CN110517770A - 基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法 - Google Patents
基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法 Download PDFInfo
- Publication number
- CN110517770A CN110517770A CN201910806510.0A CN201910806510A CN110517770A CN 110517770 A CN110517770 A CN 110517770A CN 201910806510 A CN201910806510 A CN 201910806510A CN 110517770 A CN110517770 A CN 110517770A
- Authority
- CN
- China
- Prior art keywords
- intervention
- peri
- bayesian network
- operation period
- adverse events
- 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
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
- G16H50/20—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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法，属于人工智能及其医疗应用领域，包括步骤：S1：构建围手术期危重不良事件干预措施集；S2：为每种干预措施赋予效用值，形成干预措施效用体系；S3：针对干预措施，构建专家知识库；S4：形成多种组合干预方案；S5：基于患者临床病例数据及来源与专家知识，构建围手术期危重不良事件干预的贝叶斯网络模型；S6：针对单个患者，输入围手术期的数据信息，作为贝叶斯网络模型的数据证据，执行贝叶斯网络推理，得到每种干预措施是否采取的概率值；S7：计算每种组合方案的总体效用值；S8：选取总体效用值Top‑3的组合方案，作为干预决策方案的推荐结果。
Description
技术领域
本发明属于人工智能及其医疗应用领域，涉及一种基于贝叶斯网络和效用体系的围手术期危重不良事件干预方法。
背景技术
人工智能在医疗领域的应用日益盛行，为推动快速精准的智能医疗体系的建立，医疗行业亟需开展前言技术应用，积极快速运用人工智能技术，充分融合医疗数据和医疗专家经验，加快围手术期人工智能治疗新模式新手段的推广应用，提升医疗效率和质量，促进民生健康安全。围手术期危重不良事件的临床干预，需要依据患者的具体情况，依靠医疗专家的丰富经验进行决策，对医务人员的要求较高且效率不高。目前，利用人工智能方法进行围手术期危重不良事件的临床干预已经取得了一定的突破，比如一些临床决策支持辅助系统，但是这些方法仅仅提供常规的干预处置手段，并未充分考虑患者的具体情况，没有充分分析干预措施对患者的康复影响及身体损害。因此，急需建立一种综合考虑围手术期危重不良事件干预效果和对患者影响的智能干预方法。
发明内容
有鉴于此，本发明的目的在于提供一种基于贝叶斯网络和效用体系的围手术期危重不良事件干预方法。
为达到上述目的，本发明提供如下技术方案：
一种基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法，包括以下步骤：
S1：构建围手术期危重不良事件干预措施集；
S2：为S1中的每种干预措施赋予效用值，形成干预措施效用体系；
S3：针对S1中的干预措施，构建专家知识库；
S4：基于专家知识库，形成多种组合干预方案；
S5：基于患者临床病例数据及来源与步骤S3中知识库的专家知识，构建围手术期危重不良事件干预的贝叶斯网络模型；
S6：针对单个患者，输入其围手术期的数据信息，作为贝叶斯网络模型的数据证据，执行贝叶斯网络推理，得到每种干预措施是否采取的概率值；
S7：基于S4中的组合干预方案，计算每种组合方案的总体效用值；
S8：选取总体效用值Top-3的组合方案，作为干预决策方案的推荐结果。
进一步，在步骤S1中，围手术期危重不良事件包括但不限于肝功能衰竭、心功能衰竭、呼吸衰竭、肾功能衰竭、脓毒血症、昏厥、窒息及死亡；干预措施包括但不限于晶体液输入、胶体输入、血制品输入、使用血管活性药物。
进一步，在步骤S1中，干预措施指的是单个的干预处置手段；在步骤S4中，干预方案包括单个干预措施或多个干预措施的组合。
进一步，在步骤S2中，干预措施的效用体系采用基数效用，包括离散和(或)连续的效用值；每种干预措施的效用值，由不少于10名业内专家根据经验给出；以此来形成干预措施的离散基数效用体系。
进一步，在步骤S3中，专家知识库中的专家知识，包括但不限于所述步骤S1中的干预措施、医疗临床指南以及医疗文献知识；专家知识库的构建方式包括人工手动构建、自动构建以及二者结合的方式构建。
进一步，在步骤S4中，干预方案不能任意自由组合，必须遵循专家知识及基本的医学医疗原则，不得与其相悖；干预方案的形成由经验丰富的医疗专家提供，且需要经过多名专家的共同认可。
进一步，在步骤S5中，患者临床病例数据包括但不限于：患者基本信息数据、患者病史数据、患者检验检查数据、患者监护数据，从HIS、LIS、PACS、EMR、手术麻醉信息系统中获取；
所述围手术期危重不良事件干预的贝叶斯网络模型，基于专家经验及知识手动构建，或基于既往数据通过贝叶斯网络学习自动构建，或者以结合手动构建和贝叶斯网络学习的方式构建；
所述围手术期危重不良事件干预的贝叶斯网络，必须遵循步骤S3中所述的专家知识，将步骤S3中所述的专家知识作为围手术期危重不良事件干预的贝叶斯网络模型的约束条件；
所述围手术期危重不良事件干预的贝叶斯网络的节点根据专家知识手动选择，或通过机器学习的方法自动选择，或者在自动选择的基础上根据专家知识手动调整。
进一步，在所述步骤S6中，输入的数据证据信息，可以有缺失值，不强制要求输入所有入度为零的节点的取值，所述入度为零的节点即没有父节点的节点。
进一步，在所述步骤S7中，干预方案总体效用值为方案中所有干预措施效用值的加权和，其计算方式为：
V_solution＝Sigma(V_action*W_action),
其中，V_solution为干预方案的总体效用值，V_action为干预方案中单个干预措施的效用值，W_action为该干预措施的权重，等于贝叶斯网络中该干预措施的概率值。
进一步，在步骤S8中，选取总体效用值Top-3的组合方案作为干预决策方案的推荐结果，以供医务人员参考，医务人员根据经验及具体情况从中选择最优干预方案。
本发明的有益效果在于：本发明充分融合医疗知识、专家经验以及临床病例数据，形成围手术期危重不良事件干预措施的效用体系，构建危重不良事件干预决策方法的贝叶斯网络，能够为医务人员提供有效的危重不良事件干预决策建议，从而提高手术患者安全，减少医疗费用支出，在提高人民群众健康水平和减轻国家卫生经济负担等方面具有重要意义。医疗知识、专家经验以及临床数据的充分融合，为本发明的干预决策方法提供了多维度的信息，使得本方法能够提供更加准确的危重不良事件干预决策建议。干预措施的基数效用体系，为不同的干预方案之间的效果比较建立了量化基础。危重不良事件干预的贝叶斯网络以直观的图模型形式给出了单个干预措施的采用概率，具有良好的可解释性，同时为干预方案的效用计算提供直观易接受的途径。总体效用值TOP-3的干预方案输出，能够为医务人员提供有效的干预决策建议。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明所述围手术期危重不良事件干预方法整体流程图；
图2为本发明实施例所述脓毒血症干预决策方法流程图；
图3为本发明实施例所述脓毒血症干预决策贝叶斯网络模型构建示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1所示，一种基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法，包括以下步骤：
S1：构建围手术期危重不良事件干预措施集；
S2：为S1中的每种干预措施赋予效用值，形成干预措施效用体系；
S3：针对S1中的干预措施，构建专家知识库；
S4：基于专家知识库，形成多种组合干预方案；
S5：基于患者临床病例数据及来源与步骤S3中知识库的专家知识，构建围手术期危重不良事件干预的贝叶斯网络模型；
S6：针对单个患者，输入其围手术期的数据信息，作为贝叶斯网络模型的数据证据，执行贝叶斯网络推理，得到每种干预措施是否采取的概率值；
S7：基于S4中的组合干预方案，计算每种组合方案的总体效用值；
S8：选取总体效用值Top-3的组合方案，作为干预决策方案的推荐结果。
可选地，在步骤S1中，围手术期危重不良事件包括但不限于肝功能衰竭、心功能衰竭、呼吸衰竭、肾功能衰竭、脓毒血症、昏厥、窒息及死亡；干预措施包括但不限于晶体液输入、胶体输入、血制品输入、使用血管活性药物。
可选地，在步骤S1中，干预措施指的是单个的干预处置手段；在步骤S4中，干预方案包括单个干预措施或多个干预措施的组合。
可选地，在步骤S2中，干预措施的效用体系采用基数效用，包括离散和(或)连续的效用值；每种干预措施的效用值，由不少于10名业内专家根据经验给出；以此来形成干预措施的离散基数效用体系。
可选地，在步骤S3中，专家知识库中的专家知识，包括但不限于所述步骤S1中的干预措施、医疗临床指南以及医疗文献知识；专家知识库的构建方式包括人工手动构建、自动构建以及二者结合的方式构建。
可选地，在步骤S4中，干预方案不能任意自由组合，必须遵循专家知识及基本的医学医疗原则，不得与其相悖；干预方案的形成由经验丰富的医疗专家提供，且需要经过多名专家的共同认可。
可选地，在步骤S5中，患者临床病例数据包括但不限于：患者基本信息数据、患者病史数据、患者检验检查数据、患者监护数据，从HIS、LIS、PACS、EMR、手术麻醉信息系统中获取；
所述围手术期危重不良事件干预的贝叶斯网络模型，基于专家经验及知识手动构建，或基于既往数据通过贝叶斯网络学习自动构建，或者以结合手动构建和贝叶斯网络学习的方式构建；
所述围手术期危重不良事件干预的贝叶斯网络，必须遵循步骤S3中所述的专家知识，将步骤S3中所述的专家知识作为围手术期危重不良事件干预的贝叶斯网络模型的约束条件；
所述围手术期危重不良事件干预的贝叶斯网络的节点根据专家知识手动选择，或通过机器学习的方法自动选择，或者在自动选择的基础上根据专家知识手动调整。
可选地，在所述步骤S6中，输入的数据证据信息，可以有缺失值，不强制要求输入所有入度为零的节点的取值，所述入度为零的节点即没有父节点的节点。
可选地，在所述步骤S7中，干预方案总体效用值为方案中所有干预措施效用值的加权和，其计算方式为：
V_solution＝Sigma(V_action*W_action),
其中，V_solution为干预方案的总体效用值，V_action为干预方案中单个干预措施的效用值，W_action为该干预措施的权重，等于贝叶斯网络中该干预措施的概率值。
可选地，在步骤S8中，选取总体效用值Top-3的组合方案作为干预决策方案的推荐结果，以供医务人员参考，医务人员根据经验及具体情况从中选择最优干预方案。
实施例一：
下面将结合附图，对本发明的优选实施例进行详细描述，如图2-3所示，本实施例提供一种围手术期脓毒血症的干预决策方法，包括以下步骤：
S100：构建围手术期脓毒血症的干预措施集；脓毒血症的干预措施包括但不限于：晶体液输入、胶体输入、血制品输入、盐酸肾上腺素注射；
S200：为S1中的每种干预措施赋予效用值，形成干预措施效用体系；效用值为1到10的整数，数值越大效用越大。为S100中的脓毒血症干预措施设计调查问卷表，由不少于10名专家给出完整的效用值，计算所有专家给出的效用值的平均值作为该干预措施的效用值；
S300：针对S100中的干预措施，构建专家知识库；基于医疗文献和医疗专家经验，提取医学领域重要概念和实体，提取概念和实体之间的关系，形成重要的医学事实和事件，自动构建专家知识库；
S400：基于专家知识库，形成多种组合干预方案；遵循步骤S300中的专家知识库中的知识，对步骤S100中的干预措施进行组合，组合出不少于20种干预方案，并涵盖根据医疗专家的临床经验所给出的几种常用干预方案；
S500：基于患者临床病例数据及来源于步骤S300中知识库的专家知识，构建围手术期危重不良事件干预的贝叶斯网络模型；根据专家知识库和临床经验，选择相关因素作为贝叶斯网络的节点，已步骤S300中的专家知识库为约束条件，基于既往五年内的回顾性患者临床病例数据，采用K2算法构建贝叶斯网络。其中，患者临床病例数据包括但不限于：患者基本信息数据、患者病史数据、患者检验检查数据、患者监护数据，可从HIS、LIS、PACS、EMR、手术麻醉信息系统等系统中获取。图三为本实施例所述贝叶斯网络构建流程图；
S600：针对单个患者，输入其围手术期的数据信息，作为贝叶斯网络模型的数据证据，执行贝叶斯网络推理，得到每种干预措施是否采取的概率值；输出的围手术期的数据信息，即步骤S500中所构建贝叶斯网络各个节点的数据值，可以有缺失值；
S700：基于S400中的组合干预方案，计算每种组合方案的总体效用值；
S800：选取总体效用值Top-3的组合方案，作为干预决策方案的推荐结果。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法，其特征在于：包括以下步骤：
S1：构建围手术期危重不良事件干预措施集；
S2：为S1中的每种干预措施赋予效用值，形成干预措施效用体系；
S3：针对S1中的干预措施，构建专家知识库；
S4：基于专家知识库，形成多种组合干预方案；
S5：基于患者临床病例数据及来源与步骤S3中知识库的专家知识，构建围手术期危重不良事件干预的贝叶斯网络模型；
S6：针对单个患者，输入其围手术期的数据信息，作为贝叶斯网络模型的数据证据，执行贝叶斯网络推理，得到每种干预措施是否采取的概率值；
S7：基于S4中的组合干预方案，计算每种组合方案的总体效用值；
S8：选取总体效用值Top-3的组合方案，作为干预决策方案的推荐结果。
2.根据权利要求1所述的基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法，其特征在于：在步骤S1中，围手术期危重不良事件包括但不限于肝功能衰竭、心功能衰竭、呼吸衰竭、肾功能衰竭、脓毒血症、昏厥、窒息及死亡；干预措施包括但不限于晶体液输入、胶体输入、血制品输入、使用血管活性药物。
3.根据权利要求1所述的基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法，其特征在于：在步骤S1中，干预措施指的是单个的干预处置手段；在步骤S4中，干预方案包括单个干预措施或多个干预措施的组合。
4.根据权利要求1所述的基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法，其特征在于：在步骤S2中，干预措施的效用体系采用基数效用，包括离散和(或)连续的效用值；每种干预措施的效用值，由不少于10名业内专家根据经验给出；以此来形成干预措施的离散基数效用体系。
5.根据权利要求1所述的基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法，其特征在于：在步骤S3中，专家知识库中的专家知识，包括但不限于所述步骤S1中的干预措施、医疗临床指南以及医疗文献知识；专家知识库的构建方式包括人工手动构建、自动构建以及二者结合的方式构建。
6.根据权利要求1所述的基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法，其特征在于：在步骤S4中，干预方案不能任意自由组合，必须遵循专家知识及基本的医学医疗原则，不得与其相悖；干预方案的形成由经验丰富的医疗专家提供，且需要经过多名专家的共同认可。
7.根据权利要求1所述的基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法，其特征在于：在步骤S5中，患者临床病例数据包括但不限于：患者基本信息数据、患者病史数据、患者检验检查数据、患者监护数据，从HIS、LIS、PACS、EMR、手术麻醉信息系统中获取；
所述围手术期危重不良事件干预的贝叶斯网络模型，基于专家经验及知识手动构建，或基于既往数据通过贝叶斯网络学习自动构建，或者以结合手动构建和贝叶斯网络学习的方式构建；
所述围手术期危重不良事件干预的贝叶斯网络，必须遵循步骤S3中所述的专家知识，将步骤S3中所述的专家知识作为围手术期危重不良事件干预的贝叶斯网络模型的约束条件；
所述围手术期危重不良事件干预的贝叶斯网络的节点根据专家知识手动选择，或通过机器学习的方法自动选择，或者在自动选择的基础上根据专家知识手动调整。
8.根据权利要求1所述的基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法，其特征在于：在所述步骤S6中，输入的数据证据信息，不强制要求输入所有入度为零的节点的取值，所述入度为零的节点即没有父节点的节点。
9.根据权利要求1所述的基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法，其特征在于：在所述步骤S7中，干预方案总体效用值为方案中所有干预措施效用值的加权和，其计算方式为：
V_solution＝Sigma(V_action*W_action),
其中，V_solution为干预方案的总体效用值，V_action为干预方案中单个干预措施的效用值，W_action为该干预措施的权重，等于贝叶斯网络中该干预措施的概率值。
10.根据权利要求1所述的基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法，其特征在于：在步骤S8中，选取总体效用值Top-3的组合方案作为干预决策方案的推荐结果，以供医务人员参考，医务人员根据经验及具体情况从中选择最优干预方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910806510.0A CN110517770B (zh) | 2019-08-28 | 2019-08-28 | 基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910806510.0A CN110517770B (zh) | 2019-08-28 | 2019-08-28 | 基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110517770A true CN110517770A (zh) | 2019-11-29 |
| CN110517770B CN110517770B (zh) | 2021-08-17 |
Family
ID=68627882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910806510.0A Active CN110517770B (zh) | 2019-08-28 | 2019-08-28 | 基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110517770B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111145916A (zh) * | 2020-01-02 | 2020-05-12 | 曹庆恒 | 一种智能推荐手术方案的方法、系统和设备 |
| CN111899871A (zh) * | 2020-08-10 | 2020-11-06 | 辉岭加拿大有限公司 | 一种带临床决策智能推荐功能的肿瘤专科电子医嘱系统的设计方法 |
| CN115985491A (zh) * | 2023-03-21 | 2023-04-18 | 安徽通灵仿生科技有限公司 | 一种介入式心室导管泵的医学信息处理系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6687685B1 (en) * | 2000-04-07 | 2004-02-03 | Dr. Red Duke, Inc. | Automated medical decision making utilizing bayesian network knowledge domain modeling |
| CN104615884A (zh) * | 2015-02-04 | 2015-05-13 | 中国科学院地理科学与资源研究所 | 一种基于病毒检出率的传染病重症、死亡风险预警系统及方法 |
| CN106897549A (zh) * | 2017-01-25 | 2017-06-27 | 浙江大学 | 基于分子生理组学的癌症个体化干预策略选择方法 |
| CN108780663A (zh) * | 2015-12-18 | 2018-11-09 | 科格诺亚公司 | 数字个性化医学平台和系统 |
| CN109155158A (zh) * | 2015-11-05 | 2019-01-04 | 360膝盖系统股份有限公司 | 管理膝关节手术的患者 |
| CN109545328A (zh) * | 2018-11-28 | 2019-03-29 | 极力健生物科技（广州）有限公司 | 一种基于大数据和人工智能的个体亚健康干预方法和系统 |
| CN109727679A (zh) * | 2018-07-30 | 2019-05-07 | 中国医学科学院肿瘤医院 | 一种颈部吻合食管癌切除术手术部位感染风险预测评分及系统 |
| CN109934415A (zh) * | 2019-03-22 | 2019-06-25 | 中国科学院重庆绿色智能技术研究院 | 一种基于跨模态深度学习的围术期危重事件预测方法 |
| CN109978373A (zh) * | 2019-03-27 | 2019-07-05 | 金陵科技学院 | 一种基于定性数据的定量化风险评估方法 |
| CN110060753A (zh) * | 2019-02-22 | 2019-07-26 | 复旦大学 | 认知障碍患者干预效果评价系统及方法 |
-
2019
- 2019-08-28 CN CN201910806510.0A patent/CN110517770B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6687685B1 (en) * | 2000-04-07 | 2004-02-03 | Dr. Red Duke, Inc. | Automated medical decision making utilizing bayesian network knowledge domain modeling |
| CN104615884A (zh) * | 2015-02-04 | 2015-05-13 | 中国科学院地理科学与资源研究所 | 一种基于病毒检出率的传染病重症、死亡风险预警系统及方法 |
| CN109155158A (zh) * | 2015-11-05 | 2019-01-04 | 360膝盖系统股份有限公司 | 管理膝关节手术的患者 |
| CN108780663A (zh) * | 2015-12-18 | 2018-11-09 | 科格诺亚公司 | 数字个性化医学平台和系统 |
| CN106897549A (zh) * | 2017-01-25 | 2017-06-27 | 浙江大学 | 基于分子生理组学的癌症个体化干预策略选择方法 |
| CN109727679A (zh) * | 2018-07-30 | 2019-05-07 | 中国医学科学院肿瘤医院 | 一种颈部吻合食管癌切除术手术部位感染风险预测评分及系统 |
| CN109545328A (zh) * | 2018-11-28 | 2019-03-29 | 极力健生物科技（广州）有限公司 | 一种基于大数据和人工智能的个体亚健康干预方法和系统 |
| CN110060753A (zh) * | 2019-02-22 | 2019-07-26 | 复旦大学 | 认知障碍患者干预效果评价系统及方法 |
| CN109934415A (zh) * | 2019-03-22 | 2019-06-25 | 中国科学院重庆绿色智能技术研究院 | 一种基于跨模态深度学习的围术期危重事件预测方法 |
| CN109978373A (zh) * | 2019-03-27 | 2019-07-05 | 金陵科技学院 | 一种基于定性数据的定量化风险评估方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111145916A (zh) * | 2020-01-02 | 2020-05-12 | 曹庆恒 | 一种智能推荐手术方案的方法、系统和设备 |
| CN111899871A (zh) * | 2020-08-10 | 2020-11-06 | 辉岭加拿大有限公司 | 一种带临床决策智能推荐功能的肿瘤专科电子医嘱系统的设计方法 |
| CN115985491A (zh) * | 2023-03-21 | 2023-04-18 | 安徽通灵仿生科技有限公司 | 一种介入式心室导管泵的医学信息处理系统 |
| CN115985491B (zh) * | 2023-03-21 | 2023-07-18 | 安徽通灵仿生科技有限公司 | 一种介入式心室导管泵的医学信息处理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110517770B (zh) | 2021-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Improta et al. | Use of the AHP methodology in system dynamics: Modelling and simulation for health technology assessments to determine the correct prosthesis choice for hernia diseases | |
| CN110517770A (zh) | 基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法 | |
| CN109805898A (zh) | 基于注意力机制时序卷积网络算法的危重症死亡预测方法 | |
| US20060095457A1 (en) | Interactive tool for knowledge-based support of planning under uncertainty | |
| Silva et al. | A model-based architecture for testing medical cyber-physical systems | |
| Combes et al. | Using a KDD process to forecast the duration of surgery | |
| Kang et al. | Intuitionistic fuzzy MAUT-BW Delphi method for medication service robot selection during COVID-19 | |
| Patel et al. | Web based fuzzy expert system and its applications–a survey | |
| Nohria | Medical expert system-A comprehensive review | |
| Xu et al. | A methodology for systematic attack trees generation for interoperable medical devices | |
| Ordóñez et al. | An animated multivariate visualization for physiological and clinical data in the ICU | |
| KR101295613B1 (ko) | 다수의 진료 수행 프로세스의 임상의사결정지원시스템 구현 방법 | |
| Raghavan et al. | Developing decision support for dialysis treatment of chronic kidney failure | |
| Sidik et al. | Development of expert system for dental and oral diseases diagnose in certainty condition | |
| Johnson et al. | Framework for better care: reconciling approaches to patient safety and quality | |
| Seitinger et al. | An Arden-Syntax-based clinical decision support framework for medical guidelines—Lyme borreliosis as an example | |
| Yazid et al. | Clinical pathway variance prediction using artificial neural network for acute decompensated heart failure clinical pathway | |
| Subirats et al. | On semantic, rule-based reasoning in the management of functional rehabilitation processes | |
| Guzmán et al. | A proposal of a fuzzy system for hypertension diagnosis | |
| Peleg et al. | Reasoning with effects of clinical guideline actions using OWL: AL amyloidosis as a case study | |
| Nikolić | Expert fuzzy system for estimating risks of hypertension | |
| Khayal | Healthcare quality improvement: the need for a macro-systems approach | |
| Jungk et al. | Intelligent alarms for anaesthesia monitoring based on a fuzzy logic approach | |
| Harahap et al. | Monitoring patient health based on medical records using fuzzy logic method | |
| Seroussi et al. | Control theory as a conceptual framework for intensive care monitoring |
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 |