CN110827994A - 心梗预警方法、装置及设备、存储介质 - Google Patents
心梗预警方法、装置及设备、存储介质 Download PDFInfo
- Publication number
- CN110827994A CN110827994A CN202010029420.8A CN202010029420A CN110827994A CN 110827994 A CN110827994 A CN 110827994A CN 202010029420 A CN202010029420 A CN 202010029420A CN 110827994 A CN110827994 A CN 110827994A
- Authority
- CN
- China
- Prior art keywords
- myocardial infarction
- target object
- data
- score
- early warning
- 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
- 208000010125 myocardial infarction Diseases 0.000 title claims abstract description 284
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003745 diagnosis Methods 0.000 claims abstract description 72
- 230000005189 cardiac health Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 55
- 208000024891 symptom Diseases 0.000 claims description 49
- 238000004891 communication Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- KRQUFUKTQHISJB-YYADALCUSA-N 2-[(E)-N-[2-(4-chlorophenoxy)propoxy]-C-propylcarbonimidoyl]-3-hydroxy-5-(thian-3-yl)cyclohex-2-en-1-one Chemical compound CCC\C(=N/OCC(C)OC1=CC=C(Cl)C=C1)C1=C(O)CC(CC1=O)C1CCCSC1 KRQUFUKTQHISJB-YYADALCUSA-N 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 description 29
- 238000013473 artificial intelligence Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 206010003791 Aura Diseases 0.000 description 6
- 201000010099 disease Diseases 0.000 description 6
- 206010015037 epilepsy Diseases 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000034994 death Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 239000002243 precursor Substances 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 206010042772 syncope Diseases 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供一种心梗预警方法、装置及设备、存储介质。该心梗预警设备包括:处理器和与所述处理器连接的存储器;所述处理器用于:获取可穿戴式设备采集到的目标对象的与心脏健康相关的实时数据;所述存储器用于存储所述目标对象的历史诊疗数据和预先训练好的第一预测模型;所述处理器还用于:将所述历史诊疗数据和所述实时数据输入到所述预先训练好的第一预测模型中,得到所述目标对象的心梗风险的第一评分;根据所述心梗风险的第一评分进行心梗预警。该心梗预警设备的实用性和预警准确性高。
Description
技术领域
本申请涉及智能医疗技术领域,具体而言,涉及一种心梗预警方法、装置及设备、存储介质。
背景技术
据推算,我国心血管病现患人数 2.9 亿,心血管病死亡占居民疾病死亡构成 40%以上,居所有病种首位,高于肿瘤及其他疾病。急性心肌梗死是冠状动脉急性、持续性缺血缺氧所引起的心肌坏死。临床上多有剧烈而持久的胸骨后疼痛,可并发心律失常、休克或心力衰竭,常可危及生命。
针对心血管病现患人数持续增多的情况,现有的智慧医疗预警系统大多是根据医生的诊断结果来做一个预警判断,采取的数据源较少,不全面,并不能全面的分析各种数据,因此,预警分析的准确性较低,可能会耽误患者的治疗,进而实用性也较差。
可见,现有技术中,智能心梗预警的方式准确性和实用性都较低。
发明内容
本申请实施例的目的在于提供一种心梗预警方法、装置及设备、存储介质,用以提高心梗预警的准确性和实用性。
第一方面,本申请实施例提供一种心梗预警设备,包括:处理器和与所述处理器连接的存储器;所述处理器用于:获取可穿戴式设备采集到的目标对象的与心脏健康相关的实时数据;所述存储器用于存储所述目标对象的历史诊疗数据和预先训练好的第一预测模型;所述处理器还用于:将所述历史诊疗数据和所述实时数据输入到所述预先训练好的第一预测模型中,得到所述目标对象的心梗风险的第一评分;根据所述心梗风险的第一评分进行心梗预警。
在本申请实施例中,在进行心梗预警分析时,先获取可穿戴式设备采集到的与心脏健康相关的实时数据,然后将存储的历史诊疗数据与实时数据都输入到预先训练好的第一预测模型中,得到心梗风险的第一评分,进而根据第一评分进行心梗预警。与现有技术相比,在智能心梗预警分析中,数据来源既有实时数据,该实时数据是可穿戴式设备采集到的,准确性较高;数据来源还有存储的历史诊疗数据;且利用第一预测模型进行心梗风险的评分;通过机器学习的方式能够提高预警分析的准确性。并且,当用户有相应的需求时,只需利用可穿戴式设备和该心梗预警设备即可实现心梗预警的分析,不需要依靠特定的医学条件,对于用户来说,也十分方便。因此,该心梗预警设备提高了心梗预警分析的准确性和实用性。
作为一种可能的实现方式,所述存储器还用于存储心梗先兆症状问题清单和预先训练好的第二预测模型;所述处理器还用于:若所述心梗风险的第一评分大于第一预设值,将所述心梗先兆症状问题清单中的各个先兆症状问题反馈给所述目标对象;当接收到所述目标对象返回的与所述各个先兆症状问题对应的反馈信息时,将所述反馈信息、所述历史诊疗数据以及所述实时数据输入所述预先训练好的第二预测模型中,得到所述目标对象的心梗风险的第二评分;根据所述心梗风险的第二评分进行心梗预警。
在本申请实施例中,除了实时数据和历史诊疗数据,当心梗风险的第一评分大于第一预设值时,还可以利用存储的心梗先兆症状问题清单进行进一步的心梗预警分析。在分析时,将目标对象实时反馈的信息以及实时数据和历史诊疗数据,输入训练好的第二预测模型中,实现进一步的预警分析,进而可以进行进一步的心梗预警。
作为一种可能的实现方式,所述处理器具体用于:若所述心梗风险的第二评分大于第二预设值,对所述目标对象进行实时定位,得到对应的定位数据;根据所述定位数据和所述心梗风险的第二评分生成与所述目标对象对应的上门诊疗请求;将所述上门诊疗请求反馈给与所述目标对象距离最近的医院。
在本申请实施例中,在进行心梗预警时,可以根据目标对象的定位数据和第二评分生成上门诊疗请求,以及将上门诊疗请求反馈给予目标对象距离最近的医院,实现了及时的预警,为目标对象提供更可靠的预警。
作为一种可能的实现方式,所述存储器中还存储有所述目标对象的家庭成员的通信信息;所述处理器还用于:当没有接收到所述目标对象返回的与所述各个先兆症状对应的反馈信息时,根据所述家庭成员的通信信息将所述心梗风险的第一评分反馈给所述目标对象的家庭成员。
在本申请实施例中,当没有收到反馈信息时,说明目标对象的情况可能比较紧急,此时可以根据存储的家庭成员的通信信息将情况反馈给家庭成员,进一步为目标对象提供可靠的预警。
第二方面,本申请实施例还提供一种心梗预警的方法,包括:获取可穿戴式设备采集到的目标对象的与心脏健康相关的实时数据;获取所述目标对象的历史诊疗数据;将所述历史诊疗数据和所述实时数据输入到预先训练好的第一预测模型中,得到所述目标对象的心梗风险的第一评分;根据所述心梗风险的第一评分进行心梗预警。
与现有技术相比,在智能心梗预警分析中,数据来源既有实时数据,该实时数据是可穿戴式设备采集到的,准确性较高;数据来源还有存储的历史诊疗数据;且利用第一预测模型进行心梗风险的评分;通过机器学习的方式能够提高预警分析的准确性。并且,当用户有相应的需求时,只需利用可穿戴式设备即可实现心梗预警的分析,不需要依靠特定的医学条件,对于用户来说,也十分方便。因此,该心梗预警方法提高了心梗预警分析的准确性和实用性。
作为一种可能的实现方式,根据所述心梗风险的第一评分进行心梗预警,包括:若所述心梗风险的第一评分大于第一预设值,获取预先存储的心梗先兆症状问题清单;将所述心梗先兆症状问题清单中的各个先兆症状问题反馈给所述目标对象;当接收到所述目标对象返回的与所述各个先兆症状问题对应的反馈信息时,将所述反馈信息、所述历史诊疗数据以及所述实时数据输入预先训练好的第二预测模型中,得到所述目标对象的心梗风险的第二评分;根据所述心梗风险的第二评分进行心梗预警。
在本申请实施例中,除了实时数据和历史诊疗数据,当心梗风险的第一评分大于第一预设值时,还可以利用存储的心梗先兆症状问题清单进行进一步的心梗预警分析。在分析时,将目标对象实时反馈的信息以及实时数据和历史诊疗数据,输入训练好的第二预测模型中,实现进一步的预警分析,进而可以进行进一步的心梗预警。
作为一种可能的实现方式,根据所述心梗风险的第二评分进行心梗预警,包括:若所述心梗风险的第二评分大于第二预设值,对所述目标对象进行实时定位,得到对应的定位数据;根据所述定位数据和所述心梗风险的第二评分生成与所述目标对象对应的上门诊疗请求;将所述上门诊疗请求反馈给与所述目标对象距离最近的医院。
在本申请实施例中,在进行心梗预警时,可以根据目标对象的定位数据和第二评分生成上门诊疗请求,以及将上门诊疗请求反馈给予目标对象距离最近的医院,实现了及时的预警,为目标对象提供更可靠的预警。
作为一种可能的实现方式,在获取可穿戴式设备采集到的目标对象的与心脏健康相关的实时数据之前,所述方法包括:获取第一训练数据集和第二训练数据集;所述第一训练数据集中包括多个心梗患者的诊疗数据、可穿戴式设备采集到的所述多个心梗患者的与心脏健康相关的数据、以及所述多个心梗患者的心梗风险评分;所述第二训练数据集中包括多个心梗患者的诊疗数据、可穿戴式设备采集到的所述多个心梗患者的与心脏健康相关的数据、所述多个心梗患者对心梗先兆症状问题的反馈数据、以及所述多个心梗患者的心梗风险评分;根据所述第一训练数据集对初始的第一预测模型进行训练,得到训练好的第一预测模型,以及根据所述第二训练数据集对初始的第二预测模型进行训练,得到训练好的第二预测模型。
在本申请实施例中,可以通过第一训练数据集和第二训练数据集进行预测模型的训练,使训练好的预测模型可以对心梗患者的心梗风险进行评分。对于第一训练数据集和第二训练数据来说,包含的数据不相同,且包含的数据种类较多,比较全面,利用这两个数据集分别训练得到的模型能够较准确的对心梗风险进行评分,提高心梗预警的准确性。
第三方面,本申请实施例提供一种心梗预警装置,所述装置包括用于实现第二方面以及第二方面任意一种可能的实现方式中所述的方法的功能模块。
第四方面,本申请实施例提供一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被计算机运行时执行如第二方面以及第二方面任意一种可能的实现方式中所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的心梗预警设备的结构示意图;
图2为本申请实施例提供的心梗预警方法的流程图;
图3为本申请实施例提供的心梗预警装置的功能结构框图。
图标:100-心梗预警设备;101-处理器;102-存储器;300-心梗预警装置;301-获取模块;302-处理模块。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
请参照图1,为本申请实施例提供的心梗预警设备100结构示意图,心梗预警设备100包括处理器101和存储器102,处理器101和存储器102连接。
其中,处理器101可以是一种集成电路芯片,具有信号处理能力。可以是通用处理器,包括CPU (Central Processing Unit,中央处理器)、NP (Network Processor,网络处理器)等;还可以是数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器102可以包括但不限于RAM(Random Access Memory,随机存取存储器),ROM(Read Only Memory,只读存储器),PROM(Programmable Read-Only Memory,可编程只读存储器),EPROM(Erasable Programmable Read-Only Memory,可擦除只读存储器),EEPROM(Electric Erasable Programmable Read-Only Memory,电可擦除只读存储器)等。
存储器102可以存储各种软件程序以及模块,以及存储处理器在处理过程中需要调用的数据。处理器101通过运行存储在存储器中的软件程序以及模块和调用存储器中存储的相关数据,从而执行各种功能应用以及数据处理,即实现本申请实施例中提供的心梗预警方法。
本申请实施例提供的心梗预警设备100可以应用于各个需要进行心梗预警的场景。例如:医院,当医生比较忙时,可以利用该心梗预警设备100进行预警;社区,可以提供一种自助服务,在固定的场所设置该心梗预警设备100,用户可以前往社区利用心梗预警设备100进行预警;家庭,用户可以自购该心梗预警设备100,在家中就可以利用该心梗预警设备100进行实时的监测预警。
此外,对于使用心梗预警设备100的用户,都需要一个对应的身份信息,使各种数据和结果都是与该身份信息对应的,例如用户账号的形式,该用户账号可以是用户的身份证号、手机号或者邮箱等,对应的密码可以由用户自行设置。在用户将身份信息上传到心梗预警设备100中后,可以基于该身份信息上传各种数据以及存储各种数据等。
为了便于理解本申请实施例所提供的技术方案,接下来先对应用于心梗预警设备100的心梗预警方法进行介绍,请参照图2,为本申请实施例提供的心梗预警方法的流程图,该心梗预警方法包括:
步骤201:获取可穿戴式设备采集到的目标对象的与心脏健康相关的实时数据。
步骤202:获取目标对象的历史诊疗数据。
步骤203:将历史诊疗数据和实时数据输入到预先训练好的第一预测模型中,得到目标对象的心梗风险的第一评分。
步骤204:根据心梗风险的第一评分进行心梗预警。
与现有技术相比,在智能心梗预警分析中,数据来源既有实时数据,该实时数据是可穿戴式设备采集到的,准确性较高;数据来源还有存储的历史诊疗数据;且利用第一预测模型进行心梗风险的评分;通过机器学习的方式能够提高预警分析的准确性。并且,当用户有相应的需求时,只需利用可穿戴式设备即可实现心梗预警的分析,不需要依靠特定的医学条件,对于用户来说,也十分方便。因此,该心梗预警方法提高了心梗预警分析的准确性和实用性。
接下来对步骤201-步骤204的详细实施流程作介绍。
在步骤201中,需要获取目标对象与心脏健康相关的实时数据。对于目标对象,可以是没有患过心梗的普通人,也可以是曾经患过心梗,被救治后处于康复期进行观察的患者,或者进行心血管小型手术后正在进行康复的这类心梗高危人群等。对于本申请实施例提供的技术方案来说,由于预警时会参考目标对象的历史诊疗数据,因此,对于处于康复期的心梗患者的预警效果更好,但对于没有患过心梗的普通人,也可以进行一个预测式的预警。
其中,与心脏健康相关的实时数据可以包括心率数据、血压数据、心电图数据以及运动负荷数据等。很多可穿戴式设备都可以实现智能的采集这些实时数据,如类似智能手环等的智能设备。对于如何获取可穿戴式设备采集到的实时数据,可以有不同的实施方式。例如:可穿戴式设备一般都具有显示功能,当采集到这些实时数据后,会实时显示,此时,用户可以手动的将这些数据输入到心梗预警设备100。再例如:有些可穿戴式设备还具有蓝牙或者WiFi通信功能,心梗预警设备100也可以具有蓝牙或者WiFi通信功能,当可穿戴式设备与心梗预警设备100进行蓝牙配对连接后,可以实时的传输这些数据;或者当可穿戴式设备与心梗预警设备100处于同一个WiFi网络下时,也可以实时的传输这些数据。再例如:有些可穿戴式设备还设置有外设接口,心梗预警设备100也可以设置对应的外设接口,通过连接线连接各自的外设接口,使可穿戴式设备与心梗预警设备100可以进行数据的传输。通过以上方式,处理器101就可以获取到穿戴式设备采集到的实时数据。
进一步的,结合获取可穿戴式设备采集这些实时数据的可选的实施方式来看,对于步骤201来说,也可以在不同的情况下进行实施。例如:当目标对象感觉到身体不适时,给心梗预警设备100发起进行预警分析的请求的情况下,执行步骤201。再例如:设置一个预设的周期,例如2-3天,每隔一个预设的周期心梗预警设备100主动的执行步骤201,当然,在心梗预警设备主动的执行步骤201的过程中,若其中一些实施过程需要目标对象上传数据或者进行其他操作时,可以进行提示,进而使目标对象可以配合操作。
在步骤201后,执行步骤202,获取目标对象的历史诊疗数据。步骤202可以有多种实施方式。例如:假设目标对象为曾经住院过的患者,那么目标对象会有与住院信息对应的历史诊疗数据,该与住院信息对应的历史诊疗数据通常是与目标对象的身份信息绑定的,当目标对象将身份信息输入到心梗预警设备100中后,可以获取与该身份信息对应的历史诊疗数据,然后进行存储,以便于进行预警分析。又例如:对于历史诊疗数据,通常目标对象也会拥有该数据,因此目标对象可以手动的将数据上传到心梗预警设备100上进行存储,例如存储到存储器102中以便处理器101根据该数据进行预警分析。
此外,在历史诊疗数据中,可以包含各种信息,例如:假设目标对象为曾经患过心梗的患者,该数据中可以包括曾经的患病时长、曾经的用药情况、在患病期间的各种身体健康数据等。
在步骤202后,执行步骤203,将历史诊疗数据和实时数据输入到预先训练好的第一预测模型中,得到目标对象的心梗风险的第一评分。其中,对于预先训练好的第一预测模型,可以存储在存储器102中,在后续实施例中介绍具体的训练方式。当然,训练好的第一预测模型也可以存储在云端(服务器)上,当处理器101需要使用该训练好的第一预测模型时,可以从云端获取该训练好的第一预测模型。
在步骤203后,执行步骤204,根据心梗风险的第一评分进行心梗预警。在进行预警时,可以设置与第一评分对应的第一预设值,该第一预设值用于判断是否需要进行进一步的预警。当得到的第一评分没有超出预设值时,可以判定没有心梗风险,此时可以提示类似于“无异常”、“正常”等信息,以告知目标对象暂时没有风险,不进行进一步的预警。当得到的第一评分超出了预设值时,说明比较危险,此时需要进行进一步的预警。其中,对于第一预设值,假设总共的分数为100分,那么第一预设值可以为80分。
对于进一步的预警,本申请实施例提供一种可选的实施方式,步骤204包括:若心梗风险的第一评分大于第一预设值,获取预先存储的心梗先兆症状问题清单;将心梗先兆症状问题清单中的各个先兆症状问题反馈给目标对象;当接收到目标对象返回的与各个先兆症状问题对应的反馈信息时,将反馈信息、历史诊疗数据以及实时数据输入预先训练好的第二预测模型中,得到目标对象的心梗风险的第二评分;根据心梗风险的第二评分进行心梗预警。
其中,对于预先训练好的第二预测模型,可以存储在存储器102中,在后续实施例中介绍具体的训练方式。当然,训练好的第二预测模型也可以存储在云端(服务器)上,当处理器101需要使用该训练好的第二预测模型时,可以从云端获取该训练好的第二预测模型。
在这种实施方式中,对于心梗先兆症状问题清单,其中包括了多个先兆症状问题,当然,这些先兆症状是与心梗相关的症状,该清单可以通过德尔菲法确定,德尔菲法,也称专家调查法,1946 年由美国兰德公司创始实行,其本质上是一种反馈匿名函询法,其大致流程是在对所要预测的问题征得专家的意见之后,进行整理、归纳、统计,再匿名反馈给各专家,再次征求意见,再集中,再反馈,直至得到一致的意见。具体来说,就是通过征集各个专家的意见,采集各种心梗先兆症状,然后再将这些心梗先兆症状反馈给这些专家,由这些专家对这些症状进行排序,形成最后的先兆症状问题清单,然后存储到存储器102中。
进一步的,在反馈给用户时,按照清单中的问题顺序一个一个的进行反馈,每接收到一个问题的反馈信息时,进行下一个问题的反馈,直到得到清单中所有先兆症状问题对应的答案。
上述过程在实际实施时,可以通过类似AI(Artificial Intelligence,人工智能)电话的方式实现。先结合合心梗先兆症状清单及心梗知识库,形成针对心梗的电话问诊顺序及策略。然后通过语义网络技术的支撑,可将采集到的不规范症状描述归一化到标准概念上,以帮助 AI 电话更好的理解人类语言中的不规范症状描述。最终构建可用于 AI 电话问诊策略结合,形成可嵌入现有的 AI 电话问诊工具的话术,进行交互式问诊,实现 AI电话问诊以采集心梗先兆症状。例如:上述的反馈信息可为目标对象回答的音频数据,最终再利用该音频数据时,可以利用自然语言理解技术将音频数据转化为文本数据,再输入到第二预测模型中。
此外,还可以对电话问诊的问题及患者回答进行加密处理,防止外泄以保护患者隐私。
当然,除了AI电话问诊的形式,还可以是给出各种选项,目标对象进行选择,进而得到对应的反馈信息;还可以是目标对象直接基于每个问题输入对应的反馈信息,输入的反馈信息形式可以是文本、语音等各种可实施的形式。
进一步的,在得到反馈信息后,可以利用反馈信息和实时数据以及预先训练好的第二预测模型进行心梗风险的进一步评分,进而进行进一步的心梗预警。
此外,假如采用AI电话问诊的方式,由于在得到反馈信息的过程中,会获取到目标对象的音频数据,还可以将音频数据输入预先构造好的语音信号模型中,该语音信号模型提取音频数据中的语音信号,并对提取到的语音信号进行自然语言分析,与健康声音模型进行对比分析,然后得到一个评分值,将该评分值与预测模型输出的评分值进行结合得到心梗风险的综合评分,结合的方式可以是为两种不同的评分值设置不同的权重,然后进行加权求和得到综合评分,最后基于心梗风险的综合评分进行心梗预警。
可选的,在上述过程中,当没有接收到目标对象返回的与各个先兆症状对应的反馈信息时,根据家庭成员的通信信息将心梗风险的第一评分反馈给目标对象的家庭成员,通信信息存储在存储器102中。其中,通信信息可以是电话号码,在反馈时,可以生成短信发送给家庭成员或者直接打电话告知家庭成员。当然,若是生成短信,除了第一评分,短信中还要包含目标对象的个人信息,以保证信息的真实性。
若将情况反馈给家庭成员后,还是没有相应的应答的情况下,还可以通知医疗人员介入。通知医疗人员的方式与通知家庭成员的方式类似,通过医疗人员的通信信息实现。
以上述AI电话问诊举例来说,当 AI 问诊电话致电患者无应答时,通知家庭成员;当家庭成员仍无应答时,则通知社区医疗人员介入访视,流程同前。
进一步的,在根据第二评分进行心梗预警时,可以预设一个第二预设值。该第二预设值用于判断是否还需要进行进一步的预警。当得到的第二评分没有超出第二预设值时,可以判定没有心梗风险,此时可以提示类似于“无异常”、“正常”等信息,以告知目标对象暂时没有风险,不进行进一步的预警。当得到的第二评分超出了预设值时,说明比较危险,此时还需要进行进一步的预警。
对于第二预设值,其具体的设置的实施方式与第一预设值相同,例如假设总分为100分,第二预设值可以为90分。
对于这种实施方式下的进一步预警,作为一种可选的实施方式,若心梗风险的第二评分大于第二预设值,对目标对象进行实时定位,得到对应的定位数据;根据定位数据和心梗风险的第二评分生成与目标对象对应的上门诊疗请求;将上门诊疗请求反馈给与目标对象距离最近的医院。
在这种实施方式中,根据患者(目标对象)的实时定位,通知距离最近的社区医疗人员上门访视,以快速介入评估并且一旦证实确实发生心梗后,将预判患者心梗病症的严重程度、预判住院科室信息发送给调度中心,再次根据患者的实时地理位置启动距离最近的三级医院急诊科主导的心梗急诊救治绿色通道,尽早安排急诊相关医疗资源。
通过上述的介绍可以看出,在该心梗预警方法中,包含了几个阶段的预警分析,例如第一阶段为根据历史诊疗数据和实时数据作一个初步的判断;第二阶段为根据历史诊疗数据、实时数据和问诊数据(反馈信息)作进一步的判断。不同阶段的预警措施的紧急程度也不同,第一阶段如果初步判断可能有心梗风险,就进行第二阶段的预警分析;第二阶段如果进一步判断有心梗风险,此时就需要通知相关的医疗机构,以保证及时的实现患者的治疗和诊断。
对于前述实施例中涉及到的训练好的第一预测模型和第二预测模型,对于预警分析来说尤其重要,基于此,本申请实施例还提供一种预警模型的训练方法,该训练方法得到的预测模型可以用于心梗预警,该训练方法包括:获取第一训练数据集和第二训练数据集;第一训练数据集中包括多个心梗患者的诊疗数据、可穿戴式设备采集到的多个心梗患者的与心脏健康相关的数据、以及多个心梗患者的心梗风险评分;第二训练数据集中包括多个心梗患者的诊疗数据、可穿戴式设备采集到的多个心梗患者的与心脏健康相关的数据、多个心梗患者对心梗先兆症状问题的反馈数据、以及多个心梗患者的心梗风险评分;根据第一训练数据集对初始的第一预测模型进行训练,得到训练好的第一预测模型,以及根据第二训练数据集对初始的第二预测模型进行训练,得到训练好的第二预测模型;训练好的第一预测模型和训练好的第二预测模型均用于对目标对象的心梗风险进行评分。
在对模型进行训练的过程中,需要大量的数据,这里面的数据主要包括三大类,第一类,患者历次诊疗数据,如:居民人口数据(年龄、性别、家庭属性等)、检验检查数据(血压、血糖、血脂、心电、生化数据等)、基础疾病及既往病史、诊断数据(区域联盟内/院内/体验机构院内诊断数据,既往史,家族遗传史等),病例信息(病历文书、诊断、医嘱、药历、检验检查结果);第二类,各类可穿戴设备实时采集的各类数据(院外心率、血压数据、心电数据、跌倒晕厥等);第三类,通过心梗症状问题清单采集到的数据(例如通过AI电话问诊采集到的数据)。
在将这些数据输入到模型中进行训练之前,还可以对数据作一些预处理,例如:数据归一化:将获取的三大类心梗检测预警数据分门别类转换为符合HL7-aECG(HL7Annotation ECG,心电图注释标准)、SNOMED CT(Systematized Nomenclature ofMedicine -Clinical Terms,医学系统命名法)等标准术语。此外,还可以将处理后的相关数据(例如历史诊疗数据)存储到心梗预警设备100的存储器102中,作为实现心梗预警的数据基础。再例如:不规范值修正与标化、离群点异常点的检测与删除、空值的插值与剔除、去多重共线性以及数据归一化等。
此外,除了对数据进行预处理,还可以采用多种特征选择方法对预处理后的数据进行特征选择,再结合统计性描述、特征谱可视化综合分析以找到与心梗相关的关键因素。特征选择的过程相当于是对这些数据进行一个初步筛选,以便于对模型进行训练。
此外,要完成模型的训练,还得为数据打标签,在数据涉及到的多个心梗患者中,多个心梗患者的心梗风险评分即为数据的标签。可以理解,心梗患者、心梗患者对应的三大类数据以及心梗患者的心梗风险评分是一一对应的。
进一步的,在进行模型训练时,基于不同的训练数据集采取逻辑回归、随机森林、支持向量机、神经网络等多种分类算法以及集成学习方法训练对应的预测模型,交叉验证后均以概率形式输出结果。
在将模型训练好以后,还可以对训练好的预测模型进行模型效果评估,如利用混淆矩阵、AUC(Area Under Curve, 曲线下面积)、BS(Brier Score,布莱尔分数)等关键指标进行评估,进而可以根据评估结果对模型进行改进。
进一步的,除了模型的评估,在设计好心梗预警设备100后,还可以将心梗预警设备100进行试运行,根据试运行后采集的心梗相关诊疗数据,与人工随访后是否真实发生心梗的结论,将该真实数据再次供心梗预警模型学习,进行自反馈学习。此外,还可以根据调整后的心梗预警模型,适时调整心梗症状问题清单的内容及问诊顺序及策略。
在本申请实施例中,可以通过第一训练数据集和第二训练数据集进行预测模型的训练,使训练好的预测模型可以对心梗患者的心梗风险进行评分。对于第一训练数据集和第二训练数据来说,包含的数据不相同,且包含的数据种类较多,比较全面,利用这两个数据集分别训练得到的模型能够较准确的对心梗风险进行评分,提高心梗预警的准确性。
基于上述应用于心梗预警设备100的心梗预警方法,接下来对处理器101和存储器102的功能进行介绍。
处理器101用于:获取可穿戴式设备采集到的目标对象的与心脏健康相关的实时数据。存储器102用于存储所述目标对象的历史诊疗数据和预先训练好的第一预测模型;处理器101还用于:将所述历史诊疗数据和所述实时数据输入到所述预先训练好的第一预测模型中,得到所述目标对象的心梗风险的第一评分;根据所述心梗风险的第一评分进行心梗预警。
可选的,存储器102还用于存储心梗先兆症状问题清单和预先训练好的第二预测模型;处理器101还用于:若所述心梗风险的第一评分大于第一预设值,将所述心梗先兆症状问题清单中的各个先兆症状问题反馈给所述目标对象;当接收到所述目标对象返回的与所述各个先兆症状问题对应的反馈信息时,将所述反馈信息、所述历史诊疗数据以及所述实时数据输入所述预先训练好的第二预测模型中,得到所述目标对象的心梗风险的第二评分;根据所述心梗风险的第二评分进行心梗预警。
可选的,处理器101具体用于:若所述心梗风险的第二评分大于第二预设值,对所述目标对象进行实时定位,得到对应的定位数据;根据所述定位数据和所述心梗风险的第二评分生成与所述目标对象对应的上门诊疗请求;将所述上门诊疗请求反馈给与所述目标对象距离最近的医院。
可选的,存储器102中还存储有所述目标对象的家庭成员的通信信息;处理器101还用于:当没有接收到所述目标对象返回的与所述各个先兆症状对应的反馈信息时,根据所述家庭成员的通信信息将所述心梗风险的第一评分反馈给所述目标对象的家庭成员。
基于对心梗预警方法的介绍,处理器101的各个处理过程与心梗预警方法中的各个步骤以及实施流程是对应的,为了说明书的简洁,在此不再重复介绍。
基于同一发明构思,请参照图3,本申请实施例还提供一种心梗预警装置300,包括获取模块301以及处理模块302。
获取模块301,用于:获取可穿戴式设备采集到的目标对象的与心脏健康相关的实时数据;获取所述目标对象的历史诊疗数据。处理模块302,用于:将所述历史诊疗数据和所述实时数据输入到预先训练好的第一预测模型中,得到所述目标对象的心梗风险的第一评分;根据所述心梗风险的第一评分进行心梗预警。
可选的,处理模块302具体用于:若所述心梗风险的第一评分大于第一预设值,获取预先存储的心梗先兆症状问题清单;将所述心梗先兆症状问题清单中的各个先兆症状问题反馈给所述目标对象;当接收到所述目标对象返回的与所述各个先兆症状问题对应的反馈信息时,将所述反馈信息、所述历史诊疗数据以及所述实时数据输入预先训练好的第二预测模型中,得到所述目标对象的心梗风险的第二评分;根据所述心梗风险的第二评分进行心梗预警。
可选的,处理模块302具体还用于:若所述心梗风险的第二评分大于第二预设值,对所述目标对象进行实时定位,得到对应的定位数据;根据所述定位数据和所述心梗风险的第二评分生成与所述目标对象对应的上门诊疗请求;将所述上门诊疗请求反馈给与所述目标对象距离最近的医院。
可选的,获取模块301还用于:当没有接收到所述目标对象返回的与所述各个先兆症状对应的反馈信息时,获取所述目标对象的家庭成员的通信信息。处理模块302还用于:当没有接收到所述目标对象返回的与所述各个先兆症状对应的反馈信息时,根据所述家庭成员的通信信息将所述心梗风险的第一评分反馈给所述目标对象的家庭成员。
前述实施例中的心梗预警方法中的各实施方式和具体实例同样适用于图3的装置,通过前述对心梗预警方法的详细描述,本领域技术人员可以清楚的知道图3中的心梗预警装置300的实施方法,所以为了说明书的简洁,在此不再详述。
基于同一发明构思,本申请实施例还提供一种预测模型的训练装置,包括:第一获取模块,用于获取第一训练数据集和第二训练数据集;所述第一训练数据集中包括多个心梗患者的诊疗数据、可穿戴式设备采集到的所述多个心梗患者的与心脏健康相关的数据、以及所述多个心梗患者的心梗风险评分;所述第二训练数据集中包括多个心梗患者的诊疗数据、可穿戴式设备采集到的所述多个心梗患者的与心脏健康相关的数据、所述多个心梗患者对心梗先兆症状问题的反馈数据、以及所述多个心梗患者的心梗风险评分。训练模块,用于:根据所述第一训练数据集对初始的第一预测模型进行训练,得到训练好的第一预测模型,以及根据所述第二训练数据集对初始的第二预测模型进行训练,得到训练好的第二预测模型;所述训练好的第一预测模型和所述训练好的第二预测模型均用于对目标对象的心梗风险进行评分。
基于同一发明构思,本申请实施例还提供了一种可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被计算机运行时执行上述任一实施方式的心梗预警方法。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种心梗预警设备,其特征在于,包括:
处理器和与所述处理器连接的存储器;
所述处理器用于:获取可穿戴式设备采集到的目标对象的与心脏健康相关的实时数据;
所述存储器用于存储所述目标对象的历史诊疗数据和预先训练好的第一预测模型;
所述处理器还用于:将所述历史诊疗数据和所述实时数据输入到所述预先训练好的第一预测模型中,得到所述目标对象的心梗风险的第一评分;根据所述心梗风险的第一评分进行心梗预警。
2.根据权利要求1所述的心梗预警设备,其特征在于,所述存储器还用于存储心梗先兆症状问题清单和预先训练好的第二预测模型;
所述处理器还用于:
若所述心梗风险的第一评分大于第一预设值,将所述心梗先兆症状问题清单中的各个先兆症状问题反馈给所述目标对象;当接收到所述目标对象返回的与所述各个先兆症状问题对应的反馈信息时,将所述反馈信息、所述历史诊疗数据以及所述实时数据输入所述预先训练好的第二预测模型中,得到所述目标对象的心梗风险的第二评分;根据所述心梗风险的第二评分进行心梗预警。
3.根据权利要求2所述的心梗预警设备,其特征在于,所述处理器具体用于:若所述心梗风险的第二评分大于第二预设值,对所述目标对象进行实时定位,得到对应的定位数据;根据所述定位数据和所述心梗风险的第二评分生成与所述目标对象对应的上门诊疗请求;将所述上门诊疗请求反馈给与所述目标对象距离最近的医院。
4.根据权利要求3所述的心梗预警设备,其特征在于,所述存储器中还存储有所述目标对象的家庭成员的通信信息;
所述处理器还用于:当没有接收到所述目标对象返回的与所述各个先兆症状对应的反馈信息时,根据所述家庭成员的通信信息将所述心梗风险的第一评分反馈给所述目标对象的家庭成员。
5.一种心梗预警的方法,其特征在于,包括:
获取可穿戴式设备采集到的目标对象的与心脏健康相关的实时数据;
获取所述目标对象的历史诊疗数据;
将所述历史诊疗数据和所述实时数据输入到预先训练好的第一预测模型中,得到所述目标对象的心梗风险的第一评分;
根据所述心梗风险的第一评分进行心梗预警。
6.根据权利要求5所述的方法,其特征在于,根据所述心梗风险的第一评分进行心梗预警,包括:
若所述心梗风险的第一评分大于第一预设值,获取预先存储的心梗先兆症状问题清单;
将所述心梗先兆症状问题清单中的各个先兆症状问题反馈给所述目标对象;
当接收到所述目标对象返回的与所述各个先兆症状问题对应的反馈信息时,将所述反馈信息、所述历史诊疗数据以及所述实时数据输入预先训练好的第二预测模型中,得到所述目标对象的心梗风险的第二评分;
根据所述心梗风险的第二评分进行心梗预警。
7.根据权利要求6所述的方法,其特征在于,根据所述心梗风险的第二评分进行心梗预警,包括:
若所述心梗风险的第二评分大于第二预设值,对所述目标对象进行实时定位,得到对应的定位数据;
根据所述定位数据和所述心梗风险的第二评分生成与所述目标对象对应的上门诊疗请求;
将所述上门诊疗请求反馈给与所述目标对象距离最近的医院。
8.根据权利要求6所述的方法,其特征在于,在获取可穿戴式设备采集到的目标对象的与心脏健康相关的实时数据之前,所述方法还包括:
获取第一训练数据集和第二训练数据集;所述第一训练数据集中包括多个心梗患者的诊疗数据、可穿戴式设备采集到的所述多个心梗患者的与心脏健康相关的数据、以及所述多个心梗患者的心梗风险评分;所述第二训练数据集中包括多个心梗患者的诊疗数据、可穿戴式设备采集到的所述多个心梗患者的与心脏健康相关的数据、所述多个心梗患者对心梗先兆症状问题的反馈数据、以及所述多个心梗患者的心梗风险评分;
根据所述第一训练数据集对初始的第一预测模型进行训练,得到训练好的第一预测模型,以及根据所述第二训练数据集对初始的第二预测模型进行训练,得到训练好的第二预测模型。
9.一种心梗预警装置,其特征在于,包括:
获取模块,用于:获取可穿戴式设备采集到的目标对象的与心脏健康相关的实时数据;获取所述目标对象的历史诊疗数据;
处理模块,用于:将所述历史诊疗数据和所述实时数据输入到预先训练好的第一预测模型中,得到所述目标对象的心梗风险的第一评分;根据所述心梗风险的第一评分进行心梗预警。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被计算机运行时执行如权利要求5-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010029420.8A CN110827994B (zh) | 2020-01-13 | 2020-01-13 | 心梗预警方法、装置及设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010029420.8A CN110827994B (zh) | 2020-01-13 | 2020-01-13 | 心梗预警方法、装置及设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110827994A true CN110827994A (zh) | 2020-02-21 |
CN110827994B CN110827994B (zh) | 2020-04-17 |
Family
ID=69546634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010029420.8A Active CN110827994B (zh) | 2020-01-13 | 2020-01-13 | 心梗预警方法、装置及设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110827994B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111248877A (zh) * | 2020-04-18 | 2020-06-09 | 赵宏杰 | 一种心梗预警系统 |
CN111916213A (zh) * | 2020-08-12 | 2020-11-10 | 广州驰兴通用技术研究有限公司 | 一种基于云计算的医疗服务方法和装置 |
CN112309527A (zh) * | 2020-11-24 | 2021-02-02 | 南通市第二人民医院 | 一种基于大数据的病案统计管理方法及系统 |
CN113520355A (zh) * | 2021-06-23 | 2021-10-22 | 健鹤宝医疗科技(南京)有限公司 | 一种用于心梗检测的可穿戴检测装置和方法 |
CN114496242A (zh) * | 2021-12-23 | 2022-05-13 | 上海市第十人民医院 | 一种心肌梗死预测方法、系统、设备及介质 |
WO2023095069A1 (en) * | 2021-11-29 | 2023-06-01 | Jio Platforms Limited | An adaptive disease prediction system in an ai symptom-checker |
CN116725549A (zh) * | 2023-08-14 | 2023-09-12 | 毕胜普生物科技有限公司 | 心电数据分析方法、装置、计算机设备与存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102551676A (zh) * | 2012-03-01 | 2012-07-11 | 崔志强 | 个人健康监测系统 |
CN105816170A (zh) * | 2016-05-10 | 2016-08-03 | 广东省医疗器械研究所 | 基于可穿戴式nirs-eeg的精神分裂症早期检测评估系统 |
WO2018081696A1 (en) * | 2016-10-31 | 2018-05-03 | Celgene Corporation | Digital health prognostic analyzer for multiple myeloma mortality predictions |
CN108597609A (zh) * | 2018-05-04 | 2018-09-28 | 华东师范大学 | 一种基于lstm网络的医养结合健康监测方法 |
CN108717867A (zh) * | 2018-05-02 | 2018-10-30 | 中国科学技术大学苏州研究院 | 基于梯度迭代树的疾病预测模型建立方法及装置 |
CN109924965A (zh) * | 2018-10-12 | 2019-06-25 | 王平 | 一种心脑血管康复训练系统 |
EP3506165A1 (en) * | 2017-12-31 | 2019-07-03 | Definiens AG | Using a first stain to train a model to predict the region stained by a second stain |
CN109998508A (zh) * | 2019-04-18 | 2019-07-12 | 北京工业大学 | 具有自充电的可检测及预测身体健康状况和定位及报警功能的智能鞋 |
CN110517775A (zh) * | 2019-08-12 | 2019-11-29 | 上海艾莎信息科技有限公司 | 疾病风险预测方法、装置、计算机设备和存储介质 |
CN110660055A (zh) * | 2019-09-25 | 2020-01-07 | 北京青燕祥云科技有限公司 | 疾病数据预测方法、装置、可读存储介质及电子设备 |
-
2020
- 2020-01-13 CN CN202010029420.8A patent/CN110827994B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102551676A (zh) * | 2012-03-01 | 2012-07-11 | 崔志强 | 个人健康监测系统 |
CN105816170A (zh) * | 2016-05-10 | 2016-08-03 | 广东省医疗器械研究所 | 基于可穿戴式nirs-eeg的精神分裂症早期检测评估系统 |
WO2018081696A1 (en) * | 2016-10-31 | 2018-05-03 | Celgene Corporation | Digital health prognostic analyzer for multiple myeloma mortality predictions |
EP3506165A1 (en) * | 2017-12-31 | 2019-07-03 | Definiens AG | Using a first stain to train a model to predict the region stained by a second stain |
CN108717867A (zh) * | 2018-05-02 | 2018-10-30 | 中国科学技术大学苏州研究院 | 基于梯度迭代树的疾病预测模型建立方法及装置 |
CN108597609A (zh) * | 2018-05-04 | 2018-09-28 | 华东师范大学 | 一种基于lstm网络的医养结合健康监测方法 |
CN109924965A (zh) * | 2018-10-12 | 2019-06-25 | 王平 | 一种心脑血管康复训练系统 |
CN109998508A (zh) * | 2019-04-18 | 2019-07-12 | 北京工业大学 | 具有自充电的可检测及预测身体健康状况和定位及报警功能的智能鞋 |
CN110517775A (zh) * | 2019-08-12 | 2019-11-29 | 上海艾莎信息科技有限公司 | 疾病风险预测方法、装置、计算机设备和存储介质 |
CN110660055A (zh) * | 2019-09-25 | 2020-01-07 | 北京青燕祥云科技有限公司 | 疾病数据预测方法、装置、可读存储介质及电子设备 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111248877A (zh) * | 2020-04-18 | 2020-06-09 | 赵宏杰 | 一种心梗预警系统 |
CN111916213A (zh) * | 2020-08-12 | 2020-11-10 | 广州驰兴通用技术研究有限公司 | 一种基于云计算的医疗服务方法和装置 |
CN112309527A (zh) * | 2020-11-24 | 2021-02-02 | 南通市第二人民医院 | 一种基于大数据的病案统计管理方法及系统 |
CN113520355A (zh) * | 2021-06-23 | 2021-10-22 | 健鹤宝医疗科技(南京)有限公司 | 一种用于心梗检测的可穿戴检测装置和方法 |
WO2023095069A1 (en) * | 2021-11-29 | 2023-06-01 | Jio Platforms Limited | An adaptive disease prediction system in an ai symptom-checker |
CN114496242A (zh) * | 2021-12-23 | 2022-05-13 | 上海市第十人民医院 | 一种心肌梗死预测方法、系统、设备及介质 |
CN116725549A (zh) * | 2023-08-14 | 2023-09-12 | 毕胜普生物科技有限公司 | 心电数据分析方法、装置、计算机设备与存储介质 |
CN116725549B (zh) * | 2023-08-14 | 2023-11-24 | 毕胜普生物科技有限公司 | 心电数据分析方法、装置、计算机设备与存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110827994B (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827994B (zh) | 心梗预警方法、装置及设备、存储介质 | |
KR102558021B1 (ko) | 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법 | |
EP3255573A1 (en) | Clinical decision supporting ensemble system and clinical decison supporting method using the same | |
US11923094B2 (en) | Monitoring predictive models | |
US20180315488A1 (en) | Emergency Room Medical Triage, Diagnosis, and Treatment | |
EP1204062A2 (en) | System and method for treatment and outcome measurement analysis | |
US20120221251A1 (en) | Systems and methods for selecting, ordering, scheduling, administering, storing, interpreting and transmitting a plurality of psychological, neurobehavioral and neurobiological tests | |
Fayn et al. | Toward a personal health society in cardiology | |
DE112014000897T5 (de) | Lernende Gesundheitssysteme und -verfahren | |
CN113160999B (zh) | 用于医疗决策的数据结构化分析系统与数据处理方法 | |
US11996200B2 (en) | Method, apparatus, and computer readable media for artificial intelligence-based treatment guidance for the neurologically impaired patient who may need neurosurgery | |
CN116895372A (zh) | 一种基于大规模语言模型与元学习的智能急救分级系统 | |
CN110570945B (zh) | Ai慢病管理方法、计算机存储介质及电子设备 | |
CN114023423A (zh) | 一种智能交班方法、装置以及设备 | |
US20210335491A1 (en) | Predictive adaptive intelligent diagnostics and treatment | |
Datta et al. | Artificial intelligence in critical care: Its about time! | |
CN117476217B (zh) | 一种慢性心脏病病情发展趋势预测系统 | |
US11749402B2 (en) | Method and system for multi-medical department selection and post-monitoring during telemedicine based on patient generated health data (PGHD) and DNA analysis data | |
CN117854745A (zh) | 一种智能健康管理系统、方法、设备及介质 | |
CN117198548A (zh) | 一种智慧病房康复诊断方法、系统、设备及可读存储介质 | |
CN117292829A (zh) | 一种冠心病分级诊疗信息系统 | |
US20220189637A1 (en) | Automatic early prediction of neurodegenerative diseases | |
Forcey et al. | Clinical concern and the deteriorating patient: a review of rapid response 2018–20 | |
KR102112695B1 (ko) | 의료복지 서비스 제공 장치, 방법 및 시스템 | |
Nino et al. | Wearable devices and decision theory in the emergency triage process |
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 |