CN110970109A - 一种基于深度学习的骨科术后康复方案推荐方法 - Google Patents
一种基于深度学习的骨科术后康复方案推荐方法 Download PDFInfo
- Publication number
- CN110970109A CN110970109A CN201911113889.3A CN201911113889A CN110970109A CN 110970109 A CN110970109 A CN 110970109A CN 201911113889 A CN201911113889 A CN 201911113889A CN 110970109 A CN110970109 A CN 110970109A
- Authority
- CN
- China
- Prior art keywords
- treatment
- scheme
- time
- swelling
- rehabilitation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Physical Education & Sports Medicine (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Prostheses (AREA)
Abstract
本发明涉及一种基于深度学习的骨科术后康复方案推荐方法,其利用神经网络对治疗效果好的骨科治疗方案进行学习,生成方案推荐模型,医生可以根据患者的创伤部位及创伤评价等级从方案推荐模型中获取效果较好的治疗方案作为参考,以帮助患者更快康复。而在获取治疗效果好的治疗方案时选取康复时间T、肿胀幅度r作为主要指标,选取变肿时间t1、肿胀维持时间t2、消肿时间t3作为辅助指标。
Description
技术领域
本发明涉及骨科术后康复领域,具体涉及一种基于深度学习的骨科术后康复方案推荐方法。
背景技术
患者在受创后,受创部位由于毛细血管破裂出血及组织液渗出,使得受创部位发生肿胀。依据受创的部位以及受创程度的不同,肿胀会在受创一段时间后达到最大值,维持一段时间,然后慢慢消肿。对于一个治疗方案的好坏,可以按照以下三个标准来判断:(1)变肿的速度越慢越好,越慢表示该方案对炎症反应的抑制效果越好;(2)肿胀的程度越小越好,越小表示该方案对炎症反应的抑制效果越好;(3)消肿的时间越短越好,越短表示该方案对后期消肿的促进效果越好。
目前,对创伤部位的肿胀治疗一般依据医师开的处方来进行治疗,而不同的医师由于其经验不同,对于相同病症所下的处方也不尽相同,这些处方有的效果很好,有的效果欠佳。
发明内容
本发明的目的在于提供一种基于深度学习的骨科术后康复方案推荐方法,其通过人工智能技术中的深度学习来分析现有治疗数据,从而对相同的病症优选出效果较好的治疗方案,推荐给医生,进而帮助患者更快康复。
为实现上述目的,本发明采用的技术方案是:
一种基于深度学习的骨科术后康复方案推荐方法,其包括以下步骤:
步骤1、数据采集
采集骨科术后康复治疗方案以及治疗该方案对应的实际治疗数据,形成数据集;
步骤2、数据预处理
根据创伤部位和创伤评价将数据集中的治疗方案划分为多个子类;
然后选取两个主要指标以及三个辅助指标对康复治疗方案进行排序,其中,两个主要指标为:康复时间T、肿胀幅度r;三个辅助指标为:变肿时间t1、肿胀维持时间t2、消肿时间t3;
具体地,然后对各子类治疗方案的治疗数据按照康复时间T的从小到大进行排序,选择前A%的治疗方案;按照肿胀幅度r的大小及辅助指标对A%的治疗方案从小到大进行排序,再选取前B%的治疗方案作为训练集;
步骤3、模型训练
将训练集的治疗方案中的患者创伤部位和创伤评价作为输入,治疗方案作为输出,通过神经网络进行学习,提取特征,形成方案推荐模型;
步骤4、方案推荐
将患者的受创部位以及创伤评价输入至方案推荐模型中,方案推荐模型输出推荐的治疗方案。
所述神经网络采用了全连接网络,其含有4个隐层。
所述推荐的治疗方案包括温度治疗模式、温度值、温度治疗时长、气压治疗模式、气压值、气压治疗时长、负压治疗模式、负压值、负压治疗时长。
采用上述方案后,本发明利用神经网络对治疗效果好的骨科治疗方案进行学习,生成方案推荐模型,医生可以根据患者的创伤部位及创伤评价等级从方案推荐模型中获取效果较好的治疗方案作为参考,以帮助患者更快康复。而从数据集中获取治疗效果好的治疗方案时,通过选取康复时间T、肿胀幅度r作为主要指标,选取变肿时间t1、肿胀维持时间t2、消肿时间t3作为辅助指标来进行筛选,能够保证使筛选出的治疗方案具有好的治疗效果。
附图说明
图1为本发明的流程图;
图2为本发明数据集的数据样本示意图;
图3为肢体肿胀曲线示意图;
图4为模型训练示意图。
具体实施方式
如图1所示,本发明揭示了一种基于深度学习的骨科术后康复方案推荐方法,其包括以下步骤:
步骤1、数据采集
通过治疗设备采集尽可能多的骨科术后康复治疗方案以及治疗该方案对应的实际治疗数据,形成数据集,其中,该数据集的数据样本如图2所示。
步骤2、数据预处理
患者在受创后,受创部位由于毛细血管破裂出血及组织液渗出,使得受创部位发生肿胀。如图3所示,依据受创的部位以及受创程度的不同,肿胀会在受创一段时间后达到最大值,维持一段时间,然后慢慢消肿。
在手术后,医生通常会使用温度治疗,气压治疗,负压治疗等治疗方式促进患者的康复,而每个医生所设定的治疗模式,温度值,气压值,负压值都不尽相同,其疗效也有所差异。
本发明采用两个主要指标以及三个辅助指标来判断一个治疗方案的好坏。
主要指标一:康复时间越快越好,即T越小越好。
主要指标二:肿胀幅度越小越好,即r越小越好。
辅助指标一:变肿时间越短越好,即t1越小越好。
辅助指标二:维持时间越短越好,即t2越小越好。
辅助指标三:消肿时间越短越好,即t3越小越好。
在数据预处理阶段,先按照受创部位及医生给出的创伤评价对治疗方案和治疗数据进行分类,再筛选出治疗效果较好的方案作为训练集。
具体地,根据创伤部位和创伤评价将数据集中的治疗方案划分为多个子类;然后对各子类治疗方案的治疗数据按照康复时间T的大小进行排序,选择前A%的治疗方案;按照肿胀幅度r的大小及辅助指标对A%的治疗方案进行排序,再选取前B%的治疗方案作为训练集。
在本发明的实施例中, 将受创部位分为头部、颌面部、胸背部、骨盆、颈部、脊柱、肩部、上臂、肘关节、下臂、手腕手指、大腿、膝关节、小腿、脚踝脚趾15个类型,医生给出的创伤评价从轻到重分为10个等级。
各子类的治疗数据按照康复时间T的大小进行排序,优选前20%,再按照肿胀敷袋r的大小及辅助指标进行排序,再优选前20%作为训练集。
步骤3、模型训练
将训练集的治疗方案中的患者创伤部位和创伤评价作为输入,治疗方案作为输出,通过神经网络进行学习,提取特征,形成方案推荐模型。
本发明实施例中,如图4所示,神经网络采用了全连接网络,其含有4个隐层,分别具有128、128、64、64个神经元。
步骤4、方案推荐
将患者的受创部位以及创伤评价输入至方案推荐模型中,方案推荐模型输出推荐的治疗方案,该治疗方案包括温度治疗模式的温度值、温度时长,气压治疗模式的气压值和气压时长,负压治疗模式的负压值和负压时长。
本发明的关键在于,本发明利用神经网络对治疗效果好的骨科治疗方案进行学习,生成方案推荐模型,医生可以根据患者的创伤部位及创伤评价等级从方案推荐模型中获取效果较好的治疗方案作为参考,以帮助患者更快康复。而从数据集中获取治疗效果好的治疗方案时,通过选取康复时间T、肿胀幅度r作为主要指标,选取变肿时间t1、肿胀维持时间t2、消肿时间t3作为辅助指标来进行筛选,能够保证使筛选出的治疗方案具有好的治疗效果。
以上所述仅为本发明实施实例,并不用以限制本发明,凡在本发明的精神和原则之内的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于深度学习的骨科术后康复方案推荐方法,其特征在于:包括以下步骤:
步骤1、数据采集
采集骨科术后康复治疗方案以及治疗该方案对应的实际治疗数据,形成数据集;
步骤2、数据预处理
根据创伤部位和创伤评价将数据集中的治疗方案划分为多个子类;
然后选取两个主要指标以及三个辅助指标对数据集的康复治疗方案进行排序,其中,两个主要指标为:康复时间T、肿胀幅度r;三个辅助指标为:变肿时间t1、肿胀维持时间t2、消肿时间t3;
具体地,对各子类治疗方案的治疗数据按照康复时间T的从小到大进行排序,选择前A%的治疗方案;按照肿胀幅度r的大小及辅助指标对A%的治疗方案从小到大进行排序,再选取前B%的治疗方案作为训练集;
步骤3、模型训练
将训练集的治疗方案中的患者创伤部位和创伤评价作为输入,治疗方案作为输出,通过神经网络进行学习,提取特征,形成方案推荐模型;
步骤4、方案推荐
将患者的受创部位以及创伤评价输入至方案推荐模型中,方案推荐模型输出推荐的治疗方案。
2.根据权利要求1所述的一种基于深度学习的骨科术后康复方案推荐方法,其特征在于:所述神经网络采用了全连接网络,其含有4个隐层。
3.根据权利要求1所述的一种基于深度学习的骨科术后康复方案推荐方法,其特征在于:所述推荐的治疗方案包括温度治疗模式、温度值、温度治疗时长、气压治疗模式、气压值、气压治疗时长、负压治疗模式、负压值、负压治疗时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113889.3A CN110970109A (zh) | 2019-11-14 | 2019-11-14 | 一种基于深度学习的骨科术后康复方案推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113889.3A CN110970109A (zh) | 2019-11-14 | 2019-11-14 | 一种基于深度学习的骨科术后康复方案推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110970109A true CN110970109A (zh) | 2020-04-07 |
Family
ID=70030710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911113889.3A Pending CN110970109A (zh) | 2019-11-14 | 2019-11-14 | 一种基于深度学习的骨科术后康复方案推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110970109A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111436938A (zh) * | 2020-04-30 | 2020-07-24 | 厦门中翎易优创科技有限公司 | 一种肢体肿胀监测装置及方法 |
CN111524577A (zh) * | 2020-04-17 | 2020-08-11 | 广东医博荟健康管理有限公司 | 自闭症整体干预治疗辅助系统及方法 |
CN116864133A (zh) * | 2023-09-05 | 2023-10-10 | 中国医学科学院北京协和医院 | 一种个性化骨科康复计划推荐系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060482A1 (en) * | 2016-08-31 | 2018-03-01 | Intermountain Invention Management, Llc | Interpreting genomic results and providing targeted treatment options in cancer patients |
CN108182967A (zh) * | 2017-12-14 | 2018-06-19 | 华南理工大学 | 一种基于深度神经网络的中医药材推荐方法 |
CN108511056A (zh) * | 2018-02-09 | 2018-09-07 | 上海长江科技发展有限公司 | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 |
CN109599182A (zh) * | 2019-02-18 | 2019-04-09 | 湖南金特尔信息技术有限公司 | 一种基因靶向治疗方案推荐系统及相关系统 |
CN109785928A (zh) * | 2018-12-25 | 2019-05-21 | 平安科技(深圳)有限公司 | 诊疗方案推荐方法、装置及存储介质 |
-
2019
- 2019-11-14 CN CN201911113889.3A patent/CN110970109A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060482A1 (en) * | 2016-08-31 | 2018-03-01 | Intermountain Invention Management, Llc | Interpreting genomic results and providing targeted treatment options in cancer patients |
CN108182967A (zh) * | 2017-12-14 | 2018-06-19 | 华南理工大学 | 一种基于深度神经网络的中医药材推荐方法 |
CN108511056A (zh) * | 2018-02-09 | 2018-09-07 | 上海长江科技发展有限公司 | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 |
CN109785928A (zh) * | 2018-12-25 | 2019-05-21 | 平安科技(深圳)有限公司 | 诊疗方案推荐方法、装置及存储介质 |
CN109599182A (zh) * | 2019-02-18 | 2019-04-09 | 湖南金特尔信息技术有限公司 | 一种基因靶向治疗方案推荐系统及相关系统 |
Non-Patent Citations (1)
Title |
---|
黄少荣: "综合护理干预对四肢骨折术后肢体肿胀病人康复的影响", 《全科护理》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111524577A (zh) * | 2020-04-17 | 2020-08-11 | 广东医博荟健康管理有限公司 | 自闭症整体干预治疗辅助系统及方法 |
CN111436938A (zh) * | 2020-04-30 | 2020-07-24 | 厦门中翎易优创科技有限公司 | 一种肢体肿胀监测装置及方法 |
CN111436938B (zh) * | 2020-04-30 | 2023-11-14 | 厦门中翎易优创科技有限公司 | 一种肢体肿胀监测装置及方法 |
CN116864133A (zh) * | 2023-09-05 | 2023-10-10 | 中国医学科学院北京协和医院 | 一种个性化骨科康复计划推荐系统 |
CN116864133B (zh) * | 2023-09-05 | 2023-11-24 | 中国医学科学院北京协和医院 | 一种个性化骨科康复计划推荐系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110970109A (zh) | 一种基于深度学习的骨科术后康复方案推荐方法 | |
Samuel et al. | Pattern recognition of electromyography signals based on novel time domain features for amputees' limb motion classification | |
Huang et al. | An analysis of EMG electrode configuration for targeted muscle reinnervation based neural machine interface | |
CN110289095B (zh) | 一种股骨颈骨折临床智能辅助决策方法及系统 | |
CN108399616A (zh) | 基于深度残差网络的骨科病病变分类分级方法 | |
Sanders et al. | Effects of socket size on metrics of socket fit in trans-tibial prosthesis users | |
CN116649963B (zh) | 一种基于患者肢体位姿检测的预警分析方法和系统 | |
CN108447540A (zh) | 一种采集运动健康数据生成运动处方的方法 | |
CN108309334A (zh) | 一种脊柱x线影像的数据处理方法 | |
Sisak et al. | A preoperative education class reduces length of stay for total knee replacement patients identified at risk of an extended length of stay | |
Eveld et al. | On the basis for stumble recovery strategy selection in healthy adults | |
Qin et al. | Lower limb deformities: deformity correction and function reconstruction | |
Gomez-Eslava et al. | Pain Sketches Demonstrate Patterns of Pain Distribution and Pain Progression following Primary Targeted Muscle Reinnervation in Amputees. | |
Geil | Assessing the state of clinically applicable research for evidence based practice in prosthetics and orthotics | |
CN109659005A (zh) | 信息推送方法及系统 | |
CN110782976A (zh) | 一种全膝关节置换术假体型号预测方法 | |
Jawazneh et al. | Osseointegrated implants in patients with diabetes mellitus: a case series | |
CN113077893A (zh) | 一种智能辅具适配决策系统及方法 | |
Falconer | Tendon transfers about the shoulder and elbow in the spinal cord injured patient | |
Harada et al. | The clinical outcomes of infraspinatus rotational transfer for irreparable posterosuperior rotator cuff tears: a preliminary report | |
Resnik et al. | Pattern recognition control of the deka arm in two transhumeral amputees with targeted muscle reinnervation | |
Kumar et al. | Review of An EMG-Controlled Prosthetic Arm | |
CN116864133B (zh) | 一种个性化骨科康复计划推荐系统 | |
CN109961099B (zh) | 一种基于身高年龄的多分类器手腕骨等级识别方法 | |
Egginton | Fundamental underpinnings of electromyography-based biofeedback for transtibial amputee gait rehabilitation |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200407 |
|
WD01 | Invention patent application deemed withdrawn after publication |