经网络技术,依据输入的训练集对回归模型进行训练的方法为本领域的现有技术,为了避免模糊本发明,在此不再赘述。
在步骤S206中,确定训练后的第三回归模型为智能麻醉实施模型中的剂量调整模型。
经过上述训练,学习、确定出第三模型参数后,可将该经过训练的第三回归模型确定为智能麻醉实施模型中的剂量调整模型。也即,智能麻醉实施模型中的剂量调整模型的第三模型参数为经训练确定出的模型参数。
在一些实施例中,智能麻醉实施方法20还包括:
在步骤S208中,获取新增的麻醉被实施者的实时体征监测信息及麻醉调整反馈信息。
此外,还可以进一步地获取新增的麻醉被实施者的实时体征监测信息及麻醉调整反馈信息,作为补充训练集,用于对确定的训练模型进行校正。
在一些实施例中,还可以从上述区块链网络中获取其存储的新增的麻醉被实施者的实时体征监测信息及麻醉调整反馈信息。
在步骤S210中,将新增的麻醉被实施者的实时体征监测信息及麻醉调整反馈信息加入到第二训练集中,采用K折交叉验证,对智能麻醉实施模型中的剂量调整模型进行训练,以更新剂量调整模型中的第三模型参数。
K折交叉验证,是将初始采样(如样本集X,Y)分割成K份,一份被保留作为验证模型的数据(test set),其他K-1份用来训练(train set)。交叉验证重复K次,每份验证一次,平均K次的结果或者使用其它结合方式,最终得到一个单一估测。
此外,还可以进一步通过评估指标MSE(均方误差)来评估上述模型的精准度。
根据本发明实施方式提供的智能麻醉实施方法,进一步地,还可以利用如区块链技术存储的大量的麻醉被实施者的实时体征监测信息及麻醉调整反馈信息作为训练集,对用于确定麻醉调整剂量的回归模型进行训练,从而在手术实施过程中,利用智能麻醉技术,为被麻醉患者调整其麻醉剂量,提供更精准的智能麻醉方法。
图3是根据一示例性实施方式示出的再一种智能麻醉实施方法的流程图。
参考图3,在上述将麻醉数据存储在区块链网络中的实施例中,智能麻醉实施方法30进一步提供了区块链网络构建方法。在图1所示的方法10或图2所示的方法20之前,图3所示的方法30还可以包括:
在步骤S302中,以医疗营业机构为节点,构建该区块链网络。
上述医疗营业机构例如可以包括参与该区块链网络的、可实施麻醉手术的大型医院、小型私人诊所、社区医疗服务站等。
或者,上述的医疗营业机构也可以为一个或多个集团公司下属的医疗营业机构。
在实际应用中,该医疗营业机构应以该区块链网络的实际参与者范围来界定,即以实际在该区块链网络系统中注册的成员来界定,本发明不以此为限。
在步骤S304中,以预设的数据存储结构存储上述的麻醉被实施者的个人信息、麻醉实施反馈信息、实时体征监测信息及麻醉调整反馈信息。
此外,还可将下述麻醉相关信息存储在该区块链网络中:在区块链网络中注册的医疗营业机构反馈的麻醉案例,病人个体情况(性别信息、年龄信息、体重信息、家庭遗传病史信息、身体健康体征指标信息等),麻醉智能机器人应用经验(麻醉剂剂量动态调整策略、语音交互功能、病人体征实时监测工具、病人疼痛感知信息、麻醉剂量实时监测等),麻醉智能机器人自动操作失误经验与教训(麻醉剂量输入速度过快或过慢,手术前麻醉剂量输入时间的把握等),病人对麻醉智能机器人投诉信息,麻醉智能机器人相关安全许可和认证等。
此外,还可以将证明相关材料的音频、视频、图像等上传至区块链网络。
对于上述的相关信息,可根据预设的数据存储结构、信息存储方式和协议等来存储上述的医疗数据,以保证信息存储和信息处理的高效性。
表1是根据一示例示出的一个麻醉案例存储在区块链中的数据结构示例。
表1
表2是根据一示例示出的智能麻醉实施模型存储在区块链中的数据结构示例。
表2
需要说明的是,表1与表2仅作为示例而非限制本发明。
图4是根据一示例性实施方式示出的再一种智能麻醉实施方法的流程图。
参考图4,智能麻醉实施方法40还可以进一步包括:
在步骤S402中,根据确定出的待麻醉患者在麻醉诱导期的麻醉剂量及麻醉剂输入速度,确定待麻醉患者在麻醉诱导期的麻醉剂输入时长。
确定出麻醉剂量及输入速度后,可以进一步计算出麻醉剂的输入时长,以供麻醉机器人等实施主体在该输入时长内为术中的被麻醉者进行麻醉。
此外,当判断确定出的麻醉剂量、输入速度和/或输入时长出现异常时,本方法还可以进一步通过麻醉机器人等实施主体向医护人员发出预警信息。例如,当确定出的上述麻醉剂量、输入速度及输入时长中的部分或全部超出预先规定的范围时,则认为麻醉剂量、输入速度和/或输入时长出现异常。
在一些实施例中,方法40还可以进一步包括:
在步骤S404中,在麻醉维持期,将待麻醉患者的实时体征监测信息输入到上述智能麻醉实施模型中的剂量调整模型中,以根据剂量调整模型,确定待麻醉患者在麻醉维持期的麻醉调整剂量。
其中,实时体征监测信息例如可以包括:待麻醉患者的血压、心率、呼吸信息、麻醉深度指数。
在手术期间,即麻醉维持期,可对被麻醉患者实时的进行体征监测,并将获取的实时体征监测信息输入到根据上述方法20或30所确定的智能麻醉实施模型中的剂量调整模型中。从而根据该剂量调整模型,确定出待麻醉患者在麻醉维持期的麻醉调整剂量。
在步骤S406中,根据麻醉调整剂量,调整待麻醉患者的麻醉剂量。
利用麻醉机器人等麻醉实施主体,根据确定出的麻醉调整剂量,调整待麻醉者的麻醉剂量。
进一步地,还可以根据更新的麻醉剂量,更新麻醉剂的输入时长。
本领域技术人员可以理解实现上述实施方式的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本发明示例性实施方式的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
图5是根据一示例性实施方式示出的一种智能麻醉实施装置的框图。
参考图5,智能麻醉实施装置50包括:信息获取模块502、模型训练模块504、模型确定模块506及麻醉实施模块508。
其中,信息获取模块502用于获取麻醉被实施者的个人信息及麻醉实施反馈信息。
个人信息可以包括:体重、年龄、家族病史信息,麻醉实施反馈信息可以包括:麻醉被实施者在麻醉诱导期的麻醉剂量。
模型训练模块504用于将获取的麻醉被实施者的个人信息及麻醉实施反馈信息作为第一训练集,分别对第一回归模型及第二回归模型进行训练,以分别对第一回归模型中的第一模型参数及第二回归模型中的第二模型参数进行学习。第一回归模型用于确定待麻醉患者在麻醉诱导期的麻醉剂量,第二回归模型用于确定待麻醉患者在麻醉诱导期的麻醉剂输入速度。模型确定模块506用于确定训练后的第一回归模型及第二回归模型分别为智能麻醉实施模型中的剂量确定模型及速度确定模型。
麻醉实施模块508用于将待麻醉患者的个人信息输入至所述智能麻醉实施模型中的剂量确定模型及速度确定模型中,以根据所述剂量确定模型及速度确定模型,确定所述待麻醉患者在麻醉诱导期的麻醉剂量及麻醉剂输入速度。
在一些实施例中,第一回归模型为:
y=a1*x1+a2*x2+a3*x3+a0;
第二回归模型为:
V=c1*x1+c2*x2+c3*x3+c0;
其中,y为麻醉诱导期的麻醉剂量,x1为体重,x2为年龄,x3为家族病史信息,a1~a3为第一模型参数,a0为麻醉剂的标准计量;v为麻醉诱导期的麻醉剂输入速度,c1~c3为第二模型参数,c0为麻醉剂的标准速度。
在一些实施例中,装置50还可以包括:第一新增信息获取模块及第一模型验证模块。其中,第一新增信息获取模块用于获取新增的麻醉被实施者的个人信息及麻醉实施反馈信息。第一模型验证模块用于将新增的麻醉被实施者的个人信息及麻醉实施反馈信息加入到第一训练集中,采用K折交叉验证,对智能麻醉实施模型中的剂量确定模型及速度确定模型进行训练,以分别更新剂量确定模型及速度确定模型中的第一模型参数及第二模型参数。
在一些实施例中,装置50还可以包括:调整信息获取模块、调整模块训练模块及调整模型确定模块。调整信息获取模块用于获取麻醉被实施者的实时体征监测信息及麻醉调整反馈信息。其中,实时体征监测信息可以包括:血压、心率、呼吸信息、麻醉深度指数,麻醉调整反馈信息可以包括:麻醉被实施者在麻醉维持期的麻醉调整剂量。调整模块训练模块用于将获取的麻醉被实施者的实时体征监测信息及麻醉调整反馈信息作为第二训练集,对第三回归模型进行训练,以对第三回归模型中的第三模型参数进行学习;第三回归模型用于确定待麻醉患者在麻醉维持期的麻醉调整剂量。调整模型确定模块用于确定训练后的第三回归模型为智能麻醉实施模型中的剂量调整模型。
在一些实施例中,第三回归模型为:
Δy=b1*z1+b2*z2+b3*z3+b4*z4+b0;
其中,Δy为麻醉维持期的麻醉调整剂量,z1为血压,z2为心率,z3为呼吸信息,z4为麻醉深度指数,b0~b4为第三模型参数。
在一些实施例中,装置50还包括:第二新增信息获取模块及第二模型验证模块。其中,第二新增信息获取模块用于获取新增的麻醉被实施者的实时体征监测信息及麻醉调整反馈信息。第二模型验证模块用于将新增的麻醉被实施者的实时体征监测信息及麻醉调整反馈信息加入到第二训练集中,采用K折交叉验证,对智能麻醉实施模型中的剂量调整模型进行训练,以更新剂量调整模型中的第三模型参数。
根据本发明实施方式提供的智能麻醉实施装置,可以利用如区块链技术存储的信息所具有的非常好的隐私保护效果,及所具有的公开透明、可追溯及不易篡改等特点,对大量麻醉被实施者的个人信息及麻醉实施反馈信息进行存储。并基于这些存储的麻醉实例数据,确定智能麻醉实施模型,从而可以在术前根据确定出的智能麻醉系统来确定待麻醉患者的麻醉剂量及麻醉剂的输入速度,进而可以利用如麻醉机器人等在手术中为待麻醉患者实施智能麻醉,为待麻醉患者提供了精确的麻醉实施保证,极大地提升了麻醉实施的精准度。
进一步地,本发明实施方式提供的智能麻醉实施装置,还可以利用如区块链技术存储的大量的麻醉被实施者的实时体征监测信息及麻醉调整反馈信息作为训练集,对用于确定麻醉调整剂量的回归模型进行训练,从而在手术实施过程中,利用智能麻醉技术,为被麻醉患者调整其麻醉剂量,提供更精准的智能麻醉方法。
图6是根据一示例性实施方式示出的另一种智能麻醉实施装置的框图。
参考图6,智能麻醉实施装置60还可以包括:时长确定模块602,用于根据确定出的待麻醉患者在麻醉诱导期的麻醉剂量及麻醉剂输入速度,确定待麻醉患者在麻醉诱导期的麻醉剂输入时长。
在一些实施例中,装置60还包括:剂量确定模块604及剂量调整模块606。其中,剂量确定模块用于在麻醉维持期,将待麻醉患者的实时体征监测信息输入到根据方法20或30所确定的智能麻醉实施模型中的剂量调整模型中,以根据剂量调整模型,确定待麻醉患者在麻醉维持期的麻醉调整剂量。其中,实时体征监测信息可包括:血压、心率、呼吸信息、麻醉深度指数。
需要注意的是,上述附图中所示的框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图7是根据一示例性实施方式示出的一种电子设备的结构示意图。需要说明的是,图7示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备800以通用计算机设备的形式表现。电子设备800的组件包括:至少一个中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序代码或者从至少一个存储单元808加载到随机访问存储器(RAM)803中的程序代码而执行各种适当的动作和处理。
特别地,根据本发明的实施例,所述程序代码可以被中央处理单元801执行,使得中央处理单元801执行本说明书上述方法实施例部分中描述的根据本发明各种示例性实施方式的步骤。例如,中央处理单元801可以执行如图1-图4中所示的步骤。
在RAM 803中,还存储有电子设备800操作所需的各种程序和数据。CPU 801、ROM802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入单元806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出单元807;包括硬盘等的存储单元808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信单元809。通信单元809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储单元808。
图8是根据一示例性实施方式示出的一种计算机可读存储介质的示意图。
参考图8所示,描述了根据本发明的实施方式的设置为实现上述方法的程序产品900,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如图1-图4中所示的功能。
以上具体地示出和描述了本发明的示例性实施方式。应可理解的是,本发明不限于这里描述的详细结构、设置方式或实现方法;相反,本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (11)
1.一种智能麻醉实施系统,其特征在于,包括:
获取麻醉被实施者的个人信息及麻醉实施反馈信息;
将获取的所述麻醉被实施者的个人信息及麻醉实施反馈信息作为第一训练集,分别对第一回归模型及第二回归模型进行训练,以分别对所述第一回归模型中的第一模型参数及所述第二回归模型中的第二模型参数进行学习;
确定训练后的所述第一回归模型及所述第二回归模型分别为智能麻醉实施模型中的剂量确定模型及速度确定模型;以及
在麻醉诱导期,将待麻醉患者的个人信息输入至所述智能麻醉实施模型中的剂量确定模型及速度确定模型中,以根据所述剂量确定模型及速度确定模型,确定所述待麻醉患者在所述麻醉诱导期的麻醉剂量及麻醉剂输入速度;
其中,所述个人信息包括:体重、年龄、家族病史信息,所述麻醉实施反馈信息包括:所述麻醉被实施者在麻醉诱导期的麻醉剂量;
其中,所述第一回归模型用于确定待麻醉患者在麻醉诱导期的麻醉剂量,所述第二回归模型用于确定待麻醉患者在麻醉诱导期的麻醉剂输入速度;
获取所述麻醉被实施者的实时体征监测信息及麻醉调整反馈信息;
将获取的所述麻醉被实施者的实时体征监测信息及麻醉调整反馈信息作为第二训练集,对第三回归模型进行训练,以对所述第三回归模型中的第三模型参数进行学习;以及
确定训练后的所述第三回归模型为所述智能麻醉实施模型中的剂量调整模型;
其中,所述麻醉调整反馈信息包括:所述麻醉被实施者在麻醉维持期的麻醉调整剂量;
其中,所述第三回归模型用于确定待麻醉患者在麻醉维持期的麻醉调整剂量。
2.根据权利要求1所述的系统,其特征在于,所述第一回归模型为:
y=a1*x1+a2*x2+a3*x3+a0;
所述第二回归模型为:
V=c1*x1+c2*x2+c3*x3+c0;
其中,y为所述麻醉诱导期的麻醉剂量,x1为所述体重,x2为所述年龄,x3为所述家族病史信息,a1~a3为所述第一模型参数,a0为麻醉剂的标准计量;v为所述麻醉诱导期的麻醉剂输入速度,c1~c3为所述第二模型参数,c0为麻醉剂的标准速度。
3.根据权利要求1或2所述的系统,其特征在于,还包括:
获取新增的麻醉被实施者的所述个人信息及所述麻醉实施反馈信息;以及
将所述新增的麻醉被实施者的所述个人信息及所述麻醉实施反馈信息加入到所述第一训练集中,采用K折交叉验证,对所述智能麻醉实施模型中的剂量确定模型及速度确定模型进行训练,以分别更新所述剂量确定模型及所述速度确定模型中的第一模型参数及第二模型参数。
4.根据权利要求1所述的系统,其特征在于,所述实时体征监测信息包括:血压、心率、呼吸信息、麻醉深度指数,所述第三回归模型为:
Δy=b1*z1+b2*z2+b3*z3+b4*z4+b0;
其中,Δy为所述麻醉维持期的麻醉调整剂量,z1为所述血压,z2为所述心率,z3为所述呼吸信息,z4为所述麻醉深度指数,b0~b4为所述第三模型参数。
5.根据权利要求1或3所述的系统,其特征在于,还包括:
获取新增的麻醉被实施者的所述实时体征监测信息及所述麻醉调整反馈信息;以及
将所述新增的麻醉被实施者的所述实时体征监测信息及所述麻醉调整反馈信息加入到所述第二训练集中,采用K折交叉验证,对所述智能麻醉实施模型中的剂量调整模型进行训练,以更新所述剂量调整模型中的第三模型参数。
6.根据权利要求1所述的系统,其特征在于,获取麻醉被实施者的个人信息及麻醉实施反馈信息包括:从已构建的区块链网络中获取其存储的所述麻醉被实施者的个人信息及麻醉实施反馈信息。
7.根据权利要求1所述的系统,其特征在于,还包括:
根据确定出的所述待麻醉患者在麻醉诱导期的麻醉剂量及麻醉剂输入速度,确定所述待麻醉患者在所述麻醉诱导期的麻醉剂输入时长。
8.根据权利要求7所述的系统,其特征在于,还包括:
在麻醉维持期,将所述待麻醉患者的实时体征监测信息输入到所述智能麻醉实施模型中的剂量调整模型中,以根据所述剂量调整模型,确定所述待麻醉患者在所述麻醉维持期的麻醉调整剂量;以及
根据所述麻醉调整剂量,调整所述待麻醉患者的麻醉剂量;
其中,所述实时体征监测信息包括:血压、心率、呼吸信息、麻醉深度指数。
9.一种智能麻醉实施装置,其特征在于,包括:
信息获取模块,用于获取麻醉被实施者的个人信息及麻醉实施反馈信息;
模型训练模块,用于将获取的所述麻醉被实施者的个人信息及麻醉实施反馈信息作为第一训练集,分别对第一回归模型及第二回归模型进行训练,以分别对所述第一回归模型中的第一模型参数及所述第二回归模型中的第二模型参数进行学习;
模型确定模块,用于确定训练后的所述第一回归模型及所述第二回归模型分别为智能麻醉实施模型中的剂量确定模型及速度确定模型;以及
麻醉实施模块,用于将待麻醉患者的个人信息输入至所述智能麻醉实施模型中的剂量确定模型及速度确定模型中,以根据所述剂量确定模型及速度确定模型,确定所述待麻醉患者在麻醉诱导期的麻醉剂量及麻醉剂输入速度;
其中,所述个人信息包括:体重、年龄、家族病史信息,所述麻醉实施反馈信息包括:所述麻醉被实施者在麻醉诱导期的麻醉剂量;
其中,所述第一回归模型用于确定待麻醉患者在麻醉诱导期的麻醉剂量,所述第二回归模型用于确定待麻醉患者在麻醉诱导期的麻醉剂输入速度;
所述智能麻醉实施装置还用于执行:
获取所述麻醉被实施者的实时体征监测信息及麻醉调整反馈信息;
将获取的所述麻醉被实施者的实时体征监测信息及麻醉调整反馈信息作为第二训练集,对第三回归模型进行训练,以对所述第三回归模型中的第三模型参数进行学习;以及
确定训练后的所述第三回归模型为所述智能麻醉实施模型中的剂量调整模型;
其中,所述麻醉调整反馈信息包括:所述麻醉被实施者在麻醉维持期的麻醉调整剂量;
其中,所述第三回归模型用于确定待麻醉患者在麻醉维持期的麻醉调整剂量。
10.一种计算机设备,包括:存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令,其特征在于,所述处理器执行所述可执行指令时实现如权利要求1-8任一项所述的系统。
11.一种计算机可读存储介质,其上存储有计算机可执行指令,其特征在于,所述可执行指令被处理器执行时实现如权利要求1-8任一项所述的系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910612939.6A CN110349642B (zh) | 2019-07-09 | 2019-07-09 | 智能麻醉实施系统、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910612939.6A CN110349642B (zh) | 2019-07-09 | 2019-07-09 | 智能麻醉实施系统、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110349642A CN110349642A (zh) | 2019-10-18 |
CN110349642B true CN110349642B (zh) | 2022-05-24 |
Family
ID=68178546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910612939.6A Active CN110349642B (zh) | 2019-07-09 | 2019-07-09 | 智能麻醉实施系统、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110349642B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827950B (zh) * | 2019-11-25 | 2022-10-28 | 四川大学华西医院 | 麻醉药物用量的确定方法、模型的训练方法以及模型 |
CN111508581A (zh) * | 2020-04-23 | 2020-08-07 | 张琦 | 一种医院麻醉治疗管理系统 |
CN111798956B (zh) * | 2020-06-28 | 2024-03-15 | 深圳市美格尔医疗技术研究院 | 一种用于人工智能麻醉的决策确定方法、装置及系统 |
KR102234007B1 (ko) * | 2020-07-14 | 2021-03-31 | 고려대학교 산학협력단 | 강화학습을 이용한 약물 주입 조절 장치 및 방법 |
CN112509678B (zh) * | 2020-12-01 | 2024-02-23 | 郭文军 | 一种麻醉信息管理系统及院方综合信息管理系统 |
CN112807542B (zh) * | 2021-01-11 | 2022-05-27 | 南通市第二人民医院 | 一种麻醉剂用量控制的方法和装置 |
WO2023123437A1 (zh) * | 2021-12-31 | 2023-07-06 | 通用电气精准医疗有限责任公司 | 麻醉控制系统,麻醉系统及非暂态计算机可读介质 |
CN116884605B (zh) * | 2023-08-24 | 2024-04-26 | 上海罗根医疗科技有限公司 | 一种手术麻醉信息智能管理系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103432651A (zh) * | 2012-12-31 | 2013-12-11 | 南京理工大学 | 一种闭环的智能麻醉控制系统 |
CN105056344A (zh) * | 2015-09-21 | 2015-11-18 | 鑫麦源创时代医疗科技(苏州)有限公司 | 数字化麻醉控制系统 |
CN105769144A (zh) * | 2016-02-01 | 2016-07-20 | 河南科技大学第附属医院 | 一种麻醉生命体征监测控制系统 |
CN106730213A (zh) * | 2016-12-15 | 2017-05-31 | 湖北民族学院附属民大医院 | 一种数字化麻醉控制系统 |
CN107993723A (zh) * | 2017-12-19 | 2018-05-04 | 苏州大学 | 一种基于集成进化学习的华法林剂量预测建模方法 |
CN109893709A (zh) * | 2019-04-09 | 2019-06-18 | 广东嘉博制药有限公司 | 一种基于关键生命体征参数的麻醉深度自动控制系统 |
-
2019
- 2019-07-09 CN CN201910612939.6A patent/CN110349642B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103432651A (zh) * | 2012-12-31 | 2013-12-11 | 南京理工大学 | 一种闭环的智能麻醉控制系统 |
CN105056344A (zh) * | 2015-09-21 | 2015-11-18 | 鑫麦源创时代医疗科技(苏州)有限公司 | 数字化麻醉控制系统 |
CN105769144A (zh) * | 2016-02-01 | 2016-07-20 | 河南科技大学第附属医院 | 一种麻醉生命体征监测控制系统 |
CN106730213A (zh) * | 2016-12-15 | 2017-05-31 | 湖北民族学院附属民大医院 | 一种数字化麻醉控制系统 |
CN107993723A (zh) * | 2017-12-19 | 2018-05-04 | 苏州大学 | 一种基于集成进化学习的华法林剂量预测建模方法 |
CN109893709A (zh) * | 2019-04-09 | 2019-06-18 | 广东嘉博制药有限公司 | 一种基于关键生命体征参数的麻醉深度自动控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110349642A (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349642B (zh) | 智能麻醉实施系统、装置、设备及存储介质 | |
Birkmeyer et al. | The impact of the COVID-19 pandemic on hospital admissions in the United States: study examines trends in US hospital admissions during the COVID-19 pandemic. | |
US10103947B2 (en) | Processing of portable device data | |
AU2017206112B2 (en) | Processing of portable device data | |
CN110462654A (zh) | 记录存取和管理 | |
US20220328197A1 (en) | Physiologic severity of illness score for acute care patients | |
Strunga et al. | Artificial intelligence systems assisting in the assessment of the course and retention of orthodontic treatment | |
US10937160B1 (en) | Dental images processed with artificial intelligence | |
CN104965965A (zh) | 远程医疗服务平台 | |
WO2019166376A1 (en) | Inserting a further data block into a first ledger | |
Thompson et al. | Future living arrangements of Singaporeans with age-related dementia | |
CN110299202A (zh) | 智能疾病诊断方法、装置、设备及存储介质 | |
Leyrat et al. | Propensity scores used for analysis of cluster randomized trials with selection bias: a simulation study | |
CN114283947B (zh) | 一种适用于手术患者的健康管理方法及系统 | |
CN109524066A (zh) | 医疗数据处理方法及装置、存储介质和电子设备 | |
WO2017157029A1 (zh) | 基于医学大数据的保险精算方法和系统 | |
WO2021159814A1 (zh) | 文本数据的错误检测方法、装置、终端设备及存储介质 | |
CN110472758A (zh) | 就医预约方法、装置、设备及可读存储介质 | |
JP2009244980A (ja) | 診療行為支援装置及びコンピュータプログラム | |
CN111832583A (zh) | 基于区块链的健康管理方法、装置、介质及电子设备 | |
KR20150114194A (ko) | 치아 정보 서비스 관리 방법 및 시스템 | |
CN109411097A (zh) | 一种基于用户信息的医疗团队在线问诊方法及系统 | |
CN111785343A (zh) | 随访方法、装置、电子设备及存储介质 | |
Paleshi et al. | A simulation-based optimization approach for mitigation of pandemic influenza | |
WO2021151330A1 (zh) | 用户分群方法、装置、设备和计算机可读存储介质 |
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 |